时讯：社会交往辅助机器人帮助自闭症儿童学习

本篇文章2676字，读完约7分钟

南加州大学的研究者为自闭症儿童开发了个性化的学习机器人，研究了在长时间的家庭治疗干预中能否自主判断孩子的参与度。

许多自闭症孩子面临着发育缓慢的问题，如信息表达、行为课题、社会交流困难等。 因此，他们很难学习新技能，在以前流传下来的学校环境中尤其如此。

根据迄今为止的研究，社会交流支援机器人可以支援自闭症儿童的学习。 但是，如果机器人能正确解读孩子的行为并给予适当的反应，就能发挥治疗干预的最大效果。

现在，南加州大学计算机科学系的研究者正在为自闭症儿童开发个性化的学习机器人。 他们还研究了机器人是否能通过机器学习判断孩子对某项任务的有趣。

研究者进行的研究是同类研究中最大规模的，其中研究者把社会交流辅助机器人放在17个自闭症儿童家里一个月。 机器人比较了每个孩子干预过程中独特的学习模式，提供了个性化的指导和反馈。

研究完成后，研究者分析了7名被实验者的参加度，明确了机器人可以自主检测是否有孩子参加，精度达到了90%。 这些实验成果发表在11月6日和2月26日的《frontiers in robotics and ai》和《science robotics》期刊上。

机器人自主识别和响应行动线索的能力有限，特别是在非典型的顾客和现实环境中。 这项研究是在长时间的家庭环境中对自闭症儿童的学习模式和参加度进行模型化的最初研究。

第一作者shomik jain说:“现在的机器人系统还非常呆板。” shomik jain是数学专业的本硕连读学生，接受了社会辅助机器人研究的先驱maja matarić教授的指导。

shomik jain说:“可以设想教师试图理解孩子，孩子也向老师学习的真正的学习环境。 这是一个双向过程，目前的机器人系统还不能实现。 这项研究的目的是理解孩子的行为，实时反应，使机器人更聪明。 ”。

计算机科学本科生也是本研究的共同作者kartik mahajan说:“人类心理治疗师的作用很重要，但不是所有家庭都能得到必要的费用。 不是能负担的。 所以我们有必要研究社会交流辅助机器人。 ”。

在多个大学的资助下，南加州大学美国国家科学基金会( nsf )的计算远征计划由matarić主导，南加州大学viterbi工程学院工程教育教授gigi ragusa担任共同负责人，后者很重要 在这个计划中，研究小组在17个自闭症儿童的家里放置了机器人kiwi。 来自傲慢的洛杉矶地区的ragusa招募了3~7岁的孩子及其家人，进行了筛选和判断。

孩子们几乎每天都接受干预，用平板电脑玩以太空为主题的数学游戏。 两英尺高看起来像绿色羽毛鸟的机器人kiwi在旁边提供指导和反馈。

kiwi的反馈和游戏难度根据每个孩子独特的学习模式进行实时个性化调整。 南加州大学互动实验室的matarić团队利用强化学习完成这项任务，强化学习是人工智能( ai )的分支，近年来发展迅速。

机器人使用算法监视孩子在数学游戏中的表现。 比如，一个孩子答对了，kiwi就说:“太棒了！ ”。 如果他们错了，kiwi可能会处理问题，为后续游戏中调整难度和反馈提供指导提示。 由此，可以尽量探索学习者的难易度上限，而且也不会让他们承担太多的课题。

jain说:“如果不知道孩子的能力水平如何，只扔一堆难题，对他们的投入和学习进步非常不利。 但是，如果通过机器人明确适当问题的难易度等级，就可以真正提高学习者的学习体验。 ”。

自闭症的人及其家人中，有很多说法认为遇到自闭症的人就会遇到孤独症的人。

计算机科学、神经科学、儿科chan soon-shiong优秀教授兼临时研究副主任matarić说:“自闭症是机器人个性化的终极前线，任何知道自闭症的人都有一系列症状，各自的症状。

这给机器学习带来了特别的挑战。 因为机器学习一般依赖于从大量的类似数据中找到一致的模式。 因此，个性化特别重要。

matarić说:“如果我们能利用孩子给出的线索，我们的干预成果将远远超过照本宣科的模式。 为了辅助自闭症的干预，通常的人工智能是没有用的。 人工智能需要大量的类似数据，但对于有异质性的自闭症是不可能的。 ”。

研究者通过分析干预后儿童参与度状况来处理这个问题。 在参加度计算机模型的开发中，结合了眼睛的注视和头部的姿势、音调和声音、任务表现等各种类型的数据。

在现实世界中必然伴随着噪音和不可预测性，给使用现实世界数据的算法事业带来了巨大的挑战。

把机器人放在孩子们家的负责人kartik说:“这个实验是以他们的学习体验为中心进行的。

在他们的学习过程中，有时猫跳进机器人，厨房的搅拌机响了，有人进出房间。 因此，机器学习算法非常复杂，可以集中于治疗过程相关的新闻，过滤环境的“噪音”。

研究者判断了介入一个月前和介入一个月后孩子们的表现。 研究者预计参加者的状况会有一些改善，但结果超出了他们的预期。 在这个研究项目中，负责判断所有儿童的ragusa表示，当月介入结束后，100%的参加者表现出数学能力的提高，92%的儿童的社会交流能力也得到了改善。

在实验后的分析中，研究者从数据中收集了一些其他有意义的消息，通过这些消息，可以窥见理想的儿童机器人交互方法。

研究表明，机器人谈话后不久，所有参加者的参与度都提高了。 更具体地说，机器人说话后1分钟内参加者的参加时间约为70%，机器人没有说话1分钟以上的情况下参加者的参加时间不到50%。

理想情况下，与各个顾客相比，最好建立个性化模型，但我们发现，采用基于其他顾客数据生成的对话模型也有可能取得良好的效果。

另外，该研究还注意到，只有在孩子失去长时间学习的乐趣的情况下，护理者才有必要介入。 对此，如果参加者没有有趣的持续时间，一般很短，自己重新投入。 这说明机器人系统应该如何处理长时间有趣的脱离问题。

研究小组继续研究从实验中收集的数据。 现在的子项目是分析孩子的认识-感情状态，进行包含困惑和兴奋等感情的建模。 这个项目由计算机科学本硕连读学生中豪世主导，目的是设计具有感情认识功能的社会交流辅助机器人的指导者，这种类型的机器人对客户学习过程中的感情和感情更敏感。

jain说:“我们将来想在这个实验室和其他地方开展更深入的研究，利用我们所知道的，设计更有魅力、个性化的更强的人机交互。”

头图:(从左到右)第一作者shomik jain和共同作者kartik mahajan和中豪SHI都是maja matari教授的互动实验室学生，社会交流辅助机器人kiwi。 摄影/haotian mai