一项由纽约州立大学水牛城分校主导的新研究表明,人工智能(AI)驱动的手写分析可能成为早期识别儿童阅读障碍(dyslexia)和书写障碍(dysgraphia)的工具。该研究发表在《SN计算机科学》期刊上,旨在增强现有的筛查工具,这些工具虽然有效,但往往成本高、耗时且只能针对一种情况进行筛查。研究人员指出,这项技术有望缓解全国范围内言语语言病理学家和职业治疗师的短缺问题,这两类专业人员在诊断阅读障碍和书写障碍方面扮演着关键角色。
研究的通讯作者、纽约州立大学水牛城分校计算机科学与工程系的杰出教授Venu Govindaraju博士表示:“及早发现这些神经发育障碍对于确保儿童在学习和社会情感发展方面获得所需帮助至关重要。我们的最终目标是简化和改善阅读障碍和书写障碍的早期筛查,并使这些工具在欠发达地区更广泛可用。”
该研究是国家特殊教育人工智能研究所的一部分,旨在开发AI系统,以识别和帮助有语言处理障碍的儿童。Govindaraju和同事们数十年前在手写分析方面的开创性工作,至今仍被美国邮政局等组织用于邮件自动分拣。
新研究提出了类似的框架和方法,旨在识别拼写问题、字母书写不规范、写作组织问题及其他阅读障碍和书写障碍的指标。尽管之前的研究主要集中在使用AI检测书写障碍(较少见),因为书写障碍在儿童手写中造成的物理差异更容易观察,但阅读障碍则更加难以通过手写直接识别,因为其更侧重于阅读和语言,某些行为如拼写则提供了线索。
研究还指出,现阶段可用于训练AI模型的儿童手写样本不足。为了解决这些挑战,Govindaraju领导的UB计算机科学家团队从教师、言语语言病理学家和职业治疗师那里获取了见解,以确保所开发的AI模型在课堂和其他环境中具有可行性。共同作者、UB计算机科学与工程系博士生Sahana Rangasrinivasan表示:“从最终用户的角度审视这些问题,构建增强AI的工具至关重要。”
该团队还与内华达大学雷诺分校的文学研究副教授Abbie Olszewski博士合作,共同开发了识别阅读障碍和书写障碍重叠症状的行为指标检查表(DDBIC)。研究团队从雷诺一所小学的幼儿园至五年级学生那里收集了纸质和电子手写样本。该研究经过伦理委员会批准,并对数据进行了匿名处理以保护学生隐私。团队将利用这些数据进一步验证DDBIC工具,该工具关注在写作前、写作中和写作后出现的17种行为线索;训练AI模型以完成DDBIC筛查过程;并比较模型与人类测试者的有效性。
研究强调了AI对公共利益的贡献,描述了团队模型的应用:通过分析写作速度、压力和笔移动来检测运动困难;检查手写的视觉特征,包括字母大小和间距;将手写转换为文本,识别拼写错误、字母反转等;根据语法、词汇等因素识别更深层次的认知问题。最后,研究讨论了一种结合所有模型的工具,汇总其发现,并提供综合评估。共同作者、UB访问学者Sumi Suresh博士表示:“这项正在进行的工作展示了AI如何为公共利益服务,为最需要帮助的人提供工具和服务。”
其他共同作者包括UB计算机科学与工程系名誉教授、阿姆利塔先进研究所所长Bharat Jayarman博士,以及UB统一生物识别与传感器中心的首席研究科学家Srirangaraj Setlur。