کودکان مبتلا به اوتیسم اغلب در تشخیص حالات عاطفی اطرافیانشان مشکل دارند، به طور مثال تشخیص صورت شاد از چهره ترسناک برای آنها مشکل است. برای اصلاح این مورد درمانگران از ربات‌هایی با ظاهر دوست داشتنی برای نشان دادن احساسات به کودکان مبتلا به اوتیسم استفاده می کنند تا کودکان از آنها تقلید کنند و به آنها با روشهای مناسب پاسخ دهند.
این نوع درمان، بهترین درمان است. اگر ربات بتواند تفسیر روشنی از رفتار کودک بدهد و نشان دهد چه زمانی او در طول درمان هیجان زده شده یا توجه میکند، به روند درمان کمک میکند.
محققان MIT نوعی از یادگیری ماشین منحصر به شخص را ارائه داده اند که کمک میکند رباتها در مدت تعامل با کودک با استفاده از داده های منحصر به هر کودک تمایلات و علایق آن را برآورد کنند. طبق بررسیهای انجام شده 60 درصد درک رباتها از حالات کودک با تفسیر درمانگرها مطابقت دارد.
هدف بلند مدت این طرح جایگزینی این رباتها با کارشناسان درمانگر نیست. اما آنها برای تکمیل اطلاعات کلیدی به درمانگران در ارتباطات درمانی با ایجاد تعاملات طبیعی و سازنده بین ربات و کودک اوتیسمی کمک میکنند. شخصی کردن برای درمان حائز اهمیت است چرا که هر کودک اوتیسمی واکنشهای منحصر به فردی به ارتباطات نشان میدهد.
استفاده از ماشین یادگیری و هوش مصنوعی در درمان اوتیسم مشکل است. زیرا معمولا در روشهای هوش‌مصنوعی، داده های مشابه زیادی برای فرایند آموزش لازم است. Rudovic مسئول گروه تحقیق اظهار داشت، استفاده از روشهای معمول شبکه عصبی در بیمار اوتیسمی شکست خورده است. آنها از یادگیری عمیق شخصی سازی شده در حوزه های دیگر استفاده کردند. یافته های آنها نتایج مونیتورینگ و پیش بینی پیشرفت بیماری آلزایمر را بهبود میدهد.
استفاده از رباتها در روند درمان
روند درمانی رباتهای دستیار برای کودک اوتیسمی اغلب به صورت زیر است:
درمانگر عکسها یا فلش کارتهایی از چهره های مختلف با احساسات متفاوت را به کودکان نشان میدهد. این عمل به یادگیری تشخیص ترس، ناراحتی و شادی کودک کمک میکند. با برنامه ریزی ربات درمانگر برای نشان دادن این حالات احساسی به کودک، چگونگی ارتباط کودک با ربات بررسی میشود. رفتار و عکس‌العمل کودک بازخورد با ارزشی را ارائه میدهد که ربات و درمانگر به آن نیاز دارند و یادگیری و آموزش را سریعتر میکند.
ربات NAO
محققان از ربات انسان نمای NAOدر این مطالعه استفاده کردند. رباتی با قد 60 سانتی متر که شبیه قهرمانان وخواننده هاست. NAOاحساسات متفاوت را با تغییر رنگ چشمها، حرکت لبها و تغییر تن صدا منتقل میکند.
در این تحقیق 35 کودک مبتلا به اوتیسم، 17 کودک از ژاپن و 18 کودک از صربستان در محدوده سنی 3 تا 13 حضور داشتند. آنها در طول مدت 35 دقیقه به شیوه های مختلف به ربات عکس العمل نشان دادند، از نگاه خسته و خواب آلود تا مواردیکه اطراف اتاق با هیجان میپریدند، دست میزدند، میخندیدند یا به ربات دست میزدند.
بیشتر کودکان حاضر در این تحقیق به ربات نه فقط به عنوان اسباب بازی بلکه به عنوان یک شخص واقعی عکس العمل نشان میدادند.
طبق اظهارات Rudovic، درمانگران بیان داشته اند تماس چند ثانیه ای کودک میتواند چالش بزرگی برای آنها باشد. رباتها میتوانند توجه کودک را به خود جلب کنند. انسانها احساسات خود را به شیوه های مختلفی اظهار میدارند، در صورتیکه ربات همیشه به یک شیوه عمل میکند و کودک میتواند به صورت ساختارمند آموزش ببیند.
یادگیری ماشین شخص محور
تیم تحقیقاتی MIT دریافتند نوعی از یادگیری ماشین به نام یادگیری عمیق برای رباتهای درمانگر مفید است تا بتوانند رفتار کودکان را طبیعی تر درک کنند. سیستم یادگیری عمیق از ساختار سلسله مراتبی و لایه های چندگانه داده، برای پردازش داده‌های خام اولیه استفاده میکند.
اگرچه الگوی یادگیری عمیق از دهه 1980 وجود داشته است اما اخیرا وجود قدرت محاسباتی این نوع هوش مصنوعی را اجرایی تر کرده است. یادگیری عمیق در برنامه های تشخیص خودکار گفتار و تشخیص اشیا کاربرد دارد. با دریافت چند خصوصیت چهره، بدن و صدا میتواند مفاهیم انتزاعی را ارائه نماید.
به طور مثال در مورد علائم چهره، کدام بخش از صورت برای تعیین تعامل مهم است؟ یادگیری عمیق این امکان را به ربات میدهد که مستقیما و بدون نیاز به انسان داده ها را استخراج کند. این تیم تحقیقاتی یک قدم جلوتر رفته و یک چارچوب شخصی برای آموزش داده های جمع آوری شده برای هر کودک ایجاد کرده‌اند.
محققان ویدئویی از حالات چهره، اشارات، حرکت سر و بدن، و صدای کودک تهیه میکنند. همچنین از طریق حسگری که بر روی مچ دست کودک قرار دارد داده های مربوط به ضربان قلب، دمای بدن و عرق پوست را جمع آوری می نمایند.
شبکه یادگیری شخصی سازی شده از داده های فیزیولوژی، ویدئو و صدا، اطلاعاتی مربوط به تشخیص و توانایی کودک اوتیسمی، فرهنگ و جنسیتشان را ارائه میدهد. محققان می توانند برآورد ربات از رفتار کودک را با برآورد 5 کارشناس از روی صدا و تصویر ضبط شده کودکان مقایسه کنند و میزان خوشحالی، ناراحتی، هیجان و تعامل کودک را اندازه گیری نمایند.
این داده های شخصی آموزش داده شده که توسط انسان کدگذاری شده است، بر روی داده های آموزش داده نشده و مدل های تنظیم نشده امتحان میشود، به طورقابل توجه ای برآورد رفتاری کودکان مورد مطالعه را بهبود میدهد. پژوهشگران این تحقیق به اطلاعات جالبی از تفاوتهای فرهنگی کودکان دست یافتند.
