Overzicht: Algoritmen voor machinaal leren helpen onderzoekers bij het identificeren van spraakpatronen bij kinderen in het autismespectrum die consistent zijn tussen verschillende talen.
bron: Noordwestelijke Universiteit
Een nieuwe studie onder leiding van onderzoekers van de Northwestern University gebruikte machinaal leren – een tak van kunstmatige intelligentie – om spraakpatronen bij kinderen met autisme te identificeren die consistent waren tussen Engels en Kantonees, wat suggereert dat spraakfuncties een nuttig hulpmiddel kunnen zijn voor het diagnosticeren van de aandoening.
De studie, uitgevoerd met medewerkers in Hong Kong, leverde inzichten op die wetenschappers kunnen helpen onderscheid te maken tussen genetische en omgevingsfactoren die de communicatieve vaardigheden van mensen met autisme vormen, wat hen zou kunnen helpen meer te weten te komen over de oorsprong van de aandoening en nieuwe behandelingen te ontwikkelen.
Kinderen met autisme spreken vaak langzamer dan normaal ontwikkelende kinderen, en ze vertonen andere verschillen in toon, toonhoogte en ritme. Maar deze verschillen (die onderzoekers ’toevallige verschillen’ noemen) zijn verrassend moeilijk op een consistente en objectieve manier te karakteriseren, en hun oorsprong is decennialang onduidelijk gebleven.
Een team van onderzoekers onder leiding van Noordwest-wetenschappers Molly Loach en Joseph CY Lau, samen met de in Hong Kong gevestigde medewerker Patrick Wong en zijn team, heeft echter met succes machine learning onder toezicht gebruikt om spraakverschillen in verband met autisme te identificeren.
De gegevens die werden gebruikt om het algoritme te trainen, waren opnames van Engels- en Kantonees sprekende jonge mannen met en zonder autisme die hun eigen versie van het storyboard vertelden in een woordeloos prentenboek voor kinderen genaamd “Frog, where are you?”
De resultaten zijn gepubliceerd in het tijdschrift PLUS EEN Op 8 juni 2022.
Loach, een Jo-Ann J. Pieter F. Dolly is hoogleraar leerstoornissen aan de Northwestern University.
“Maar ook interessant is de variantie die we hebben waargenomen, wat kan wijzen op meer vloeiende spraakkenmerken, wat mogelijk een goed doelwit zou zijn voor interventie.”
Lau voegde eraan toe dat het gebruik van machinaal leren om belangrijke spraakelementen te identificeren die voorspellend waren voor autisme, een belangrijke stap voorwaarts is voor de onderzoekers, die werden beperkt door Engelse vooroordelen in onderzoek naar autisme en menselijke subjectiviteit als het gaat om het classificeren van spraakverschillen. tussen autistisch en niet-autistisch.
“Met behulp van deze methode waren we in staat om spraakkenmerken te identificeren die een diagnose van autisme kunnen voorspellen”, zegt Lau, een postdoctoraal onderzoeker die samenwerkt met Loach in de afdeling Communicatiewetenschappen en Stoornissen van Roxlin en Richard Pepper van Northwestern.
“De meest opvallende van deze kenmerken is ritme. We hopen dat deze studie de basis zal vormen voor toekomstig werk aan autisme dat machine learning verbetert.”
De onderzoekers geloven dat hun werk de potentie heeft om bij te dragen aan een beter begrip van autisme. Lau zei dat AI het potentieel heeft om de diagnose van autisme te vergemakkelijken door de last voor zorgprofessionals te verminderen, waardoor de diagnose van autisme toegankelijker wordt voor meer mensen. Het zou ook een hulpmiddel kunnen zijn dat op een dag culturen zou kunnen overstijgen, dankzij het vermogen van een computer om woorden en geluiden op een kwantitatieve manier te analyseren, ongeacht de taal.
Aangezien de kenmerken van spraak die via machinaal leren worden geïdentificeerd, zowel kenmerken bevatten die het Engels, het Kantonees en die specifiek zijn voor één taal, zei Loch, kan machine learning nuttig zijn voor het ontwikkelen van hulpmiddelen die niet alleen aspecten van spraak identificeren die geschikt zijn voor therapeutische interventies, maar ook meten de impact van die interventies door de voortgang van de spreker in de loop van de tijd te beoordelen.
Ten slotte kunnen de bevindingen van het onderzoek bijdragen aan inspanningen om de rol van specifieke genen en hersenverwerkingsmechanismen die betrokken zijn bij genetische vatbaarheid voor autisme te identificeren en te begrijpen, aldus de auteurs. Uiteindelijk is hun doel om een meer omvattend beeld te krijgen van de factoren die mensen met autistische spraakverschillen vormen.
“Een van de betrokken hersennetwerken is het auditieve pad op subcorticaal niveau, dat nauw verband houdt met verschillen in hoe spraakgeluiden in de hersenen worden verwerkt door individuen met autisme in vergelijking met degenen die zich doorgaans in verschillende culturen ontwikkelen,” zei Lau.
De volgende stap zal zijn om te bepalen of deze verschillen in verwerking in de hersenen leiden tot de gedragsmatige spraakpatronen die we hier waarnemen, en de neurogenetica die eraan ten grondslag ligt. We zijn enthousiast over wat komen gaat.”
zie ook
Over dit onderzoeksnieuws voor AI en ASS
auteur: Max Wittinsky
bron: Noordwestelijke Universiteit
Contact: Max Wittinsky – Northwestern University
afbeelding: De afbeelding is in het publieke domein
originele zoekopdracht: vrije toegang.
“Cross-linguïstische patronen van spraakverschillen bij autisme: een onderzoek naar machine learningGeschreven door Joseph C. Y. Lau et al. PLUS EEN
Overzicht
Cross-linguïstische patronen van spraakverschillen bij autisme: een onderzoek naar machine learning
Verschillen in spraakpresentatie zijn een algemeen waargenomen kenmerk van autismespectrumstoornis (ASS). Het is echter onduidelijk hoe stereotiepe verschillen in ASS in verschillende talen cross-linguïstische variantie in presentatie laten zien.
Met behulp van een gesuperviseerde machine learning-aanpak onderzochten we vocale kenmerken die relevant zijn voor de ritmische en tonale aspecten van uitvoeringen die zijn afgeleid van verhalende voorbeelden die zijn verkregen in het Engels en Kantonees, twee talen die typisch verschillend en episodisch zijn.
Onze modellen onthulden een succesvolle classificatie van ASS-diagnose met behulp van relatieve kenmerken van ritme binnen en tussen beide talen. Classificatie met kenmerken die verband houden met intonatie was belangrijk voor het Engels, maar niet voor het Kantonees.
De resultaten benadrukken verschillen in tempo als een belangrijk symptomatisch kenmerk dat wordt beïnvloed bij ASS, en laten ook een significante variantie zien in andere algemene kenmerken die lijken te worden gevormd door taalspecifieke verschillen, zoals intonatie.
“Reisliefhebber. Onruststoker. Popcultuurfanaat. Kan niet typen met bokshandschoenen aan.”