✰南加州大學全美第19名---《華爾街日報》/《泰晤士報高等教育增刊》
✰南加州大學全美第24名 --- U.S.News 2021
南加州大學研究人員專為自閉症兒童開發了個性化的學習機器人,並研究了這些機器人是否能夠在長期的家庭治療幹預中自主評估兒童的參與度。
許多患有自閉症的兒童都面臨著發育遲緩的問題,包括溝通和行為挑戰以及社交困難等。因此,他們難以學習新技能,在傳統的學校環境中尤為如此。
以往研究表明,社交輔助機器人能夠支持自閉症兒童的學習。但是,如果機器人能夠準確解讀孩子的行為並給出適當的反應,將能夠發揮治療幹預的最大成效。
現在,南加利福尼亞大學計算機科學系的研究人員為自閉症兒童開發了個性化的學習機器人。他們還研究了機器人能否通過機器學習評估孩子對某項任務的興趣。
研究人員所開展的研究是同類研究中規模最大一項,其中,研究人員將一個社交輔助機器人放在17名自閉症兒童的家中,為期一個月。機器人針對每個孩子在幹預過程中的獨特學習模式提供了個性化的指導和反饋。
研究完成後,研究人員還分析了7名受試者的參與度,確定機器人可以自主檢測孩子是否參與,準確率達90%。這些實驗成果先後在11月6日和2月26日的《Frontiers in Robotics and AI》和《Science Robotics》期刊上發表。
機器人的自主識別和響應行為線索的能力有限,尤其是在非典型用戶和現實環境中。該項研究是首個在長期家庭環境中對自閉症兒童的學習模式和參與度進行建模的研究。
第一作者Shomik Jain說道:「目前的機器人系統還非常死板。」Shomik Jain是一名數學專業本碩連讀學生,接受了社會輔助機器人研究先鋒Maja Matarić教授的指導。
Shomik Jain表示:「你可以設想一個真正的學習環境,也就是老師會去嘗試了解孩子,孩子也會向老師學習。這是一個雙向的過程,目前的機器人系統還無法實現這點。這項研究的目的是要理解孩子的行為並實時做出反應,讓機器人更智能。」
研究人員強調,他們的研究目標旨在輔助增強人類療法,而非取代。
計算機科學本科生也是本研究的共同作者Kartik Mahajan說道:「人類治療師的角色非常重要,但並不是所有的家庭都能獲得或能夠承擔所需的費用。所以我們才需要研究社交輔助機器人。」
在多所大學的資助下,南加利福尼亞大學的美國國家科學基金會 (NSF) 計算遠徵計劃由Matarić領頭,南加利福尼亞大學Viterbi工程學院工程教育教授Gigi Ragusa擔任共同負責人,後者提供了關鍵領域的專業知識。在該計劃中,研究團隊將機器人Kiwi放在17個自閉症兒童的家中。由來自大洛杉磯地區的Ragusa負責招募了年齡在3-7歲的兒童和他們的家人,並進行了篩選和評估。
孩子們幾乎每天都會接受幹預,他們會在平板電腦上玩太空主題的數學遊戲,而2英尺高看起來就像一隻綠羽鳥的機器人Kiwi則在旁提供指導和反饋。
Kiwi的反饋和遊戲難度會根據每個孩子的獨特學習模式進行實時個性化調整。南加利福尼亞大學互動實驗室中的Matarić團隊利用強化學習完成了這項任務,強化學習是人工智慧 (AI) 的一個分支,近年來發展迅速。
機器人會使用算法監控孩子在數學遊戲中的表現。比如說,如果一個孩子回答正確,Kiwi就會說:「太棒了!」如果他們答錯了,那Kiwi可能會提供一些指導性的提示來引導他們解決問題,並在後續遊戲中調整難度和反饋。這樣,就可以儘量探索學習者的難度上限,同時也不會讓他們遇到太多的難題。
Jain說道:「如果你不了解孩子的能力水平如何,只是扔給他們一堆難度各異的問題,這非常不利於他們的投入或學習進步。但是如果能通過機器人確定適當的問題難度級別,那就可以真正增強學習者的學習體驗。」
在自閉症患者和他們的家人中,有一種說法廣為流傳:如果你遇到一個自閉症患者,你會遇到一個孤獨症患者。
計算機科學、神經科學、小兒科Chan Soon-Shiong傑出教授兼臨時研究副主任Matarić表示:「自閉症是機器人個性化的終極前沿,任何了解自閉症的人都會告訴你,每個人都會有一系列的症狀,每種症狀的嚴重程度也存在差異。」
這給機器學習帶來了特別的挑戰,因為機器學習通常依賴於從大量相似數據中找出一致的模式。正因如此,個性化才顯得尤為重要。
Matarić說道「如果我們能夠利用到孩子表現出來的線索,我們的幹預成果就能遠遠超過照本宣科的模式。要輔助自閉症的幹預,常規的人工智慧沒有助益。人工智慧需要大量的相似數據,但這對於具有異質性的自閉症來說是不可能的。」
研究人員通過對幹預後兒童參與度情況展開分析,解決了這個問題。參與度計算機模型的開發結合了多種類型的數據,包括眼睛注視和頭部姿勢、音調和音頻以及任務表現等。
而現實世界中必然會伴隨噪音和不可預測性,這給使用現實世界數據的算法工作帶來了重大挑戰。
負責在孩子們家中安放機器人的Kartik說道:「這個實驗就是圍繞他們的學習體驗而開展的。
在他們的學習過程中,不時有貓跳到機器人上,廚房的攪拌機響動,還有人在房間裡進進出出。」因此,機器學習算法會非常複雜,才能確保專注於與治療過程相關的信息,濾掉環境「噪音」。
研究人員對幹預一個月前和幹預一個月後的孩子們表現進行了評估。雖然研究人員預料到參與者的情況會有一些改善,但結果超出了他們的預期。據該研究項目中負責所有兒童評估的Ragusa稱,在當月的幹預結束時,100%的參與者均表現出數學能力提高,92%的兒童的社交能力也有所改善。
在實驗後的分析中,研究人員還從數據中收集到了一些其他有意義的信息,通過這些信息,我們窺見了理想的兒童-機器人交互方式。
研究發現,在機器人說話後不久,所有參與者的參與度都提高了。更確切地說,機器人說話後一分鐘內,參與者參與的時間約為70%,而如果機器人超過一分鐘沒有說話,則參與者參與的時間不到50%。
雖然最理想情況下,應該是針對每個用戶產生個性化模型,但研究人員還發現,使用根據其他用戶數據生成的交互模型也有可能獲得良好成效。
此外,該研究還觀察到,只有在孩子較長時間喪失學習興趣時,照護者才需要執行幹預。與此相反的是,參與者沒有興趣的持續時間通常較短,然後會自行重新投入。這表明機器人系統應該將重點放在如何應對較長時間的興趣脫離問題。
研究團隊將繼續研究從實驗中收集的數據:目前的一個子項目涉及分析兒童的認知-情感狀態並進行建模,包括困惑或興奮等情緒。該項目由計算機科學本碩連讀學生Zhonghao Shi主導,旨在設計具有情感感知功能的社交輔助機器人導師,這種類型的機器人對用戶在學習過程中的情緒和情感更為敏感。
Jain表示:「我們希望未來這個實驗室和其他地方能夠開展更深入的研究,利用我們的所知所學,設計出更具吸引力、個性化更強的人機互動。」
編輯:Caitlin Dawson
頭圖:(從左至右)第一作者SHOMIK JAIN與共同作者KARTIK MAHAJAN和ZHONGHAO SHI,都是MAJA MATARI教授互動實驗室的學生,還有社交輔助機器人KIWI。攝影/HAOTIAN MAI