Muchos niños con autismo enfrentan retrasos en el desarrollo, incluyendo desafíos de comunicación y comportamiento y dificultades con la interacción social. Esto hace que el aprendizaje de nuevas habilidades sea un gran desafío, especialmente en entornos escolares tradicionales.

Investigaciones anteriores sugieren que los robots de asistencia social pueden ayudar a los niños con autismo a aprender. Pero estas intervenciones terapéuticas funcionan mejor si el robot puede interpretar con precisión el comportamiento del niño y reaccionar de manera adecuada.

Ahora, Los investigadores del Departamento de Ciencias de la Computación de la USC han desarrollado robots de aprendizaje personalizados para niños con autismo. También estudiaron si los robots podían estimar el interés de un niño en una tarea mediante el aprendizaje automático.

En uno de los estudios más grandes de su tipo, los investigadores colocaron un robot de asistencia social en los hogares de 17 niños con autismo durante un mes. Los robots personalizaron su instrucción y retroalimentación según los patrones de aprendizaje únicos de cada niño durante las intervenciones.

Una vez completado el estudio, los investigadores también analizaron el compromiso de los participantes y determinaron que el robot podría haber detectado de forma autónoma si el niño estaba involucrado o no con un 90% de precisión. Los resultados de los experimentos se publicaron en el Fronteras en robótica e inteligencia artificial y Ciencia Robótica , revistas el 6 de noviembre y el 26 de febrero, respectivamente.

Haciendo robots más inteligentes

Los robots tienen una capacidad limitada para reconocer y responder de manera autónoma a las señales de comportamiento, especialmente en usuarios atípicos y entornos del mundo real. Este estudio es el primero en modelar los patrones de aprendizaje y la participación de los niños con autismo a largo plazo, entorno en el hogar.

"Los sistemas robóticos actuales son muy rígidos, "dijo el autor principal Shomik Jain, un estudiante de matemáticas de grado progresivo asesorado por el pionero de la robótica socialmente asistida, el profesor Maja Matarić.

"Si piensa en un entorno de aprendizaje real, el maestro va a aprender cosas sobre el niño, y el niño aprenderá cosas de ellos. Es un proceso bidireccional y eso no sucede con los sistemas robóticos actuales. Este estudio tiene como objetivo hacer que los robots sean más inteligentes al comprender el comportamiento del niño y responder a él en tiempo real ".

Los investigadores enfatizan que el objetivo es aumentar la terapia humana, no lo reemplace.

"Los terapeutas humanos son cruciales, pero es posible que no siempre estén disponibles o no sean asequibles para las familias, "dijo Kartik Mahajan, estudiante de pregrado en informática y coautor del estudio. "Ahí es donde entran en juego los robots de asistencia social como este".

Mejorando la experiencia de aprendizaje

Financiado por una subvención de la National Science Foundation (NSF) otorgada a Matarić, El equipo de investigación colocó el robot Kiwi en los hogares de 17 niños con trastornos del espectro autista durante aproximadamente un mes. Los niños participantes tenían entre 3 y 7 años y eran del área metropolitana de Los Ángeles.

Durante intervenciones casi diarias, los niños jugaban juegos de matemáticas con temática espacial en una tableta mientras Kiwi, un robot de 2 pies de altura vestido como un pájaro de plumas verdes, proporcionó instrucción y retroalimentación.

Los comentarios de Kiwi y la dificultad de los juegos se personalizaron en tiempo real de acuerdo con los patrones de aprendizaje únicos de cada niño. El equipo de Matarić en el Laboratorio de Interacción de la USC logró esto mediante el aprendizaje por refuerzo, un subcampo de la inteligencia artificial (IA) en rápido crecimiento.

Los algoritmos monitorearon el desempeño del niño en los juegos de matemáticas. Por ejemplo, si un niño respondió correctamente, Kiwi diría algo como, "¡Buen trabajo!". Si se equivocaron en una pregunta, Kiwi podría darles algunos consejos útiles para resolver el problema. y ajustar la dificultad y la retroalimentación en futuros juegos. El objetivo era maximizar la dificultad, sin presionar al alumno a cometer demasiados errores.

"Si no tiene idea de cuál es el nivel de habilidad del niño, simplemente les arrojas un montón de problemas diferentes y no es bueno para su compromiso o aprendizaje, "dijo Jain.

"Pero si el robot puede encontrar un nivel de dificultad adecuado para los problemas, entonces eso realmente puede mejorar la experiencia de aprendizaje ".

La última frontera

Hay un dicho popular entre las personas con autismo y sus familias:si ha conocido a una persona con autismo, ha conocido a una persona con autismo.

"El autismo es la última frontera para la personalización robótica, porque como cualquiera que sepa sobre el autismo te dirá, cada individuo tiene una constelación de síntomas y diferentes grados de gravedad de cada síntoma, "dijo Matarić, Chan Soon-Shiong, profesor distinguido de informática, Neurociencia y Pediatría y Vicepresidente Interino de Investigación.

Esto presenta un desafío particular para el aprendizaje automático, que generalmente se basa en detectar patrones consistentes en grandes cantidades de datos similares. Por eso la personalización es tan importante.

"Si seguimos el ejemplo de un niño, podemos lograr mucho más que seguir un guión, ", dijo Matarić." Los enfoques normales de IA fallan con el autismo. Los métodos de IA requieren muchos datos similares y eso simplemente no es posible con el autismo, donde reina la heterogeneidad ".

Los investigadores abordaron este problema en su análisis del compromiso de los niños después de la intervención. Los modelos informáticos de participación se desarrollaron combinando muchos tipos de datos, incluyendo la mirada y la postura de la cabeza, tono y frecuencia de audio, y desempeño en la tarea.

Hacer que estos algoritmos funcionen utilizando datos del mundo real presentó un gran desafío, dado el ruido y la imprevisibilidad que lo acompañan.

"Este experimento estuvo en el centro de su experiencia de aprendizaje, "dijo Kartik, que ayudó a instalar los robots en los hogares de los niños.

"Había gatos saltando sobre el robot, una licuadora que se apaga en la cocina, y personas que entran y salen de la habitación ". Como tal, los algoritmos de aprendizaje automático tenían que ser lo suficientemente sofisticados para centrarse en la información pertinente relacionada con la sesión de terapia y descartar el "ruido" ambiental.

Mejorando la interacción humano-robot

Las evaluaciones se realizaron antes y después de las intervenciones de un mes. Si bien los investigadores esperaban ver algunas mejoras en los participantes, los resultados superaron sus expectativas. Al final de la intervención del mes, El 100% de los participantes demostró mejorar sus habilidades matemáticas, mientras que el 92% también mejoró en habilidades sociales.

En los análisis posteriores al experimento, Los investigadores también pudieron obtener otra información interesante de los datos que podrían darnos un vistazo a la receta de las interacciones ideales entre niños y robots.

El estudio observó un mayor compromiso de todos los participantes poco después de que el robot hubiera hablado. Específicamente, los participantes estuvieron ocupados aproximadamente el 70% del tiempo cuando el robot había hablado en el minuto anterior, pero menos del 50% de las veces cuando el robot no había hablado durante más de un minuto.

Si bien un modelo personalizado para cada usuario es ideal, los investigadores también determinaron que era posible lograr resultados adecuados utilizando modelos de participación entrenados en datos de otros usuarios.

Es más, el estudio observó que los cuidadores solo tenían que intervenir cuando un niño perdía el interés durante un período de tiempo más largo. A diferencia de, los participantes suelen volver a comprometerse por sí mismos después de períodos más breves de desinterés. Esto sugiere que los sistemas robóticos deberían enfocarse en contrarrestar períodos más largos de desconexión.

El laboratorio de Matarić continuará estudiando los datos recopilados del experimento:un subproyecto activo implica analizar y modelar los estados cognitivo-afectivos de los niños, incluyendo emociones como confusión o excitación. El proyecto, dirigido por el estudiante de grado progresivo en ciencias de la computación Zhonghao Shi, tiene como objetivo diseñar tutores de robots de asistencia social conscientes de los afectos que sean aún más sensibles a las emociones y estados de ánimo de sus usuarios en el contexto del aprendizaje.

"La esperanza es que los estudios futuros en este laboratorio y en otros lugares puedan tomar todas las cosas que hemos aprendido y, con suerte, diseñar interacciones humano-robot más atractivas y personalizadas". "dijo Jain.