憑藉這種個性化的“深度學習”網絡，科學家們在6月27日的“科學機器人”雜誌上報告說，機器人對兒童反應的看法與人類專家的評估一致，相關分數為60％。
人類觀察者對兒童的參與和行為達成高度一致意見可能具有挑戰性。他們的相關分數通常在50％到55％之間。Rudovic和他的同事們提出，在本研究中，接受人類觀察訓練的機器人有朝一日可能會對這些行為提供更一致的估計。
“在自閉症中創建機器學習和AI [人工智能]的挑戰尤其令人煩惱，因為通常的AI方法需要大量的數據，這些數據對於每個學習的類別都是相似的。在異質性占主導地位的自閉症中，正常的AI方法失敗了，“皮卡德說。Rudovic，Picard和他們的隊友也在其他領域使用個性化深度學習，發現它可以改善疼痛監測結果和預測阿爾茨海默病的進展。
NAO
研究人員在這項研究中使用了SoftBank RoboticsNAO人形機器人。NAO身高約2英尺，類似於裝甲超級英雄或機器人，通過改變眼睛的顏色，四肢的運動和聲音的語調來傳達不同的情感。
參與本研究的35名自閉症兒童，17名來自日本，18名來自塞爾維亞，年齡從3歲到13歲不等。他們在35分鐘的會議期間以各種方式對機器人作出反應，在某些情況下看起來很無聊和睏倦興奮地跳著房間，拍手，笑著或觸摸機器人。
個性化機器學習
儘管自20世紀80年代以來深度學習的概念已經出現，但Rudovic說，直到最近才有足夠的計算能力來實現這種人工智能。深度學習已被用於自動語音和對象識別程序，使其非常適合於解決諸如面部，身體和聲音的多重特徵的問題，這些特徵可用於理解更抽象的概念，例如兒童的訂婚。
“例如，在面部表情的情況下，面部的哪些部分對於估計參與度最重要？”Rudovic說。“深度學習允許機器人直接從該數據中提取最重要的信息，而無需人工手動製作這些功能。”
機器人的個性化深度學習網絡是根據這些視頻，音頻和生理數據的層次，有關兒童孤獨症診斷和能力，他們的文化和性別的信息構建的。研究人員隨後將他們對兒童行為的估計與五名人類專家的估計進行了比較，他們對兒童的視頻和錄音進行了連續編碼，以確定兒童在會議期間的興趣和不滿，感興趣程度以及參與程度。
根據人類編碼的這些個性化數據進行訓練，並對未用於訓練或調整模型的數據進行測試，網絡顯著改善了機器人對研究中大多數兒童的行為的自動估計，超出了估計的範圍。研究人員發現，該網絡以“一刀切”的方式將所有兒童的數據結合起來。
Rudovic及其同事還能夠探討深度學習網絡如何做出估計，從而揭示了孩子們之間一些有趣的文化差異。“例如，來自日本的兒童在高度接觸期間表現出更多的身體動作，而在塞爾維亞人中，大量的身體動作與脫離事件有關，”Rudovic說。
閱讀更多 時間好像變得很漫長 的文章
