AI 和笔迹分析：阅读障碍和书写障碍早期筛查的框架

快速阅读: 据《数字日记》最新报道，研究利用人工智能分析儿童手写，探索早期检测阅读障碍和书写障碍的新方法。通过识别书写行为迹象，该技术旨在改进现有筛查工具，提高效率和普及性。研究强调早期干预的重要性，并呼吁扩充训练数据集以优化模型。

手写之复杂。图片来源：蒂姆·桑德尔。

人工智能展现出检测阅读障碍（由于无法正确识别语音声音以及难以将它们与字母和单词关联而引起的阅读困难）和书写障碍（一种神经学状况和学习差异，表现为某人在其年龄段内书写困难）的潜力。这项由布法罗大学开展的研究揭示了如何利用人工智能驱动的手写分析作为早期检测幼儿阅读障碍和书写障碍的工具。

这是一项开发集成人工智能筛查工具的框架的研究，这种工具能够识别儿童手写中与阅读障碍和书写障碍相关的书写行为迹象。研究旨在补充现有的有效但可能昂贵、耗时且一次只能针对单一情况的筛查工具。

所采用的方法利用人工智能识别拼写问题、字母形成不良、写作组织问题以及其他阅读障碍和书写障碍的迹象。目前的筛查工具成本高昂，还需额外的管理时间，超出常规课堂活动范围，并且只能筛查单一情况，而不能同时筛查阅读障碍和书写障碍，两者通常具有某些共同的行为特征。

研究人员使用《阅读障碍与书写障碍行为指标清单》（DDBIC）来识别阅读障碍和书写障碍之间的症状重叠。这种方法通过识别早期学校教育阶段与写作相关的教学需求领域，寻求确立适当的教学路径。目的是从最终用户的角度构建增强型人工智能工具。

为了启动这项研究，科研团队从教师、语言病理学家和职业治疗师那里获取见解，以确保他们开发的人工智能模型在教室及其他环境中具有可行性。首席研究员文努·戈文达拉朱强调了这项研究的意义：“尽早发现这些神经发育障碍对确保儿童在学习和情感发展受到负面影响前获得必要帮助至关重要。我们的最终目标是简化并改进阅读障碍和书写障碍的早期筛查，使这些工具更加普及，特别是在资源匮乏的地区。”

收集数据

科学家们在美国里诺的一所小学收集了从幼儿园到五年级学生的纸张和电子设备上的书写样本。这一部分研究得到了伦理委员会的批准，数据被匿名化处理以保护学生隐私。科学家们利用这些数据进一步验证了DDBIC工具。该工具聚焦于书写前、中、后的17个行为线索。研究人员还借此机会训练人工智能模型完成DDBIC筛查流程。由此，他们能够对比模型与人工测试的效果。

由此产生的模型可以：

– 通过分析书写速度、力度和笔迹动作检测运动困难。
– 检查手写的视觉特征，如字母大小和间距。
– 将手写转为文本，发现拼写错误、字母反转等其他错误。
– 基于语法、词汇等因素识别更深层次的认知问题。

展望未来

最终，研究人员希望开发一个整合所有模型的计算机工具，并能总结其发现。从中，他们期望能够提供全面的评估。尽管这项研究显示出潜在的优势，但用于训练人工智能模型的儿童手写样本数量不足。

这项研究发表在《SN计算机科学》期刊上，标题为“增强人工智能的儿童手写分析：早期筛查阅读障碍和书写障碍的框架”。

(以上内容均由Ai生成)