Ωστόσο, αυτή η θεραπευτική μέθοδος λειτουργεί καλύτερα εάν το ρομπότ μπορεί να αναγνωρίσει καλύτερα τη συμπεριφορά του παιδιού, δηλαδή εάν αυτό ενδιαφέρεται, εάν προσέχει κτλ κατά τη θεραπεία. Ερευνητές του ΜΙΤ Media Lab έχουν αναπτύξει ένα είδος προσωποποιημένου machine learning (τεχνητής νοημοσύνης) που βοηθά τα ρομπότ να υπολογίζουν τον βαθμό εμπλοκής και ενδιαφέροντος του κάθε παιδιού κατά τη διάρκεια αυτών των αλληλεπιδράσεων, χρησιμοποιώντας δεδομένα που είναι μοναδικά για το κάθε παιδί.
Όπως αναφέρει το MIT News, χάρη σε αυτό το δίκτυο «deep learning», η αντίληψη των ρομπότ για τις αντιδράσεις των παιδιών ήταν σύμφωνη με τις αξιολογήσεις των ανθρώπων ειδικών, με επίπεδο συσχετισμού 60%, επισημαίνουν οι επιστήμονες στο Science Robotics. Σημειώνεται ότι μπορεί να είναι δύσκολο άνθρωποι παρατηρητές να επιτύχουν υψηλά επίπεδα συμφωνίας σχετικά με τα επίπεδα εμπλοκής και συμπεριφοράς ενός παιδιού. Τα επίπεδα συσχετισμού τους είναι συνήθως μεταξύ 50% και 55%. Οι ερευνητές εκτιμούν πως τα ρομπότ τα οποία εκπαιδεύονται με βάση ανθρώπινες παρατηρήσεις, όπως στην εν λόγω μελέτη, θα μπορούσαν να βοηθήσουν σε αυτό το κομμάτι.
«Μακροπρόθεσμα ο στόχος μας δεν είναι να δημιουργήσουμε ρομπότ που θα αντικαταστήσουν τους ανθρώπους θεραπευτές, αλλά να τους συνδράμουν με σημαντικές πληροφορίες που θα χρησιμοποιούνται για την εξατομίκευση του περιεχομένου της θεραπείας, και επίσης θα βοηθούν στη δημιουργία πιο φυσικών και ελκυστικών αλληλεπιδράσεων μεταξύ των ρομπότ και των παιδιών με αυτισμό» είπε ο Όγκι Ρούντοβιτς, μεταδιδακτορικός του Media Lab και πρώτος συντάκτης της μελέτης.
Για τους σκοπούς τους οι επιστήμονες χρησιμοποίησαν ανθρωποειδή ρομπότ ΝΑΟ της SoftBank Robotics, που μεταδίδουν διαφορετικά συναισθήματα αλλάζοντας το χρώμα των ματιών, την κίνηση των μελών και τον τόνο της φωνής. Στην έρευνα συμμετείχαν 35 παιδιά με αυτισμό- 17 από την Ιαπωνία και 18 από τη Σερβία- ηλικιών 3-13. Τα παιδιά αντιδρούσαν με διάφορους τρόπους στα ρομπότ κατά τις 35λεπτες συνεδρίες, με τις αντιδράσεις τους να ποικίλλουν- από βαρεμάρα μέχρι χοροπηδητά, παλαμάκια, γέλια κλπ. Σύμφωνα με τους ερευνητές, τα περισσότερα από τα παιδιά αντιμετώπισαν το ρομπότ όχι σαν παιχνίδι, αλλά σαν πραγματικό άνθρωπο.
Τα προσωποποιημένα δίκτυα deep learning των ρομπότ φτιάχτηκαν πάνω σε στρώματα βίντεο, ηχητικών και δεδομένων φυσικής δραστηριότητας, πληροφορίες για τις διαγνώσεις και ικανότητες των παιδιών, στοιχεία για την κουλτούρα από την οποία προέρχονται κ.α. Οι εκτιμήσεις πάνω στη συμπεριφορά των παιδιών συγκρίθηκαν με εκτιμήσεις από πέντε ανθρώπους ειδικούς, που κωδικοποίησαν τις εγγραφές βίντεο και ηχητικών σε μια συνεχή κλίμακα αξιολόγησης ανησυχίας/ ενδιαφέροντος/ εμπλοκής. Με βάση αυτά τα δεδομένα, τα δίκτυα βελτίωσαν σημαντικά την αυτόματη εκτίμηση της συμπεριφοράς του παιδιού για τα περισσότερα από τα παιδιά της μελέτης, σημειώνοντας καλύτερες επιδόσεις με την προσωποποιημένη αυτή προσέγγιση από ό,τι θα επιτυγχανόταν με μία γενική (ίδια για όλους).
* Οι απόψεις του ιστολογίου μπορεί να μη συμπίπτουν με τις απόψεις του/της αρθρογράφου ή τα περιεχόμενα του άρθρου.
0 Σχόλια