科学家使用人工智能来更好地预测儿童在学校挣扎的原因

科学家使用机器学习 - 一种人工智能 - 来自数百名在学校挣扎的儿童的数据，发现了一系列学习困难，这些困难与之前给予儿童的诊断不符。

来自剑桥大学医学研究委员会(MRC)认知和脑科学部门的研究人员表示，这加强了儿童接受对其认知技能的详细评估以确定最佳支持类型的必要性。

这项发表在“ 发育科学”杂志上的研究招募了550名被转介到诊所的儿童 - 注意学习和记忆中心 - 因为他们在学校里挣扎。

科学家表示，之前对学习困难的研究大部分都集中在已经被特别诊断的儿童身上，例如注意力缺陷多动障碍(ADHD)，自闭症谱系障碍或阅读障碍。无论诊断如何，通过包括所有困难的儿童，本研究更好地捕捉了诊断类别内的困难范围和重叠。

来自剑桥大学MRC认知和脑科学部门的Duncan Astle博士领导该研究说：“接受诊断是父母和有学习困难的儿童的重要里程碑，这可以识别孩子的困难并帮助他们获得支持但是，每天与这些孩子一起工作的父母和专业人员都会看到整洁的标签不能解决他们的个人困难 - 例如，一个孩子的多动症往往不像另一个孩子的多动症。

“我们的研究是首次将机器学习应用于广泛的数百名苦苦挣扎的学习者。”

该团队通过为计算机算法提供来自每个孩子的大量认知测试数据来做到这一点，包括听力技巧，空间推理，问题解决，词汇和记忆的测量。基于这些数据，该算法表明儿童最适合四组困难。

这些群组与其他儿童数据密切配合，例如父母的沟通困难报告，以及阅读和数学的教育数据。但是他们以前的诊断没有对应关系。为了检查这些分组是否与生物学差异相对应，对这些组进行了核对，检查了来自184名儿童的MRI脑部扫描。这些分组反映了儿童大脑部分内部连接的模式，这表明机器学习正在识别部分反映潜在生物学的差异。

确定的四个分组中有两个是：工作记忆技能的困难，以及用文字处理声音的困难。

工作记忆的困难 - 短期保留和信息操纵 - 与数学困难和以下列表等任务有关。处理语音中的声音(称为语音技能)的困难与阅读的挣扎有关。

Astle博士说：“过去的研究选择阅读能力差的孩子，在阅读困难和处理语言问题之间存在紧密联系。但通过观察有各种困难的孩子，我们意外地发现很多孩子有困难处理单词中的声音并不只是有阅读问题 - 他们也有数学问题。

“作为研究学习困难的研究人员，我们需要超越诊断标签，我们希望这项研究有助于开发更好的干预措施，更明确地针对儿童的个人认知困难。”

来自剑桥大学MRC认知和脑科学部门的Joni Holmes博士是该研究的高级作者，他说：“我们的研究表明，找到相同科目的儿童很难因为不同的原因而挣扎，选择适当干预措施的重要意义。“

确定的另外两个群体是：在许多地区具有广泛认知困难的儿童，以及具有其年龄的典型认知测试结果的儿童。研究人员指出，分组中具有典型年龄认知测试结果的儿童可能仍然有其他困难影响他们的学业，例如行为困难，这些都没有包括在机器学习中。

MRC神经科学和心理健康负责人Joanna Latimer博士说：“这些是有趣的，早期阶段的研究结果，开始研究如何应用机器学习等新技术来更好地理解大脑功能.MRC资金研究复杂网络在大脑中的作用，以帮助开发更好的方法来支持有学习困难的儿童。“