社交辅助机器人帮助自闭症儿童学习

南加利福尼亚大学研究人员专为自闭症儿童开发了个性化的学习机器人，并研究了这些机器人是否能够在长期的家庭治疗干预中自主评估儿童的参与度。

许多患有自闭症的儿童都面临着发育迟缓的问题，包括沟通和行为挑战以及社交困难等。因此，他们难以学习新技能，在传统的学校环境中尤为如此。

以往研究表明，社交辅助机器人能够支持自闭症儿童的学习。但是，如果机器人能够准确解读孩子的行为并给出适当的反应，将能够发挥治疗干预的最大成效。

现在，南加利福尼亚大学计算机科学系的研究人员为自闭症儿童开发了个性化的学习机器人。他们还研究了机器人能否通过机器学习评估孩子对某项任务的兴趣。

研究人员所开展的研究是同类研究中规模最大一项，其中，研究人员将一个社交辅助机器人放在17名自闭症儿童的家中，为期一个月。机器人针对每个孩子在干预过程中的独特学习模式提供了个性化的指导和反馈。

研究完成后，研究人员还分析了7名受试者的参与度，确定机器人可以自主检测孩子是否参与，准确率达90%。这些实验成果先后在11月6日和2月26日的《Frontiers in Robotics and AI》和《Science Robotics》期刊上发表。

让机器人更智能

机器人的自主识别和响应行为线索的能力有限，尤其是在非典型用户和现实环境中。该项研究是首个在长期家庭环境中对自闭症儿童的学习模式和参与度进行建模的研究。

第一作者Shomik Jain说道：“目前的机器人系统还非常死板。”Shomik Jain是一名数学专业本硕连读学生，接受了社会辅助机器人研究先锋Maja Matarić教授的指导。

Shomik Jain表示：“你可以设想一个真正的学习环境，也就是老师会去尝试了解孩子，孩子也会向老师学习。这是一个双向的过程，目前的机器人系统还无法实现这点。这项研究的目的是要理解孩子的行为并实时做出反应，让机器人更智能。”

研究人员强调，他们的研究目标旨在辅助增强人类疗法，而非取代。

计算机科学本科生也是本研究的共同作者Kartik Mahajan说道：“人类治疗师的角色非常重要，但并不是所有的家庭都能获得或能够承担所需的费用。所以我们才需要研究社交辅助机器人。”

增强学习体验

在多所大学的资助下，南加利福尼亚大学的美国国家科学基金会 (NSF) 计算远征计划由Matarić领头，南加利福尼亚大学Viterbi工程学院工程教育教授Gigi Ragusa担任共同负责人，后者提供了关键领域的专业知识。在该计划中，研究团队将机器人Kiwi放在17个自闭症儿童的家中。由来自大洛杉矶地区的Ragusa负责招募了年龄在3-7岁的儿童和他们的家人，并进行了筛选和评估。

孩子们几乎每天都会接受干预，他们会在平板电脑上玩太空主题的数学游戏，而2英尺高看起来就像一只绿羽鸟的机器人Kiwi则在旁提供指导和反馈。

Kiwi的反馈和游戏难度会根据每个孩子的独特学习模式进行实时个性化调整。南加利福尼亚大学互动实验室中的Matarić团队利用强化学习完成了这项任务，强化学习是人工智能 (AI) 的一个分支，近年来发展迅速。

机器人会使用算法监控孩子在数学游戏中的表现。比如说，如果一个孩子回答正确，Kiwi就会说:“太棒了！”如果他们答错了，那Kiwi可能会提供一些指导性的提示来引导他们解决问题，并在后续游戏中调整难度和反馈。这样，就可以尽量探索学习者的难度上限，同时也不会让他们遇到太多的难题。

Jain说道：“如果你不了解孩子的能力水平如何，只是扔给他们一堆难度各异的问题，这非常不利于他们的投入或学习进步。但是如果能通过机器人确定适当的问题难度级别，那就可以真正增强学习者的学习体验。”

终极前沿

在自闭症患者和他们的家人中，有一种说法广为流传：如果你遇到一个自闭症患者，你会遇到一个孤独症患者。

计算机科学、神经科学、小儿科Chan Soon-Shiong杰出教授兼临时研究副主任Matarić表示：“自闭症是机器人个性化的终极前沿，任何了解自闭症的人都会告诉你，每个人都会有一系列的症状，每种症状的严重程度也存在差异。”

这给机器学习带来了特别的挑战，因为机器学习通常依赖于从大量相似数据中找出一致的模式。正因如此，个性化才显得尤为重要。

Matarić说道“如果我们能够利用到孩子表现出来的线索，我们的干预成果就能远远超过照本宣科的模式。要辅助自闭症的干预，常规的人工智能没有助益。人工智能需要大量的相似数据，但这对于具有异质性的自闭症来说是不可能的。”

研究人员通过对干预后儿童参与度情况展开分析，解决了这个问题。参与度计算机模型的开发结合了多种类型的数据，包括眼睛注视和头部姿势、音调和音频以及任务表现等。

而现实世界中必然会伴随噪音和不可预测性，这给使用现实世界数据的算法工作带来了重大挑战。

负责在孩子们家中安放机器人的Kartik说道：“这个实验就是围绕他们的学习体验而开展的。

在他们的学习过程中，不时有猫跳到机器人上，厨房的搅拌机响动，还有人在房间里进进出出。”因此，机器学习算法会非常复杂，才能确保专注于与治疗过程相关的信息，滤掉环境“噪音”。

改善人机交互技术

研究人员对干预一个月前和干预一个月后的孩子们表现进行了评估。虽然研究人员预料到参与者的情况会有一些改善，但结果超出了他们的预期。据该研究项目中负责所有儿童评估的Ragusa称，在当月的干预结束时，100%的参与者均表现出数学能力提高，92%的儿童的社交能力也有所改善。

在实验后的分析中，研究人员还从数据中收集到了一些其他有意义的信息，通过这些信息，我们窥见了理想的儿童-机器人交互方式。

研究发现，在机器人说话后不久，所有参与者的参与度都提高了。更确切地说，机器人说话后一分钟内，参与者参与的时间约为70%，而如果机器人超过一分钟没有说话，则参与者参与的时间不到50%。

虽然最理想情况下，应该是针对每个用户产生个性化模型，但研究人员还发现，使用根据其他用户数据生成的交互模型也有可能获得良好成效。

此外，该研究还观察到，只有在孩子较长时间丧失学习兴趣时，照护者才需要执行干预。与此相反的是，参与者没有兴趣的持续时间通常较短，然后会自行重新投入。这表明机器人系统应该将重点放在如何应对较长时间的兴趣脱离问题。

研究团队将继续研究从实验中收集的数据：目前的一个子项目涉及分析儿童的认知-情感状态并进行建模，包括困惑或兴奋等情绪。该项目由计算机科学本硕连读学生Zhonghao Shi主导，旨在设计具有情感感知功能的社交辅助机器人导师，这种类型的机器人对用户在学习过程中的情绪和情感更为敏感。

Jain表示：“我们希望未来这个实验室和其他地方能够开展更深入的研究，利用我们的所知所学，设计出更具吸引力、个性化更强的人机交互。”

编辑：Caitlin Dawson

头图：（从左至右）第一作者SHOMIK JAIN与共同作者KARTIK MAHAJAN和ZHONGHAO SHI，都是MAJA MATARI教授互动实验室的学生，还有社交辅助机器人KIWI。摄影/HAOTIAN MAI