人工智能手写分析助力早期识别阅读障碍和书写障碍

一项由美国布法罗大学领导的新研究显示，基于人工智能的手写分析可能成为早期识别儿童阅读障碍（dyslexia）和书写障碍（dysgraphia）的有效工具。这项研究发表在《SN计算机科学》期刊上，旨在补充现有的筛查工具，这些工具虽然有效但成本高昂、耗时且一次只能检测一种状况。研究团队的目标是通过简化和改进早期筛查，使更多地区尤其是服务不足的地区能够受益。 研究负责人、布法罗大学计算机科学与工程系的Venu Govindaraju教授强调了早期发现这些神经发育障碍的重要性。他表示：“早期诊断对于确保儿童在接受学业和社会情感发展受影响之前获得所需帮助至关重要。我们的最终目标是让AI筛查工具更加普及，特别是惠及缺乏专业医疗资源的地区。” 这一研究是布法罗大学牵头的全国特殊教育人工智能研究所的一部分，该机构致力于开发能够识别并协助年轻儿童处理语言和语音障碍的AI系统。早在数十年前，Govindaraju和他的同事们就利用机器学习、自然语言处理等AI技术进行手写识别的研究，这些成果至今仍然被美国邮政服务等机构用于邮件自动分拣。 新研究提出了一种框架和方法，通过分析手写的拼写错误、字母形成不良、写作组织问题等特征来识别阅读障碍和书写障碍。研究特别提到，由于书写障碍会导致儿童的书写出现明显的物理差异，因此之前的AI研究更多关注这一方面。而识别阅读障碍则较为困难，因为它主要与阅读和口语能力有关，尽管拼写等行为可以提供一些线索。 为了克服儿童手写样本不足的问题，研究团队收集了内华达州里诺市一所小学从幼儿园到五年级学生的纸笔和平板电脑书写样本。伦理委员会批准了这项数据收集工作，学生个人信息也被匿名处理以保护隐私。 研究团队还包括来自内华达大学里诺分校读写研究中心的Abbie Olszewski教授，她与布法罗大学合作开发了《书写障碍和阅读障碍行为指标清单》（DDBIC），用以识别两种障碍之间的重叠症状。该清单关注了17个在书写前后出现的行为迹象，团队计划利用收集的数据进一步验证这一工具，并训练AI模型完成DDBIC筛查过程，以评估其效果与人工测试的比较。 此外，该团队还开发了一种综合工具，能够结合所有AI模型的数据，提供全面的评估报告。这一工作的推进展示了AI如何为公共利益服务，为最需要帮助的人群提供支持。研究的其他作者包括Amrita高级研究院的Bharat Jayaraman教授和布法罗大学统一生物特征与传感器中心的Srirangaraj Setlur博士等。