فراتاب: هوش مصنوعی آغازی است برای پایانِ انتظار؛ انتظاری که خانواده‌ها برای شناخت نشانه‌های اتیسم در فرزندانشان تجربه می‌کنند. پژوهشی درباره تحلیل رفتارهای حرکتی کودکان ۶ تا ۱۳ سال نشان داده است که هوش مصنوعی می‌تواند با دقتی حدود ۸۰ تا ۸۵ درصد، میان کودکان دارای اتیسم و کودکان با رشد معمول تمایز قائل شود؛ یافته‌ای که شاید راه را برای شناسایی نشانه‌ها و پیگیری تخصصی هموارتر کند.
بررسی حرکات به جای تکیه بر پرسش‌نامه
پژوهشگران دانشگاه پنسیلوانیا در تلاش هستند با کمک هوش مصنوعی، زمان مورد نیاز برای ارزیابی اتیسم را کاهش دهند و این فرایند را عینی‌تر کنند. ابزار ابداعی آنها، سامانه‌ای به نام CAMI (ارزیابی رایانه‌ای تقلیدی حرکتی)، با روش‌هایی که بیشتر بر پرسش‌نامه تکیه دارند، تفاوت دارد. این ابزار الگوهای حرکتی و کیفیت تقلید کودک را بررسی می‌کند.
CAMI چگونه کار می‌کند؟
شیوه کار این سامانه نسبتاً ساده است. از کودک خواسته می‌شود مقابل یک نمایش ویدئویی بنشیند و حرکات فردی را که در تصویر می‌بیند، تکرار کند. در همین مرحله، هوش مصنوعی کیفیت و دقت حرکات کودک و نحوه اجرای آنها را بررسی می‌کند.
انتخاب این روش ارزیابی بی‌دلیل نیست. توانایی تقلید حرکتی یکی از شاخص‌های رفتاری مورد توجه در پژوهش‌های مرتبط با اتیسم است. سامانه CAMI با استفاده از الگوریتم‌های هوش مصنوعی تلاش می‌کند تأثیر عوامل محیطی را کاهش دهد و بیشتر بر نحوه تقلید کودک تمرکز کند.
بررسی ۱۸۳ کودک در یک مطالعه
این مطالعه روی ۱۸۳ کودک ۶ تا ۱۳ ساله انجام شده است. بر اساس اطلاعات منتشرشده درباره این پژوهش، سامانه CAMI توانسته با دقتی حدود ۸۰ تا ۸۵ درصد میان کودکان دارای اتیسم و کودکان با رشد معمول تمایز قائل شود.
با این حال، این عدد به‌تنهایی به معنای تشخیص قطعی اتیسم نیست و برای درک دقیق آن باید دید پژوهشگران چه شاخصی را اندازه‌گیری کرده‌اند و نتایج در چه شرایطی به دست آمده است.
ابزاری کمکی، نه جایگزین پزشک
پژوهشگران تأکید دارند که هدف از طراحی CAMI، جایگزینی پزشکان نیست. این سامانه قرار است به‌عنوان ابزاری کمکی در کلینیک‌ها، مراکز آموزشی و فرایند ارزیابی خانواده‌محور مورد استفاده قرار گیرد تا متخصصان بتوانند با اطلاعات بیشتری عملکرد کودک را بررسی کنند.
پروفسور رنه ویرال، از اعضای کلیدی این پروژه، توضیح داده است که این ابزار می‌تواند جزئیات ظریفی از رفتارهای حرکتی را آشکار کند که ممکن است در آزمون‌های رایج کمتر مورد توجه قرار بگیرند.
نقش عوامل محیطی در ارزیابی
کالئوب کنیفو، دانشجوی دکترای فعال در این پروژه، به عواملی مانند زاویه دید، شدت روشنایی و دیگر متغیرهای محیطی اشاره می‌کند که می‌توانند بر کیفیت تصاویر تأثیر بگذارند. به گفته او، مدل هوش مصنوعی به‌گونه‌ای آموزش دیده است که اثر این عوامل را کاهش دهد و بر عملکرد حرکتی کودک تمرکز کند.
خروجی نهایی سامانه، یک امتیاز عددی برای عملکرد تقلیدی کودک است. پژوهشگران از این امتیاز به‌عنوان یکی از مؤلفه‌های کمکی برای ارزیابی احتمال قرار گرفتن کودک در طیف اتیسم استفاده می‌کنند.
در مجموع، CAMI می‌تواند راهی تازه برای بررسی رفتارهای حرکتی کودکان فراهم کند؛ با این حال، نقش آن در ارزیابی اتیسم باید در کنار بررسی تخصصی و سایر اطلاعات مربوط به کودک دیده شود.
نویسنده: صبا منصوری از اعضای مدرسه روزنامه‌نگاری فراتاب – دوره 17م
