De nombreux enfants autistes sont confrontés à des retards de développement, y compris les problèmes de communication et de comportement et les difficultés d'interaction sociale. Cela fait de l'apprentissage de nouvelles compétences un défi majeur, en particulier dans les environnements scolaires traditionnels.

Des recherches antérieures suggèrent que les robots d'assistance sociale peuvent aider les enfants autistes à apprendre. Mais ces interventions thérapeutiques fonctionnent mieux si le robot peut interpréter avec précision le comportement de l'enfant et réagir de manière appropriée.

Maintenant, des chercheurs du département d'informatique de l'USC ont développé des robots d'apprentissage personnalisés pour les enfants autistes. Ils ont également étudié si les robots pouvaient estimer l'intérêt d'un enfant pour une tâche en utilisant l'apprentissage automatique.

Dans l'une des plus grandes études du genre, les chercheurs ont placé un robot d'assistance sociale au domicile de 17 enfants autistes pendant un mois. Les robots ont personnalisé leurs instructions et leurs commentaires en fonction des modèles d'apprentissage uniques de chaque enfant pendant les interventions.

Une fois l'étude terminée, les chercheurs ont également analysé l'engagement des participants et déterminé que le robot aurait pu détecter de manière autonome si l'enfant était engagé ou non avec une précision de 90 %. Les résultats des expériences ont été publiés dans le Frontières de la robotique et de l'IA et Robotique scientifique , journaux les 6 novembre et 26 février, respectivement.

Rendre les robots plus intelligents

Les robots sont limités dans leur capacité à reconnaître et à répondre de manière autonome aux signaux comportementaux, en particulier dans les utilisateurs atypiques et les environnements réels. Cette étude est la première à modéliser les modèles d'apprentissage et l'engagement des enfants autistes à long terme, cadre à domicile.

"Les systèmes robotiques actuels sont très rigides, " a déclaré l'auteur principal Shomik Jain, un étudiant en mathématiques progressives conseillé par le professeur Maja Matarić, pionnier de la robotique d'assistance sociale.

"Si vous pensez à un véritable environnement d'apprentissage, l'enseignant va apprendre des choses sur l'enfant, et l'enfant apprendra des choses d'eux. C'est un processus bidirectionnel et cela n'arrive pas avec les systèmes robotiques actuels. Cette étude vise à rendre les robots plus intelligents en comprenant le comportement de l'enfant et en y répondant en temps réel."

Les chercheurs soulignent que l'objectif est d'augmenter la thérapie humaine, pas le remplacer.

"Les thérapeutes humains sont essentiels, mais ils peuvent ne pas toujours être disponibles ou abordables pour les familles, " a déclaré Kartik Mahajan, un étudiant de premier cycle en informatique et co-auteur de l'étude. "C'est là qu'interviennent les robots d'assistance sociale comme celui-ci."

Améliorer l'expérience d'apprentissage

Financé par une subvention de la National Science Foundation (NSF) accordée à Matarić, l'équipe de recherche a placé le robot Kiwi dans les maisons de 17 enfants atteints de troubles du spectre autistique pendant environ un mois. Les enfants participants étaient tous âgés de 3 à 7 ans et originaires de la grande région de Los Angeles.

Lors d'interventions quasi quotidiennes, les enfants ont joué à des jeux de mathématiques sur le thème de l'espace sur une tablette tandis que Kiwi, un robot de 2 pieds de haut habillé comme un oiseau à plumes vertes, fourni des instructions et des commentaires.

Les commentaires de Kiwi et la difficulté des jeux ont été personnalisés en temps réel en fonction des modèles d'apprentissage uniques de chaque enfant. L'équipe de Matarić du USC Interaction Lab a accompli cela en utilisant l'apprentissage par renforcement, un sous-domaine en croissance rapide de l'intelligence artificielle (IA).

Les algorithmes surveillaient les performances de l'enfant sur les jeux mathématiques. Par exemple, si un enfant a répondu correctement, Kiwi dirait quelque chose comme, "Bon travail!". S'ils se sont trompés de question, Kiwi peut leur donner quelques conseils utiles pour résoudre le problème, et ajustez la difficulté et les commentaires dans les prochains jeux. Le but était de maximiser la difficulté, tout en ne poussant pas l'apprenant à faire trop d'erreurs.

"Si vous n'avez aucune idée du niveau d'aptitude de l'enfant, vous leur jetez juste un tas de problèmes variés et ce n'est pas bon pour leur engagement ou leur apprentissage, " dit Jaïn.

"Mais si le robot est capable de trouver un niveau de difficulté approprié pour les problèmes, alors cela peut vraiment améliorer l'expérience d'apprentissage."

La frontière ultime

Il existe un dicton populaire parmi les personnes autistes et leurs familles :si vous avez rencontré une personne autiste, vous avez rencontré une personne autiste.

"L'autisme est la frontière ultime pour la personnalisation robotique, car comme vous le dira quiconque connaît l'autisme, chaque individu a une constellation de symptômes et différentes sévérités de chaque symptôme, " dit Matarić, Chan Soon-Shiong professeur émérite d'informatique, Neurosciences, et pédiatrie et vice-président par intérim de la recherche.

Cela représente un défi particulier pour l'apprentissage automatique, qui repose généralement sur la détection de modèles cohérents dans d'énormes quantités de données similaires. C'est pourquoi la personnalisation est si importante.

"Si nous prenons exemple sur un enfant, nous pouvons faire bien plus que simplement suivre un script, " a déclaré Matarić. "Les approches normales de l'IA échouent avec l'autisme. Les méthodes d'IA nécessitent beaucoup de données similaires et ce n'est tout simplement pas possible avec l'autisme, où règne l'hétérogénéité."

Les chercheurs ont abordé ce problème dans leur analyse de l'engagement des enfants après l'intervention. Des modèles informatiques d'engagement ont été développés en combinant de nombreux types de données, y compris le regard et la pose de la tête, hauteur et fréquence audio, et la performance sur la tâche.

Faire fonctionner ces algorithmes en utilisant des données du monde réel a représenté un défi majeur, étant donné le bruit et l'imprévisibilité qui l'accompagnent.

"Cette expérience était au centre de leur expérience d'apprentissage, " dit Kartik, qui a aidé à installer les robots dans les maisons des enfants.

"Il y avait des chats qui sautaient sur le robot, un mixeur qui part dans la cuisine, et les gens qui entrent et sortent de la pièce. les algorithmes d'apprentissage automatique devaient être suffisamment sophistiqués pour se concentrer sur les informations pertinentes liées à la séance de thérapie et écarter le « bruit » environnemental.

Améliorer l'interaction homme-robot

Les évaluations ont été menées avant et après les interventions d'un mois. Alors que les chercheurs s'attendaient à voir des améliorations chez les participants, les résultats ont dépassé leurs attentes. A la fin du mois d'intervention, 100 % des participants ont démontré de meilleures compétences en mathématiques, tandis que 92% ont également amélioré leurs compétences sociales.

Dans les analyses post-expérimentales, les chercheurs ont également pu glaner d'autres informations intéressantes à partir des données qui pourraient nous donner un aperçu de la recette des interactions enfant-robot idéales.

L'étude a observé un engagement plus élevé pour tous les participants peu de temps après que le robot ait parlé. Spécifiquement, les participants étaient engagés environ 70 % du temps lorsque le robot avait parlé dans la minute précédente, mais moins de 50 % du temps lorsque le robot n'avait pas parlé pendant plus d'une minute.

Alors qu'un modèle personnalisé pour chaque utilisateur est idéal, les chercheurs ont également déterminé qu'il était possible d'obtenir des résultats adéquats en utilisant des modèles d'engagement formés sur les données d'autres utilisateurs.

De plus, l'étude a observé que les soignants n'avaient à intervenir que lorsqu'un enfant perdait tout intérêt pendant une période de temps plus longue. En revanche, les participants se sont généralement réengagés par eux-mêmes après des périodes de désintérêt plus courtes. Cela suggère que les systèmes robotiques devraient se concentrer sur la lutte contre les périodes de désengagement plus longues.

Le laboratoire de Matarić continuera d'étudier les données recueillies lors de l'expérience :un sous-projet actif consiste à analyser et à modéliser les états cognitivo-affectifs des enfants, y compris des émotions telles que la confusion ou l'excitation. Le projet, dirigé par l'étudiant diplômé en informatique Zhonghao Shi, vise à concevoir des robots tuteurs d'assistance sociale conscients de l'affect et encore plus sensibles aux émotions et aux humeurs de ses utilisateurs dans le cadre de l'apprentissage.

"L'espoir est que les futures études dans ce laboratoire et ailleurs puissent prendre toutes les choses que nous avons apprises et, espérons-le, concevoir des interactions homme-robot plus engageantes et personnalisées, " dit Jaïn.