AI reconhece padrões de fala autistas em diferentes idiomas

Resumo: Os algoritmos de aprendizado de máquina ajudam os pesquisadores a identificar padrões de linguagem em crianças no espectro do autismo que são consistentes entre os idiomas.

Fonte: Universidade do Noroeste

Um novo estudo liderado por pesquisadores da Northwestern University usou aprendizado de máquina – um ramo da inteligência artificial – para identificar padrões de linguagem em crianças com autismo que eram consistentes entre inglês e cantonês, sugerindo que os recursos da linguagem são uma ferramenta útil de diagnóstico da doença.

O estudo, realizado com colaboradores em Hong Kong, forneceu insights que podem ajudar os cientistas a distinguir entre fatores genéticos e ambientais que afetam as habilidades de comunicação de pessoas com autismo e potencialmente ajudá-los a aprender mais sobre as origens da experiência da condição e desenvolver novas terapias.

As crianças com autismo geralmente falam mais devagar do que as crianças com desenvolvimento normal e têm diferentes diferenças de tom, entonação e ritmo. Mas essas diferenças (chamadas de “diferenças prosódicas” pelos pesquisadores) foram surpreendentemente difíceis de caracterizar de maneira consistente e objetiva, e suas origens permaneceram obscuras por décadas.

No entanto, uma equipe de pesquisadores liderada pelos cientistas da Northwestern Molly Losh e Joseph CY Lau e o colaborador Patrick Wong de Hong Kong e sua equipe usaram com sucesso o aprendizado de máquina supervisionado para identificar diferenças de linguagem associadas ao autismo.

Os dados usados ​​para treinar o algoritmo foram gravações de jovens falantes de inglês e cantonês com e sem autismo contando sua própria versão da história ambientada em um livro infantil sem palavras chamado “Frog, Where Are You?”

Os resultados foram publicados na revista Mais um em 8 de junho de 2022.

“Quando você tem línguas que são tão estruturalmente diferentes, quaisquer semelhanças nos padrões de linguagem vistos no autismo em ambas as línguas são provavelmente traços fortemente influenciados pela propensão genética para o autismo”, disse Losh, que escreve o Jo Ann G. e é o Professor Peter F. Dolle de Dificuldades de Aprendizagem na Northwestern.

“Mas igualmente interessante é a variabilidade que observamos, o que pode indicar características da linguagem que são mais maleáveis ​​e potencialmente bons alvos para intervenção”.

Lau acrescentou que o uso do aprendizado de máquina para identificar os principais elementos da linguagem que predizem o autismo representa um avanço significativo para os pesquisadores que foram limitados pelo viés da língua inglesa na pesquisa do autismo e pela subjetividade das pessoas na classificação das diferenças de linguagem entre pessoas com autismo e aquelas sem.

“Usando esse método, conseguimos identificar características de linguagem que podem prever o diagnóstico de autismo”, disse Lau, pesquisador de pós-doutorado que trabalha com Losh no Departamento de Ciências e Distúrbios da Comunicação de Roxelyn e Richard Pepper.

“A mais marcante dessas características é o ritmo. Esperamos que este estudo possa ser a base para futuros trabalhos sobre autismo que usem aprendizado de máquina.”

Os pesquisadores acreditam que seu trabalho tem o potencial de contribuir para uma melhor compreensão do autismo. A inteligência artificial tem o potencial de facilitar o diagnóstico do autismo, ajudando a reduzir a carga sobre os profissionais de saúde e tornando o diagnóstico do autismo acessível a mais pessoas, disse Lau. Devido à capacidade do computador de analisar quantitativamente palavras e sons independentemente da linguagem, também poderia ser uma ferramenta que um dia poderia transcender culturas.

Como os recursos de linguagem identificados pelo aprendizado de máquina incluem aqueles específicos para inglês e cantonês, bem como para um idioma, o aprendizado de máquina pode ser útil para o desenvolvimento de ferramentas que não apenas identificam aspectos da linguagem que são passíveis de intervenções terapêuticas, mas também medem o impacto dessas intervenções avaliando o progresso de um orador ao longo do tempo.

Finalmente, as descobertas do estudo podem ajudar os esforços para identificar e entender o papel de genes específicos e mecanismos de processamento cerebral envolvidos na suscetibilidade genética ao autismo, disseram os autores. Em última análise, seu objetivo é criar uma imagem mais abrangente dos fatores que moldam as diferenças de linguagem de pessoas com autismo.

“Uma rede cerebral envolvida é a via auditiva no nível subcortical, que está fortemente associada a diferenças no processamento dos sons da fala no cérebro de indivíduos com autismo em comparação com aqueles que normalmente evoluem entre as culturas”, disse Lau.

“O próximo passo será identificar se essas diferenças de processamento no cérebro resultam nos padrões comportamentais observados aqui e na genética neural subjacente”. Estamos ansiosos para ver o que está por vir.”

Veja também

Sobre esta notícia de pesquisa de IA e ASD

Autor: Max Witnski
Fonte: Universidade do Noroeste
Contato: Max Witynski—Universidade do Noroeste
Foto: A imagem é de domínio público

Pesquisa original: Acesso livre.
“Padrões de linguagem cruzada de diferenças prosódicas de linguagem no autismo: um estudo em aprendizado de máquina‘ por Joseph CY Lau et al. MAIS UM

abstrato

Padrões de linguagem cruzada de diferenças prosódicas de linguagem no autismo: um estudo em aprendizado de máquina

Diferenças na prosódia da fala é uma característica amplamente observada do transtorno do espectro do autismo (TEA). No entanto, não está claro como as diferenças prosódicas no TEA se manifestam em diferentes idiomas, mostrando variabilidade entre idiomas na prosódia.

Usando uma abordagem analítica supervisionada com aprendizado de máquina, examinamos características acústicas relevantes para aspectos rítmicos e entoatórios da prosódia derivadas de amostras narrativas coletadas em inglês e cantonês, duas línguas tipológica e prosodicamente distintas.

Nossos modelos demonstraram uma classificação bem-sucedida do diagnóstico de TEA usando recursos relacionados ao ritmo dentro e entre os dois idiomas. A classificação com características relevantes para a entonação foi significativa para o inglês, mas não para o cantonês.

Os resultados destacam diferenças no ritmo como um importante traço prosódico influenciado no TEA, e também mostram importante variabilidade em outros traços prosódicos que parecem ser modulados por diferenças específicas da linguagem, como a entonação.