L’IA détecte les modèles de parole pour l’autisme dans différentes langues

Sommaire: Les algorithmes d’apprentissage automatique aident les chercheurs à identifier les modèles de parole chez les enfants autistes qui sont cohérents entre différentes langues.

la source: Université du nord-ouest

Une nouvelle étude menée par des chercheurs de l’Université Northwestern a utilisé l’apprentissage automatique – une branche de l’intelligence artificielle – pour identifier les modèles de parole chez les enfants autistes qui étaient cohérents entre l’anglais et le cantonais, suggérant que les caractéristiques de la parole peuvent être un outil utile pour diagnostiquer la maladie.

Menée avec des collaborateurs à Hong Kong, l’étude a fourni des informations qui pourraient aider les scientifiques à faire la distinction entre les facteurs génétiques et environnementaux qui façonnent les capacités de communication des personnes autistes, ce qui pourrait les aider à en savoir plus sur les origines de la maladie et à développer de nouveaux traitements.

Les enfants autistes parlent souvent plus lentement que les enfants au développement normal, et ils présentent d’autres différences de ton, de tonalité et de rythme. Mais ces différences (que les chercheurs appellent « différences accidentelles ») ont été étonnamment difficiles à caractériser de manière cohérente et objective, et leurs origines sont restées floues pendant des décennies.

Cependant, une équipe de chercheurs dirigée par les scientifiques du Nord-Ouest Molly Loach et Joseph C.Y. Lau, ainsi que le collaborateur basé à Hong Kong Patrick Wong et son équipe, ont utilisé avec succès l’apprentissage automatique supervisé pour identifier les différences de langage associées à l’autisme.

Les données utilisées pour former l’algorithme étaient des enregistrements de jeunes hommes anglophones et cantonais avec et sans autisme racontant leur propre version du storyboard dans un livre d’images pour enfants sans paroles intitulé « Frog, where are you? »

Les résultats ont été publiés dans la revue UN DE PLUS Le 8 juin 2022.

Loach, une Jo-Ann J. Pierre F Dolly est professeur de troubles d’apprentissage à la Northwestern University.

« Mais la variance que nous avons observée est également intéressante, ce qui peut indiquer des caractéristiques de parole plus fluides, qui seraient potentiellement de bonnes cibles d’intervention. »

Lau a ajouté que l’utilisation de l’apprentissage automatique pour identifier les éléments clés du discours qui étaient prédictifs de l’autisme est un pas en avant important pour les chercheurs, qui ont été limités par le biais anglais dans l’autisme et la recherche sur la subjectivité humaine lorsqu’il s’agit de classer les différences de discours. entre autistes et non-autistes.

« En utilisant cette méthode, nous avons pu identifier les traits de parole qui peuvent prédire un diagnostic d’autisme », a déclaré Lau, un chercheur postdoctoral travaillant avec Loach au département Roxlin et Richard Pepper des sciences et des troubles de la communication à Northwestern.

« La plus notable de ces caractéristiques est le rythme. Nous espérons que cette étude servira de base à de futurs travaux sur l’autisme qui améliorent l’apprentissage automatique. »

Les chercheurs pensent que leur travail a le potentiel de contribuer à une meilleure compréhension de l’autisme. Lau a déclaré que l’IA a le potentiel de faciliter le diagnostic de l’autisme en aidant à réduire le fardeau des professionnels de la santé, rendant le diagnostic de l’autisme plus accessible à un plus grand nombre de personnes. Cela pourrait également fournir un outil qui pourrait un jour transcender les cultures, grâce à la capacité d’un ordinateur à analyser les mots et les sons de manière quantitative, quelle que soit la langue.

Étant donné que les caractéristiques de la parole identifiées via l’apprentissage automatique comprennent à la fois des caractéristiques communes à l’anglais, au cantonais et à celles spécifiques à une langue, a déclaré Loch, l’apprentissage automatique pourrait être utile pour développer des outils qui non seulement identifient les aspects de la parole appropriés pour les interventions thérapeutiques, mais mesurent également l’impact de ces interventions en évaluant les progrès de l’orateur au fil du temps.

Enfin, les résultats de l’étude pourraient éclairer les efforts visant à identifier et à comprendre le rôle de gènes spécifiques et de mécanismes de traitement du cerveau impliqués dans la susceptibilité génétique à l’autisme, ont déclaré les auteurs. En fin de compte, leur objectif est de former une image plus complète des facteurs qui composent les personnes ayant des différences d’élocution autistiques.

« L’un des réseaux cérébraux impliqués est la voie auditive au niveau sous-cortical, qui est étroitement liée aux différences dans la façon dont les sons de la parole sont traités dans le cerveau par les personnes autistes par rapport à ceux qui se développent généralement à travers les cultures », a déclaré Lau.

La prochaine étape consistera à déterminer si ces différences de traitement dans le cerveau conduisent aux modèles de discours comportementaux que nous observons ici, et à la neurogénétique qui les sous-tend. Nous sommes ravis de ce qui va arriver. »

voir également

À propos de cette actualité de la recherche pour l’IA et les TSA

auteur: Max Wittinski
la source: Université du nord-ouest
Contact: Max Wittinsky – Université Northwestern
image: L’image est dans le domaine public

recherche originale : libre accès.
« Modèles interlinguistiques des différences de langage dans l’autisme : une étude d’apprentissage automatiqueÉcrit par Joseph C. Y. Lau et al. UN DE PLUS

Sommaire

Modèles interlinguistiques des différences de langage dans l’autisme : une étude d’apprentissage automatique

Les différences dans la présentation de la parole sont une caractéristique largement observée des troubles du spectre autistique (TSA). Cependant, on ne sait pas comment les différences stéréotypées de TSA dans différentes langues montrent une variance interlinguistique dans la présentation.

À l’aide d’une approche d’apprentissage automatique supervisé, nous avons examiné les caractéristiques vocales pertinentes pour les aspects rythmiques et tonals des performances dérivées d’échantillons narratifs obtenus en anglais et en cantonais, deux langues généralement distinctes et épisodiques.

Nos modèles ont révélé une classification réussie du diagnostic de TSA en utilisant des caractéristiques relatives du rythme dans et entre les deux langues. La classification avec des caractéristiques liées à l’intonation était importante pour l’anglais mais pas pour le cantonais.

Les résultats mettent en évidence les différences de tempo en tant que caractéristique symptomatique majeure affectée dans les TSA, et montrent également une variance significative dans d’autres caractéristiques générales qui semblent être façonnées par des différences spécifiques à la langue, telles que l’intonation.