先前的研究表明，社交辅助机器人可以帮助自闭症儿童学习。但是，如果机器人能够准确地解释孩子的行为并做出适当的反应，这些治疗干预就能发挥最佳效果。

现在，南加州大学计算机科学系的研究人员已经为自闭症儿童开发了个性化学习机器人。他们还研究了机器人是否可以用机器学习。

在同类研究中规模最大的一项研究中，研究人员在17名自闭症儿童的家中放置了一个社交辅助机器人，为期一个月。在干预过程中，机器人根据每个孩子独特的学习模式个性化他们的指令和反馈。

研究完成后，研究人员还分析了参与者的参与情况，并确定机器人能够自动检测出孩子是否以90%的准确率参与。实验结果发表在机器人学和人工智能的前沿和科学机器人学，期刊分别在11月6日和2月26日。

让机器人变得更聪明

机器人自主识别和响应行为线索的能力有限，特别是在非典型用户和现实环境中。这项研究是第一次模拟自闭症儿童在长期家庭环境中的学习模式和参与。

“目前的机器人系统非常僵化，”首席作者肖米克·贾恩说，他是一名进步的数学专业学生，由社会辅助机器人先驱玛加·马塔里奇教授担任顾问。

“如果你想到一个真正的学习环境，老师会了解孩子的情况，孩子也会从中学到东西。这是一个双向的过程，在当前的机器人系统中不会发生。这项研究旨在通过理解孩子的行为并实时做出反应，让机器人变得更聪明。

研究人员强调，目标是增强人类疗法，而不是取代它。

“人类治疗师是至关重要的，但他们可能并不总是可获得的或家庭负担得起的，”安大学本科生在计算机科学和研究合著者。“那是社交的地方辅助机器人像这样进来。"

 
增强学习体验

由国家科学基金会(NSF)给予马塔里奇的资助，研究小组将奇异果机器人放在17名自闭症谱系障碍儿童的家中，为期约一个月。儿童参与者年龄都在3到7岁之间，来自大洛杉矶地区。

在几乎每天的干预中，孩子们在平板电脑上玩空间主题的数学游戏，而奇异果，一个2英尺高的机器人，打扮成一只绿色的羽毛鸟，提供指导和反馈。

根据每个孩子独特的学习模式，猕猴桃的反馈和游戏的难度被实时个性化。马塔里奇在南加州大学互动实验室的团队通过强化学习实现了这一点，强化学习是人工智能的一个快速发展的分支。

算法监控孩子在数学游戏中的表现。例如，如果一个孩子回答正确，新西兰人会说:“干得好！”。如果他们答错了问题，奇异果可能会给他们一些有用的提示来解决问题，并在未来的游戏中调整难度和反馈。目标是最大化难度，同时也不要让学习者犯太多的错误。

“如果你不知道孩子的能力水平，你就向他们抛出一堆不同的问题，这对他们的参与和学习都没有好处，”贾恩说。

“但如果机器人能够为这些问题找到合适的难度，那就真的能增强学习体验。”

终极前沿

在自闭症患者及其家人中间有一句流行的谚语:如果你遇到了一个自闭症患者，你就遇到了一个自闭症患者。

“自闭症是机器人个性化的终极前沿，因为任何了解自闭症的人都会告诉你，每个人都有一系列症状和每种症状的不同严重程度，”陈顺兴(Chan Soon-Shiong)计算机科学、神经科学和儿科学杰出教授兼临时研究副总裁马塔里奇(Matari)说。

这给机器学习带来了特殊的挑战，机器学习通常依赖于在大量相似数据中发现一致的模式。这就是为什么个性化如此重要。

马塔里奇说:“如果我们从一个孩子身上得到启示，我们就能取得比仅仅遵循剧本更多的成就。”。“自闭症患者的正常人工智能方法失败了。人工智能方法需要大量相似的数据，而这在孤独症异质性占主导地位。"

研究人员在分析干预后儿童的参与情况时解决了这个问题。通过结合多种类型的数据，包括眼睛注视和头部姿势、音频音调和频率以及任务表现，开发了计算机参与模型。

考虑到伴随而来的噪音和不可预测性，让这些算法使用真实世界的数据是一个重大挑战。

“这个实验是他们学习经历的中心，”卡尔提克说，他帮助在孩子们的家里安装了机器人。

“有猫扑向机器人，厨房里有搅拌机在响，还有人进进出出。”因此，机器学习算法必须足够复杂，以关注与治疗期相关的信息，并消除环境“噪音”

改善人机交互

在为期一个月的干预前后进行评估。尽管研究人员预计参与者会有所改善，但结果超出了他们的预期。在这个月的干预结束时，100%的参与者表现出数学技能的提高，而92%的参与者在社交技能上也有所提高。

在实验后分析中，研究人员还能够从数据中收集到一些其他有趣的信息，这些信息可以让我们窥见理想的儿童机器人互动的秘诀。

该研究观察到，在机器人说话后不久，所有参与者的参与度都提高了。具体来说，当机器人在前一分钟发言时，参与者参与的时间约为70%，但当机器人超过一分钟没有发言时，参与者参与的时间不到50%。

虽然每个用户的个性化模型都是理想的，但研究人员还确定，使用根据其他用户的数据训练的参与模型，有可能获得足够的结果。

此外，该研究观察到，只有当儿童失去兴趣的时间更长时，护理人员才需要干预。相比之下，参与者通常会在短期的不感兴趣后重新投入。这表明机器人系统应该专注于对抗更长时间的脱离。

马塔里奇的实验室将继续研究从实验中收集的数据:一个活跃的子项目涉及分析和模拟儿童的认知情感状态，包括诸如困惑或兴奋等情感。该项目由计算机科学专业的进步学位学生石忠浩领导，旨在设计感知情感的社交辅助机器人导师，这些导师在学习过程中对用户的情感和情绪更加敏感。