摘要：一项新的研究概述了人工智能驱动的手写分析如何成为幼儿阅读障碍和障碍症的早期检测工具。...

一项由布法罗领导的新大学概述了人工智能驱动的手写分析如何成为幼儿阅读障碍和障碍症的早期检测工具。

日记中介绍的作品SN计算机科学，目的是增加当前的筛选工具，这些工具有效但可能是昂贵的，耗时的，并且一次只关注一个条件。

最终，这可能是全国范围内的言语病理学家和职业治疗师的短缺，他们在诊断阅读障碍和障碍症中都起着关键作用。

"Catching these neurodevelopmental disorders early is critically important to ensuring that children receive the help they need before it negatively impacts their learning and socio-emotional development. Our ultimate goal is to streamline and improve early screening for dyslexia and dysgraphia, and make these tools more widely available, especially in underserved areas," says the study's corresponding author Venu Govindaraju, PhD, SUNY Distinguished Professor in the Department of Computer UB的科学与工程。

这项工作是国家AI特殊教育研究所的一部分，该研究所是UB领导的研究组织，该组织开发了AI系统，识别和帮助患有言语和语言处理障碍的幼儿。

建立在先前的手写识别工作的基础上

几十年前，Govindaraju及其同事采用机器学习，自然语言处理和其他形式的AI进行了开创性的工作来分析笔迹，美国邮政服务和其他组织的进步仍然用于自动化邮件的分类。

这项新研究提出了类似的框架和方法，以识别拼写问题，不良的字母形成，写作组织问题以及阅读障碍和障碍症的其他指标。

它旨在基于先前的研究，该研究更多地集中在使用AI检测功能障碍（在这两种情况下较不常见），因为它会引起身体差异，这些差异在孩子的笔迹中易于观察到。这种方式的阅读障碍更加困难，因为它更多地关注阅读和语音，尽管某些行为（例如拼写）提供了线索。

该研究还指出，与儿童一起培训AI模型的手写示例短缺。

从K-5学生那里收集样品

为了应对这些挑战，由Govindaraju领导的UB计算机科学家团队收集了教师，语言病理学家和职业治疗师的见解，以帮助确保他们开发的AI模型在课堂和其他环境中可行。

UB计算机科学与工程系的博士生Sahana Rangasrinivasan说：“从最终用户的角度来看，检查这些问题并构建AI增强工具非常重要。”

该团队还与内华达大学里诺大学识字研究副教授Abbie Olszewski合作，他共同开发了持续指标清单（DDBIC），以识别次数障碍和发病障碍之间重叠的症状。

该团队在里诺的一所小学上收集了纸张和平板电脑从幼儿园到五年级学生的样品。该研究的这一部分得到了委员会的批准，数据被匿名为保护学生隐私。

他们将使用此数据进一步验证DDBIC工具，该工具的重点是在写作之前，期间和之后发生的17个行为提示；训练AI模型以完成DDBIC筛选过程；并比较模型与管理测试的人的有效性。

工作强调公共利益的AI

该研究描述了团队的模型如何使用：

• 通过分析写作速度，压力和笔动作来检测运动困难。
• 检查笔迹的视觉方面，包括字母大小和间距。
• 将手写转换为文本，发现拼写错误，字母逆转和其他错误。
• 根据语法，词汇和其他因素确定更深层次的认知问题。

最后，它讨论了将所有这些模型结合在一起的工具，总结了它们的发现，并提供了全面的评估。

UB的研究合着者Sumi Suresh博士说：“这项正在进行的工作显示了如何将AI用于公共物品，为需要它的人提供工具和服务。”

其他合着者包括Amrita高级研究所和UB计算机科学与工程系名誉教授的Bharat Jayarman博士； UB统一生物识别和传感器中心的首席研究科学家Srirangaraj Setlur。