人工智能可为自闭症儿童提供语用评估与干预方案

自闭症谱系障碍（Autism Spectrum Disorder，ASD）是一种由脑部发育障碍所导致的疾病，其特征是情绪、言语和非言语的表达困难，并表现出社交障碍。人工智能（Artificial Intelligence，AI）作为致力于模拟及扩展人类智能的一门计算机科学新兴分支，可为患儿提供更加精细化的语用评估与干预方案。从知识、语言和行为三个层面探究多模态互动感知的人工智能技术，为患儿语用评估和干预策略的提出提供了路径。

自闭症儿童语用技能评估和干预相关研究

　　目前，患儿语用评估和干预研究尚处于实证探索阶段。针对患儿语用评估，就知识层面而言，迪赫（J. J. Diehl）和洛西（M. Losh）等人通过考查患儿叙事复述的相关性、话题性和连贯性，对患儿知识提取与信息整合的语用能力予以评估。就语言层面而言，卡兰达兹（T. Kalandadze）和塞雷苏埃拉（G. P. Cerezuela）对患儿在修辞性语言和会话含义的理解和产出方面进行语用能力评估。在行为方面，卢斯特（R. J. Luyster）指出，行为出现在患儿理解和表达语言的过程中，可作为患儿早期语用评估的预测指标。比如，斯麦列（S. L. Smalley）等人聚焦患儿面部表情、声音方式、眼神接触等所折射出的情感信息障碍。

　　在患儿语用干预方面，知识和语言的干预策略密不可分，语言是知识的载体，知识由语言来表现。目前，基于知识和语言层面的干预主要有图片刺激、互动游戏、手势语辅助等手段，采用关键反应训练（PRT）、观点采择干预（PTI）等干预方案激活患儿知识图式，从提高患儿语用叙事、话语理解、会话维持等角度进行语用干预。例如，布拉德肖（J. Bradshaw）等人采用PRT干预策略，将患儿习得新知识的任务贯穿于基于患儿已有知识所设定的会话任务中，以改善患儿的言语社交能力。而朗（R. Lang）和克林科特（J. L. Klinkert）等人的研究表明，人工参与下的半自主社交辅助机器人可在会话过程中对患儿的面部表情、手势和眼神提供反应训练，对患儿行为的干预产生积极效果。

　　AI技术与自闭症儿童语用技能特征

　　AI技术通过计算机程序来呈现人类智能，模仿与人类思维相关的认知功能，其基本应用可大致分为四个方面：感知能力、认知能力、创造力和智能。研究内容包括机器人、语言识别、图像识别、自然语言处理、机器学习等。与现有的半自主机器人不同，AI机器人不需要专业人员控制预编程表达式，大大地减少了对人力的需求，患儿不必去特定地点接受干预治疗。AI技术依托强大的数据运算能力，从知识、语言和行为三个层面为患儿提供个性化和智能化的评估与干预方案。

　　迪赫指出，语用障碍是患儿语言技能缺陷的主要表现。瑞德（N. Ryder）等认为，患儿的语用障碍主要体现为难以有效地结合知识、语言和行为实现语用目的。程璐璐指出，从知识层面来讲，一切言语和非言语的实践活动都是在获取、储存及利用知识的过程中进行的。而患儿在知识记忆和信息处理过程中表现出记不住和难提取的特点，从而存在上下文检索困难、信息识别程度较弱和知识混淆等语用问题。鲍明哥-薇莉（N. Bauminger-Zviely）进一步指出，难以解码社会知识会导致词义加工障碍。在语言层面，杨（E. C. Young）发现，患儿在推理和回答相关语境下间接陈述的问题时存在障碍。语言理解和表达能力的缺陷使患儿在语言运用中难以完成恰当的话轮交替、推理言外之意、理解交际意图等任务。这时患儿会通过使用重复式语言或与当前语境不相关的话语来回应他人。在行为层面，患儿往往存在避免视线接触、以手势代替语言、怪异或偏激等行为现象，无法恰当地调用面部感情或肢体语言以传递情感。因此，从知识、语言和行为三个层面可综合评估患儿的语用能力，并提供全方位的干预策略。

　　AI技术辅助自闭症儿童语用技能评估与干预

　　首先，知识层面的AI技术辅助语用评估需借助大数据采集各年龄段患儿群体、实时网络共享以及患儿本人的数据，经过数据过滤、拼接和转换构建患儿的百科知识数据管理系统。从患儿令人费解的言语产出中快速搜索与患儿互为显映的共享知识并多角度分析其话语形式，再将患儿已有知识数据实时上传与存储，动态建构患儿知识的激活、关联和整合过程，并对患儿目前的知识语用能力予以评测，结合统计分析、预测建模、数据挖掘算法和机器学习等功能对患儿可能调用的知识进行预测性分析。其次，对语言层面的语用评估较为复杂，随着AI自然语言处理技术在语境表征和知识逻辑推理层面的发展，不断扩充的自然语言知识图谱可实现患儿与AI机器人间的有效交流，并利用语义理解技术进一步提高对话系统的精准度，以评估患儿理解并推理出话语预设和会话含义的水平、话轮交替的适切度等。在语言交际中，AI可客观地辨别患儿的言语意图、情感。同时，结合特定语境下患儿言语理解和产出情况，快速形成强化学习任务，提高患儿的语用能力。最后，在行为层面，瓦尔（D. P. Wall）表示，AI机器学习技术在患儿行为评估中具有高准确率和低误报率特点，并指出交换决策树算法的子集分类和衡量的置信度最高，且在患儿病例的诊断中具有近100%的准确度。此外，还可利用生物特征识别技术对患儿面部等信息进行采集并转换成数字代码，借助AI情绪感知技术感知患儿对既定编程任务的视线回应和表情反馈，快速、准确地评估患儿的行为表现。

　　AI技术试图以深度神经网络创造具有社会智能的AI机器人，而这也为ASD的智能化语用干预带来可能。通过大数据和机器学习的数据提取和计算技术，AI机器人可建立患儿的动态存储和扩展知识数据库，设置患儿每日个性化的知识学习内容，根据患儿知识提取和整合的日志图表给予及时干预。AI机器人借助自然语言处理和语义理解等技术模仿人类与患儿进行交流，设置特定语境下的语言任务并识别患儿的交际目的，实现对患儿在话轮转换、修辞性话语、预设理解等语言层面的干预。AI机器人还可结合虚拟现实技术（VR）或增强现实技术（AR）将患儿带入模拟现实场景中进行干预，并邀请患儿完成表情图片匹配等行为干预任务，利用情绪识别技术强化患儿恰当的情感表达行为。

　　由于患儿语用能力的评估和干预需从知识、语言和行为三个层面进行综合考查，知识提取、语言理解和产出、行为表现的复杂性将人工检测引入困境。为避免评估过程中人为因素的影响，AI技术可依托数据整合与计算、识别技术、语言处理、情感智能等多模态感知技术，客观地评估和干预整个筛查、诊断和治疗过程。由于该领域研究相对较新，应用于实证研究和临床诊断前，需破除诸多阻碍。现提出两点展望：大部分AI技术基于回顾性数据，应致力于建立成熟的理论体系，以验证评估数据的可靠性；患儿间知识存储和提取能力存在较大的差异性，语言和行为亦具有不稳定性，建议开展有效的医教合作模式，将患儿的语用特征进行理论与诊疗数据的交叉整合。

        综上，虽然AI技术为患儿提供了科学的语用评估与干预的可能，但仍需进行跨学科的交叉融合，以提高评估和干预的准确性和个性化程度。但我们可以相信的是目前人工智能已经深入到我们的各个领域，因此在针对自闭症的相关评估和干预治疗方面，智能康教必然是行业大势所趋，我们期待更多的新科技可以改变生活，更好的为我们服务。