Nedavni napredak u računarstvu i veštačkoj inteligenciji, zajedno sa uvidom u učenje odojčadi, sugerišu da tehnike mašinskog i dubokog učenja mogu da nam pomognu da proučimo kako bebe prelaze sa nasumičnih istraživačkih pokreta na svrsishodne akcije. Većina istraživanja se fokusirala na spontane pokrete beba, praveći razliku između nemirnog i nemirnog ponašanja.
Iako rani pokreti mogu izgledati haotično, oni otkrivaju smislene obrasce dok bebe stupaju u interakciju sa svojim okruženjem. Međutim, još uvek nam nedostaje razumevanje kako se bebe namerno angažuju sa svojom okolinom i principima koji vode njihove akcije usmerene ka cilju.
Sprovođenjem eksperimenta sa mobilnim uređajem za bebe, koji se koristi u razvojnim istraživanjima od kasnih 1960-ih, istraživači i saradnici sa Florida Atlantic Univerziteta istraživali su kako bebe počinju da se ponašaju namerno. Eksperiment sa mobilnim uređajem za bebe koristi šareni mobilni telefon koji je nežno vezan za nogu bebe. Kada beba udara, mobilni se kreće, povezujući njihove akcije sa onim što vidi. Ova postavka pomaže istraživačima da shvate kako bebe kontrolišu svoje pokrete i otkriju svoju sposobnost da utiču na svoju okolinu.
U ovom novom radu, istraživači su testirali da li alati veštačke inteligencije mogu da primete kompleksne promene u obrascima kretanja beba. Pokreti novorođenčadi, praćeni pomoću Vicon 3D sistema za snimanje pokreta, klasifikovani su u različite tipove — od spontanih radnji do reakcija kada se mobilni uređaj kreće. Primenom različitih tehnika veštačke inteligencije, istraživači su ispitali koje metode su najbolje uhvatile nijanse ponašanja beba u različitim situacijama i kako su se pokreti razvijali tokom vremena.
Rezultati studije, objavljeni u časopisu Naučni izveštaji, naglašavaju da je AI vredan alat za razumevanje ranog razvoja i interakcije novorođenčadi. I mašinske metode i metode dubokog učenja precizno su klasifikovale snimke od pet sekundi 3D pokreta beba kao da pripadaju različitim fazama eksperimenta.
Među ovim metodama, model dubokog učenja, 2D-CapsNet, pokazao se najbolje. Važno je da su za sve testirane metode pokreti stopala imali najveću stopu tačnosti, što znači da su se, u poređenju sa drugim delovima tela, obrasci pokreta stopala najdramatičnije menjali u fazama eksperimenta.
„Ovo otkriće je značajno jer sistemima veštačke inteligencije nije rečeno ništa o eksperimentu ili o tome koji deo tela bebe je povezan sa mobilnim uređajem. Ovo pokazuje da su stopala — kao krajnji efektori — najviše pogođena interakcijom sa mobilni“, rekao je dr Skot Kelso, koautor i eminentni naučnik Glenvuda i Marte Krič u Centru za složene sisteme i nauke o mozgu u okviru FAU-ovog koledža nauke Čarlsa E. Šmita.
„Drugim rečima, način na koji se bebe povezuju sa svojim okruženjem ima najveći uticaj na tačkama kontakta sa svetom. Ovde je ovo bilo ‘stopala na prvom mestu’.“
2D-CapsNet model je postigao tačnost od 86% kada je analizirao pokrete stopala i bio je u stanju da uhvati detaljne odnose između različitih delova tela tokom kretanja. U svim testiranim metodama, pokreti stopala su dosledno pokazivali najviše stope tačnosti—oko 20% veće od pokreta ruku, kolena ili celog tela.
„Otkrili smo da su bebe istraživale više nakon što su bile isključene sa mobilnog telefona nego što su to činile pre nego što su imale priliku da ga kontrolišu. Čini se da ih je gubitak mogućnosti kontrole mobilnog učinio željnijim da stupe u interakciju sa svetom kako bi pronašli način za ponovno povezivanje. “, rekla je Aliza Sloan, dr., koautor i naučnik postdoktorskog istraživanja u FAU-ovom Centru za složene sisteme i nauke o mozgu.
„Međutim, neka beba su pokazala obrasce kretanja tokom ove nepovezane faze koja je sadržala nagoveštaje njihovih ranijih interakcija sa mobilnim uređajem. Ovo sugeriše da su samo određena beba dovoljno dobro razumela svoj odnos sa mobilnim da održe te obrasce kretanja, očekujući da će i dalje proizvoditi odgovor sa mobilnog čak i nakon prekida veze.“
Istraživači kažu da ako tačnost pokreta beba ostane visoka tokom prekida veze, to može ukazivati na to da su bebe naučile nešto tokom svojih ranijih interakcija. Međutim, različite vrste pokreta mogu značiti različite stvari u smislu onoga što su bebe otkrile.
„Važno je napomenuti da je proučavanje beba izazovnije od proučavanja odraslih, jer bebe ne mogu verbalno da komuniciraju“, rekla je dr Nensi Aron Džons, koautor, profesor na Odseku za psihologiju FAU, direktor laboratorije FAU VAVES. , i član Centra za složene sisteme i nauke o mozgu u okviru Univerziteta Čarls E. Šmit.
„Odrasli mogu da prate uputstva i objasne svoje postupke, dok bebe ne mogu. Tu AI može pomoći. AI može pomoći istraživačima da analiziraju suptilne promene u pokretima beba, pa čak i njihovu mirnoću, kako bi nam dali uvid u to kako razmišljaju i uče, čak i pre nego što mogu da govore i njihovi pokreti nam takođe mogu pomoći da shvatimo ogroman stepen individualnih varijacija koje se javljaju kako se beba razvija.
Gledajući kako se preciznost klasifikacije veštačke inteligencije menja za svako novorođenče, istraživačima daje novi način da razumeju kada i kako počinju da se bave svetom.
„Dok su se prethodne metode veštačke inteligencije uglavnom fokusirale na klasifikaciju spontanih pokreta povezanih sa kliničkim ishodima, kombinovanje eksperimenata zasnovanih na teoriji sa AI će nam pomoći da napravimo bolje procene ponašanja beba koje su relevantne za njihov specifični kontekst“, rekao je Kelso. „Ovo može poboljšati način na koji identifikujemo rizike, dijagnostikujemo i lečimo poremećaje.“
Koautori studije su prvi autor Massoud Khodadadzadeh, dr., ranije na Univerzitetu Ulster u Deriju, Severna Irska, a sada na Univerzitetu Bedfordšir, Ujedinjeno Kraljevstvo; i Damien Coile, Ph.D., na Univerzitetu Bat, Ujedinjeno Kraljevstvo.
