我们在以往的文章中讨论过很多关于人工智能教育的话题，比如机器人教育、少儿编程、人工智能替代教师等。不可否认的是，在对提升儿童思维能力方面，如果使用得当，其确实能产生一点效果。而至于人工智能教师，则还差得很远。
也就是说，人工智能可以充当教具的角色，以便帮助儿童进行自我训练，或者帮助教师更好地教。但仔细观察我们就会发现，在这类教育当中，人工智能所面对的往往是正常的学生。换言之，人工智能的学生，被默认为具有正常的智力和活动行为。
对特殊儿童应对和能力提升方面，人工智能好像能做得还不多。或者说，缺乏成熟的市场产品甚至研发。
这也并不奇怪。毕竟人工智能进军教育领域就是一个非常困难的过程，而儿童又是整个教育领域当中最棘手的一环，特殊儿童则更是堪称棘手之罪。这样困难级别层层加大，也难怪在特殊儿童教育领域，人工智能呈现出喑默的局面。
但终究是有人在做这件事的。比如我们今天要说的，剑桥大学医学研究委员会认知和脑科学部门的研究人员最近发表了一项研究成果，他们试图利用人工智能算法来重新对学习困难儿童进行预测和诊断。
学习困难症儿童的福音真的来了吗？
孩子只有阅读障碍？这家人工智能告诉你可能不止这些
我们或许有必要了解一下何为“学习困难症”。
一般认为，学习困难症（learning disabilities，简称LD）是美国教育心理学家科克于1963年提出的一种学习障碍概念，主要在发生在儿童身上。此后不同国家的不同教育从业研究者对其展开了多方面的研究。由于研究的领域、目的的不同，研究者们对学习困难症的定义也并不完全相同，有人认为其轻微的智力障碍是导致其发生的原因，有人则认为智力与学习困难症的发生并不呈绝对的反比，因为在一些存在症状的儿童身上，并未发现其智力存在任何缺陷。更多的人则倾向于认为其发生原因是由于神经中枢系统的异常，导致儿童在听说读写以及推理或数学等方面的能力存在障碍。
而世卫组织则认为，学习困难症的发生并非由于生理因素的作用，而是后天儿童认识机制出了问题。
众说纷纭的现状表明，学习困难症是一个非常复杂的问题。而学界如此重视，也从侧面说明了学习困难症对儿童的学习和成长可能会产生非常消极的作用。
自然而然，如何应对学习困难症也便成为了家长们比较焦虑的一个问题。传统的治疗一般遵循这样一个逻辑：发现孩子学习情况不太对，于是开始投医；诊断孩子的疾病诱因，比如多动症、自闭症；从病症的诱因入手，试图改善之。
但这就存在两个问题：第一，即便是同一诱因的病症，也会有不同的表现形式，比如多动症并不仅仅表现为冲动、坐不住、东张西望，也可能是沉默地坐在位置上，但上课的时候小动作很多导致注意力无法集中；第二，学习困难症的表现形式有很多种，而多动症之类的因素往往只能影响一个或几个方面，无法全面解释儿童学习困难的原因。但在治疗的过程中，这种并非一对一的因果关系往往被忽略了。
也就是说，以往对学习困难症儿童的研究，往往都是集中在既有的诊断疾病的范畴里。这也会导致另外一种结果：有既有病症如多动症、自闭症的儿童会被重点关注，而那些无此类病症儿童的学习困难行为则会被轻视甚至排除在外。
剑桥大学的研究者们则对这种情况进行了革新。
为了获得数据，研究人员招募了550名被认为有学习困难症的儿童。通过对儿童的听力技能、空间推理、问题解决、词汇和记忆等方面的测量，再加上其父母关于儿童学习困难情况的描述说明、在校期间阅读和数学的表现数据等，最终确定了儿童学习困难症的四种情况：①有广泛的认知障碍和严重的阅读、拼写及数学问题；②有典型认知能力和学习概况；③有记忆问题；④有语音障碍。
研究人员利用已有的数据对儿童的学习困难症判断的最大成果在于，其发现孩子既往的诊断结果往往存在很多缺陷，也就是说既往的诊断结果并不能全面反映孩子的学习困难类型。比如过去认为阅读能力差的儿童在处理阅读和声音之间会存在问题；但通过该算法的推断，如果阅读能力差，儿童往往还会在声音之外的数学上也存在问题。
也就是说，全面预测儿童的学习困难症是剑桥大学研究人员开发的算法的最重要作用。由此产生的积极影响也是显而易见的：学习困难儿童能够得到全面的症状诊断，而这也将倒逼更全面的治疗对策。
想要走出实验室面向儿童，它还得继续练级
利用人工智能来预测更全面的学习困难症，一旦被认为是切实可行的，最大的受益群体自然是儿童。
根据欧美的医学统计，大概有六分之一左右的人会或多或少在儿童时期受到学习困难症的影响。换算成数字的话，60亿人中大概有10亿人，这是非常庞大的。如果人工智能能够准确地预测、分类，让人们能够得到及时而全面的针对性治疗，其对个人成长带来的时间成本的节省、智力发育、知识能力的提升等方面的益处自然无法计算，而背后则会节省大量的社会教育资源。
当然，由于儿童无法离开父母，也必须谨防一些商家趁机而上，打着人工智能预测学习困难症的幌子卖狗皮膏药。毕竟按照剑桥大学的研究成果来看，目前人工智能的作用仅限于能够更全面地识别学习困难症的表现类型，至于作何种干预并没有明确的对策。
更何况，即便是实验本身也还有一些问题尚待解决。
第一，训练神经网络的数据量的问题。研究者招募了550名儿童进行数据积累，这仅仅只能达到一个实验室的效果；如果想要应用于现实当中，550名儿童所带来的数据积累显然远远无法满足预测诊断学习困难症类型的精度。因为对象是儿童，关系到的又是可能影响终生的幼年教育，因此追求极致的精准度并不为过。而且研究人员采用的一部分数据是家长的描述和平时在校的课业，与直接观察的数据相比，这些二手资料的混入很可能会降低预测的准确度。
第二，训练神经网络的数据类型并不完善。比如关于儿童的年龄数据，一些肢体上的行为动作等，并没有被纳入到开发算法的因素当中。只对学生的学习困难表现做观察是不够的，将所有有可能影响到困难表现的因素都考虑进去，才会使算法更加完善。
虽然从现实应用的要求去苛责一个实验室技术显得并不那么厚道，但毕竟所有的技术如果要产生社会或经济价值，最终都是要走向应用的。更何况这项技术面向的是儿童群体，我们没有理由不对它抱有强烈的希望，同时又愿其在面向实际的时候表现得更加完美。
或许有朝一日，应对孩子的学习困难，将不再成为家长心头的一件困难之事。
免责声明：此文内容为第三方自媒体作者发布的观察或评论性文章，所有文字和图片版权归作者所有，且仅代表作者个人观点，与 无关。文章仅供读者参考，并请自行核实相关内容。投诉邮箱：editor@fromgeek.com。
免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。
