科学家们利用人工智能来更好地预测为什么孩子们在学校表现不好

使用机器学习的科学家 - 一种人工智能 - 来自学校挣扎的数百名儿童的数据，确定了与孩子们所获得的以前诊断不匹配的学习困难的集群。

来自剑桥大学医学研究委员会(MRC)认知和脑科学部ob欧宝直播nba门的研究人员说，这进一步说明了儿童需要接受详细的认知技能评估，以确定最佳的支持类型。

该研究，发表在发展科学，招募了550名儿童，被称为诊所 - 关注学习和记忆的中心 - 因为他们正在学校挣扎。

科学家们说，以前关于学习困难的大部分研究都集中在已经被确诊的儿童身上，比如注意力缺陷多动障碍(ADHD)自闭症谱系障碍或阅读障碍。通过包括所有有困难的儿童而不考虑诊断，这项研究更好地捕捉了诊断类别内的困难范围，以及诊断类别之间的重叠。

来自剑桥大学认知和脑科学研究委员会的邓肯·阿斯特尔博士领导了这项研究，他说:“对有学习困难的父母和孩子来说，接受诊断是一个重要的里程碑，这能认识到孩子的困难，并帮助他们获得支持。”但是每天与这些孩子打交道的家长和专业人士发现，整洁的标签并不能抓住他们的个人困难——例如，一个孩子的多动症通常与另一个孩子的多动症不同。

“我们的研究首次将机器学习应用于广泛的数百名困难学习者。”

该团队通过从每个孩子提供许多认知测试数据的计算机算法来完成这一点，包括听力技能，空间推理，解决问题，词汇和记忆的措施。基于这些数据，该算法表明儿童最适合四个困难集群。

这些集群与儿童的其他数据密切一致，例如父母的沟通困难的报告，以及关于阅读和数学的教育数据。但与他们以前的诊断没有任何通知。为了检查这些分组是否相对应的生物差异，从184名儿童中检查群体的MRI脑扫描。该分组在儿童大脑的部分内部的连接模式，这表明机器学习是识别部分反映底层生物学的差异。

在被鉴定的四组人中，有两组是:工作记忆能力障碍和处理单词中的声音障碍。

工作记忆的困难 - 信息的短期保留和操纵信息 - 与数学斗争和诸如以下列表之类的任务有关。处理声音的困难，称为语音技能，与阅读斗争已经联系在一起。

Astle博士说：“过去阅读技巧的选择儿童的研究表明，在言语中努力侦察和问题之间的紧张联系。但是通过观察具有广泛困难的儿童，我们意外地发现很多孩子用言语的处理声音的困难不仅仅是读取的问题 - 他们也有数学问题。

“作为研究学习困难的研究人员，我们需要超越诊断标签，我们希望这项研究将有助于开发更好的干预措施，更具体地针对儿童的个人认知困难。”

来自剑桥大学的MRC认知和大脑科学博士的Joni Holmes博士学院在这项研究中表示：“我们的工作表明，寻找同一主题的儿童难以争取出色的原因非常不同，这对选择适当的干预措施具有重要意义。“

确定的另外两个集群是：许多领域具有广泛认知困难的儿童，以及他们年龄的典型认知测试结果的儿童。研究人员指出，该分组中的儿童具有认知的测试结果，典型的年龄典型可能仍有其他影响他们的学业的困难，例如行为困难，例如没有被列入机器学习的行为困难。

Joanna Latimer博士，神经科学和MRC的心理健康主管说：“这些是有趣的，早期调查结果开始调查我们如何应用新技术，如机器学习，更好地了解大脑功能。MRC资金研究复杂网络在大脑中的作用，帮助发展更好的方法来支持学习困难的儿童。“

---

---