你家孩子學習困難嗎？人工智能或許幫得上忙

我們在以往的文章中討論過很多關於人工智能教育的話題，比如機器人教育、少兒編程、人工智能替代教師等。不可否認的是，在對提升兒童思維能力方面，如果使用得當，其確實能產生一點效果。而至於人工智能教師，則還差得很遠。

也就是說，人工智能可以充當教具的角色，以便幫助兒童進行自我訓練，或者幫助教師更好地教。但仔細觀察我們就會發現，在這類教育當中，人工智能所面對的往往是正常的學生。換言之，人工智能的學生，被默認為具有正常的智力和活動行為。

對特殊兒童應對和能力提升方面，人工智能好像能做得還不多。或者說，缺乏成熟的市場產品甚至研發。

這也並不奇怪。畢竟人工智能進軍教育領域就是一個非常困難的過程，而兒童又是整個教育領域當中最棘手的一環，特殊兒童則更是堪稱棘手之罪。這樣困難級別層層加大，也難怪在特殊兒童教育領域，人工智能呈現出喑默的局面。

但終究是有人在做這件事的。比如我們今天要說的，劍橋大學醫學研究委員會認知和腦科學部門的研究人員最近發表了一項研究成果，他們試圖利用人工智能算法來重新對學習困難兒童進行預測和診斷。

學習困難症兒童的福音真的來了嗎？

孩子只有閱讀障礙？這家人工智能告訴你可能不止這些

我們或許有必要了解一下何為“學習困難症”。

一般認為，學習困難症（learning disabilities，簡稱LD）是美國教育心理學家科克於1963年提出的一種學習障礙概念，主要在發生在兒童身上。此後不同國家的不同教育從業研究者對其展開了多方面的研究。由於研究的領域、目的的不同，研究者們對學習困難症的定義也並不完全相同，有人認為其輕微的智力障礙是導致其發生的原因，有人則認為智力與學習困難症的發生並不呈絕對的反比，因為在一些存在症狀的兒童身上，並未發現其智力存在任何缺陷。更多的人則傾向於認為其發生原因是由於神經中樞系統的異常，導致兒童在聽說讀寫以及推理或數學等方面的能力存在障礙。

而世衛組織則認為，學習困難症的發生並非由於生理因素的作用，而是後天兒童認識機制出了問題。

眾說紛紜的現狀表明，學習困難症是一個非常複雜的問題。而學界如此重視，也從側面說明了學習困難症對兒童的學習和成長可能會產生非常消極的作用。

自然而然，如何應對學習困難症也便成為了家長們比較焦慮的一個問題。傳統的治療一般遵循這樣一個邏輯：發現孩子學習情況不太對，於是開始投醫；診斷孩子的疾病誘因，比如多動症、自閉症；從病症的誘因入手，試圖改善之。

但這就存在兩個問題：第一，即便是同一誘因的病症，也會有不同的表現形式，比如多動症並不僅僅表現為衝動、坐不住、東張西望，也可能是沉默地坐在位置上，但上課的時候小動作很多導致注意力無法集中；第二，學習困難症的表現形式有很多種，而多動症之類的因素往往只能影響一個或幾個方面，無法全面解釋兒童學習困難的原因。但在治療的過程中，這種並非一對一的因果關係往往被忽略了。

也就是說，以往對學習困難症兒童的研究，往往都是集中在既有的診斷疾病的範疇裡。這也會導致另外一種結果：有既有病症如多動症、自閉症的兒童會被重點關注，而那些無此類病症兒童的學習困難行為則會被輕視甚至排除在外。

劍橋大學的研究者們則對這種情況進行了革新。

為了獲得數據，研究人員招募了550名被認為有學習困難症的兒童。通過對兒童的聽力技能、太空推理、問題解決、詞匯和記憶等方面的測量，再加上其父母關於兒童學習困難情況的描述說明、在校期間閱讀和數學的表現數據等，最終確定了兒童學習困難症的四種情況：①有廣泛的認知障礙和嚴重的閱讀、拚寫及數學問題；②有典型認知能力和學習概況；③有記憶問題；④有語音障礙。

研究人員利用已有的數據對兒童的學習困難症判斷的最大成果在於，其發現孩子既往的診斷結果往往存在很多缺陷，也就是說既往的診斷結果並不能全面反映孩子的學習困難類型。比如過去認為閱讀能力差的兒童在處理閱讀和聲音之間會存在問題；但通過該算法的推斷，如果閱讀能力差，兒童往往還會在聲音之外的數學上也存在問題。

也就是說，全面預測兒童的學習困難症是劍橋大學研究人員開發的算法的最重要作用。由此產生的積極影響也是顯而易見的：學習困難兒童能夠得到全面的症狀診斷，而這也將倒逼更全面的治療對策。

想要走出實驗室面向兒童，它還得繼續練級

利用人工智能來預測更全面的學習困難症，一旦被認為是切實可行的，最大的受益群體自然是兒童。

根據歐美的醫學統計，大概有六分之一左右的人會或多或少在兒童時期受到學習困難症的影響。換算成數字的話，60億人中大概有10億人，這是非常龐大的。如果人工智能能夠準確地預測、分類，讓人們能夠得到及時而全面的針對性治療，其對個人成長帶來的時間成本的節省、智力發育、知識能力的提升等方面的益處自然無法計算，而背後則會節省大量的社會教育資源。

當然，由於兒童無法離開父母，也必須謹防一些商家趁機而上，打著人工智能預測學習困難症的幌子賣狗皮膏藥。畢竟按照劍橋大學的研究成果來看，目前人工智能的作用僅限於能夠更全面地識別學習困難症的表現類型，至於作何種乾預並沒有明確的對策。

更何況，即便是實驗本身也還有一些問題尚待解決。

第一，訓練神經網絡的數據量的問題。研究者招募了550名兒童進行數據積累，這僅僅只能達到一個實驗室的效果；如果想要應用於現實當中，550名兒童所帶來的數據積累顯然遠遠無法滿足預測診斷學習困難症類型的精度。因為對象是兒童，關係到的又是可能影響終生的幼年教育，因此追求極致的精準度並不為過。而且研究人員採用的一部分數據是家長的描述和平時在校的課業，與直接觀察的數據相比，這些二手資料的混入很可能會降低預測的準確度。

第二，訓練神經網絡的數據類型並不完善。比如關於兒童的年齡數據，一些肢體上的行為動作等，並沒有被納入到開發算法的因素當中。隻對學生的學習困難表現做觀察是不夠的，將所有有可能影響到困難表現的因素都考慮進去，才會使算法更加完善。

雖然從現實應用的要求去苛責一個實驗室技術顯得並不那麽厚道，但畢竟所有的技術如果要產生社會或經濟價值，最終都是要走向應用的。更何況這項技術面向的是兒童群體，我們沒有理由不對它抱有強烈的希望，同時又願其在面向實際的時候表現得更加完美。

或許有朝一日，應對孩子的學習困難，將不再成為家長心頭的一件困難之事。