【摘要】人工智能有助于構建各種精準模型為特殊兒童的精準篩查與干預提供便捷的工具。人工智能與特殊教育的融合是智能時代教育發展的一大趨勢，有助于保障特殊人群享有均等化的教育服務，最大程度挖掘其潛能，發揮其價值。目前對孤獨癥與多動癥等關鍵性特殊人群的篩查與干預領域的研究仍處于初始階段。為此，需要推動構建基于多維數據機器學習的篩查指標體系、基于視覺識別技術的智能快速輔助篩查系統、基于虛擬增強現實技術的互動干預系統，在此基礎上推進以學校和家庭為實施場域的遠程移動篩查與干預平臺建設。

【關鍵詞】特殊教育 人工智能 特殊兒童篩查 特殊兒童干預

【中圖分類號】 G76/G434 【文獻標識碼】A

【DOI】10.16619/j.cnki.rmltxsqy.2024.17.005

【作者簡介】王沛，華東師范大學紫江學者特聘教授、博導。研究方向為特殊人群社會認知發展、醫患關系等。主要著作有《社會認知心理學》《中國國家形象：內涵與塑造》《大學生職業心理研究：基于職業決策困難與創業心智的視角》等。

特殊教育與人工智能的融合是智能時代教育發展的趨勢

人工智能與特殊教育的融合肇始于20世紀90年代。Geiman（1990）最早發現，使用符號來描述和建模復雜系統的軟計算方法，能夠為教育專家和臨床醫生提供諸如對學習障礙和孤獨癥患者的鑒別與篩查工具。借助人工智能技術，Georgopoulos等人（2003）發明的言語障礙篩查的模糊認知圖（Fuzzy Cognitive Map, FCM）方法為教育專家和臨床醫生提供了針對言語障礙的篩查方案。Mayes和Freitas（2004）推出的MindSet（MS）應用模型所支持的“意念耳機”有助于測量注意力缺陷多動障礙（Attention Deficit Hyperactive Disorder，多動癥）兒童的注意力水平。Hernández等人（2009）開發了一種篩查兒童學習困難的專家系統，該系統包括由一系列心理學篩查策略組成的知識庫，力圖找出輸入變量（年齡、性別、教育水平等）和輸出變量（精神、運動技能、智力等）之間的關系。結果發現，該專家系統能夠高效地篩查兒童的學習障礙。Jain等人（2009）提出了學習障礙檢測感知器模型（Perceptron Based Learning Disability Detector, PLEDDOR）。該模型是一個人造神經網絡，可以識別兒童的閱讀障礙、書寫障礙和數學學習障礙。ElSayed（2012）則研制了一個用于學習障礙兒童篩查的智能代理分類系統。該系統能夠識別學生的教育學和心理學特征，并提供與此相適應的教育活動解決方案。

在此之后，大量研究采用機器學習以及構建模型的方式為特殊兒童的精準篩查提供了便捷的工具。人工智能是以機器學習為核心，以統計學、概率論、數據集以及其他計算機科學方法為基礎，從數據集中導出精確預測模型的學科，是研究計算機如何模擬或實現人類的學習行為、獲取新的知識或技能、重新組織已有的知識結構以不斷改善自身性能的學科。其中，機器學習技術包含支持向量機、決策樹、規則演繹、Boosting、Bagging、神經網絡、Covering等涉及分類或模型的學習方法。目前已有不少研究團隊利用孤獨癥案例數據集來構建分類系統暨孤獨癥預測模型，以最少的人類參與自動進行數據處理判斷新的病例。此舉一方面縮短了孤獨癥的篩查時間，另一方面大大提高了篩查的靈敏度、特異性和有效性。孤獨癥的篩查過程實際上是一個標準的分類問題：在自動分類模型中輸入數據集，建立預測模型，輸出篩查類型，檢驗結果，得出最終篩查報告。Fadi等人通過基于Covering算法的規則機器學習（rule machine learning, RML）尋找孤獨癥的病因，為檢測邊緣社交行為障礙提供了一定的依據。Duda等人利用6種機器學習算法提高了孤獨癥和多動癥高危兒童的甄別能力，縮短了孤獨癥和多動癥的鑒別時間。Pratap等人利用人工神經網絡算法，實現了對孤獨癥嚴重程度（正常、輕度、中度、重度）100%的正確分類。近年來，智能技術的飛速發展，使得高效、便捷的遠程智能篩查成為可能。例如，Galina等人（2016）開發了視覺障礙兒童遠程智能學習系統，該系統綜合考慮視覺障礙兒童的心理、生理特征和學習信息，采用智能統計方法處理多維數據，進而為視覺障礙兒童提供智能化的學習環境。

除了可用于特殊兒童的篩查之外，人工智能還可用于特殊兒童有關病癥的干預和治療。Strickland（1996）首次提出虛擬現實技術為孤獨癥患兒的干預與治療提供了新的途徑，并證明了這種新思路的可行性。此后，人工智能用于學習障礙、孤獨癥等的干預研究開始起步。起初，人工智能用于特殊兒童的干預研究和訓練主要集中于閱讀或者書寫等學習技能、面部表情識別等與社交技能相關的單項技能。例如，Melis等人（2001）介紹了一種基于Web的ActiveMath數學智能輔導系統（ITS），用于提高數學學習障礙兒童的數學學習能力。ActiveMath允許兒童在自己覺得舒適的環境中學習，使用人工智能技術生成自適應課程，學生可以進行建模、反饋以及互動練習。在ActiveMath中，兒童通過對自己掌握的概念進行自我篩查來啟動各自的學生模型，選擇學習目標和場景，并根據自己的學習進度調整課程安排。與此同時，ActiveMath中的“眼睛追蹤器”能夠詳細追蹤和記錄兒童的注意力和閱讀時間。對該系統多年的實驗研究證明，智能輔導系統（ITS）在數學學習障礙兒童的學習過程中具有積極的干預作用和效果。Baschera和Gross（2010）開發了一款面向書寫障礙兒童的適應性拼寫訓練系統。該系統基于推理算法觀察兒童的書寫錯誤，篩查每個規則對于學生的難度，引導學生重復訓練拼寫錯誤的單詞。Sebe等人（2006）基于視覺和音頻線索構建了情緒聯合識別系統，這種人機交互應用系統不僅能夠識別6種基本情緒，包括快樂、驚喜、憤怒、厭惡、恐懼和悲傷，而且可以識別其他情感狀態，包括好奇、無聊、混亂、沮喪等。該研究能夠給患有言語障礙和情緒障礙的孤獨癥兒童提供積極有效的干預訓練。此外，還有大量研究聚焦虛擬現實技術對視覺障礙、孤獨癥等特殊人群的干預等相關議題。這些研究發現，虛擬現實技術能夠營造安全的教育環境，解決傳統干預訓練中無法有效解決的多來源感知困難問題，從而提供適合孤獨癥兒童思維特點的信息呈現方式，促進兒童習得技能的遷移、認知靈活性與心理理論能力的提升，提供個體化的治療，等等。

近10年來，隨著虛擬現實技術的發展與進步，大量研究融合人工智能的虛擬現實技術推動干預訓練逐步由單項訓練轉向綜合訓練。綜合訓練以提高特殊人群的整體交際能力為目標，其所創設的情境更接近真實的生活，其中最著名的當屬基于人機交互技術的E-CHOES項目和基于Brain Power System（BPS）數字行為輔助系統的社交技能訓練系統。在E-CHOES項目中，孤獨癥兒童通過觸摸式屏幕與項目中的虛擬人物進行互動。屏幕上端和兩側各有一個攝像頭，用于實時捕捉兒童頭部、臉部及注視軌跡的多模態數據。在E-CHOES項目創設的虛擬互動環境中，物體是可以觸摸和移動的，并且兒童可與情境中的虛擬人物共同完成某一交際任務。再如，BPS數字行為輔助系統的社交技能訓練系統不僅能利用人工智能分析患者所處環境、互動情況等方面的量化數據，而且在此基礎上研發了個性化的、具有增強現實技術的智能眼鏡。該眼鏡能為患者提供包括情感識別、面對面凝視、眼神接觸和自我行為管理在內的綜合訓練。該研究選取年齡分別為8歲、9歲的2名孤獨癥男孩作為實驗對象，以研究BPS的實用性。結果發現，兩名男孩在非言語交流、眼神接觸、易怒性、嗜睡、刻板行為、多動或不配合性等方面均有所改善。

人工智能與特殊教育的融合是智能時代教育發展的一大趨勢。特殊教育是一個極其復雜的系統，人工智能與其深度融合有著科學的思想基礎，即全納教育理念、缺陷補償理論及多元智能理論。人工智能與特殊教育的深度融合旨在讓所有特殊人群擁有正常學習的可能，最大程度挖掘其潛能；讓所有特殊人群能夠更高效地學習，最大程度發揮其價值；讓所有特殊人群的不同需求能夠有機會得到滿足，最大程度實現其補償效應。由此，全納教育理念和人工智能與特殊教育的深度融合在一定程度上有了契合點，為人工智能應用于特殊教育領域指明了方向。缺陷補償是特殊教育的重要理論之一，也是重要目的之一。所謂補償，就是抵消損失、彌補缺陷。缺陷補償有兩層含義：一是指用未受損的機體去補償已受損的機體，進而出現新的機體組合和新的聯系；二是指運用新的技術手段治療已受損機體，使其得到部分或者全面的康復。在智能時代，人工智能可以極大地延伸人類器官功能。憑借人工智能的應用，我們可以傳遞大致相同的信息給特殊學生，利用不同的人工智能信號幫助特殊學生獲得相關信息以更好地融入社會。同時，憑借人工智能技術可以開發出適應特殊學生的特殊工具來幫助其更好地接受教育。人工智能與特殊教育的深度融合將最大程度發揮缺陷補償的價值，以人工智能技術彌補特殊學生身體或智力的不足，幫助其盡快進入主流社會。人工智能與特殊教育的深度融合旨在充分挖掘特殊學生的優勢智能，從而幫助特殊學生培養一定的社會技能，與此同時，提供針對性的個性化教學，以滿足不同個體的特殊需求。由此，多元智能理論為人工智能運用于特殊教育領域提供了清晰的理論與方向指引。

綜上，在人工智能與特殊教育的深度融合過程中，建設特殊教育智能輔助系統有助于突破傳統特殊教育學科發展與教育實踐中無法克服的短板或困難，使特殊教育獲得飛躍式發展，讓特殊兒童獲得正常學習機會和適應社會發展的可能。

人工智能技術在特殊教育中的應用

人工智能技術在特殊兒童篩查中的應用。在特殊教育人群中，特殊兒童的發展往往受制于發病機理復雜難解、匱乏無助的教育代償作用以及對兒童社會適應的巨大破壞。其中，孤獨癥和多動癥兒童的發展一直是特殊教育面臨的教育難題。以孤獨癥為例，據2017年發布的《中國孤獨癥兒童發展報告》數據推算，孤獨癥患病率約為1%，0～6歲兒童患病者已超過100萬，0～14歲兒童患病者達200余萬。孤獨癥兒童孤僻、刻板的社交行為以及多動癥兒童沖動、難以自我控制等特點不僅影響其自身的成長生活，更使教養者承受著巨大的心理壓力和經濟壓力，容易引發嚴重的社會問題。比照孤獨癥與多動癥兒童的發展需要，當前的特殊教育無法為此類兒童提供系統的專業技術支持體系和高效的篩查與干預手段，不能實時監測與積極干預其發展狀況，進而導致特殊教育實踐與現實需求相脫節。

孤獨癥譜系障礙和注意缺陷多動障礙目前通行的篩查方法是通過廣泛的檢查來確定，包括一組行為兒科醫生和兒童心理學家的篩查，以及由合格的專業人員進行篩查。這些嚴格的篩查檢查通常持續數小時，且存在較強的主觀性。實驗室篩查手段的缺位，導致無法實現相關癥狀的早期發現、早期干預。研究方便快捷、覆蓋面更廣的孤獨癥與多動癥的智能篩查與干預系統具有非常重要的現實意義。

總結近10年來國內外人工智能與特殊教育的研究與應用發現，人工智能用于孤獨癥與多動癥群體的研究與應用最多。諸多研究嘗試采用智能技術實現孤獨癥兒童能力的高效篩查，以此推動客觀、高效的篩查與干預研究。首先，大量研究團隊利用智能算法探討了經典的篩查標準（如DSM-5）、篩查工具（如ADOS-2、ADI-R等）的有效性問題。例如，Evers（2020）等人在算法中集成開發了決策規則，考察DSM-5發布以來國外廣泛運用的三大篩查工具（Autism Diagnostic Observation Schedule-Second Edition, ADOS-2; Developmental, Dimensional and Diagnostic Interview, 3Di; Diagnostic Interview for Social and Communication Disorders-11th edition, DISCO-11）對孤獨癥兒童和青少年篩查維度和內容的有效性、篩查標準的可操作性和行為的可觀察性。結果發現，ADOS-2、3Di和DISCO-11三個篩查工具在篩查的數量、標準等方面存在非常大的差異，排除算法和分數劃分，三大工具在遵循DSM-5篩查標準和分類上也存在非常大的差異。這些差異導致對于孤獨癥篩查的結果與DSM-5描述的癥狀與標準存在顯著差異，即實際發現的孤獨癥的癥狀與DSM-5制定的標準無法匹配，因此，非常有必要重新審視DSM-5制定的標準。

此外，一些采用人工智能技術的研究嘗試通過先進與多樣化的算法以及在此基礎上構建的模型進行孤獨癥和多動癥橫向篩查與分類，提出新的篩查標準。以孤獨癥的篩查為例，Dinstein等人（2011）發表在Neuron上的fMRI研究在機器算法的支撐下形成了一個非常簡單的分類方法：在所選定的特征變量上設置一個閾值，低于該閾值篩查為孤獨癥，高于該閾值則歸為非孤獨癥。具體而言，他們以雙側顳上回的靜息態功能連接作為特征變量，將閾值設為0.38，低于閾值歸類為孤獨癥，高于閾值歸類為非孤獨癥，該篩查標準最終獲得了72%的靈敏度和84%的特異性。Liberoa等（2017）利用決策樹分類算法，以結構成像為特征，基于異性值、徑向擴散系數及皮層厚度對不同嚴重程度的孤獨癥進行分類，獲得了91.9%的分類精確度。此外，還有大量研究利用深度學習等算法提煉孤獨癥大腦成像數據交換庫（Autism Brain Imaging Data Exchange, ABIDE）中的大數據，進行孤獨癥分類研究。例如，Hampton于2017年發表在JAMA上運用常規統計方法的研究顯示，具有高遺傳風險（high-familial-risk）的嬰兒在出生的第一年沒有異常行為表現，采用神經成像技術對24月齡或更早的嬰兒進行早期腦部掃描可以預測其是否存在孤獨癥。同年，Nature上發表了一篇基于深度學習網絡的機器學習分類算法的研究，指出對具有遺傳風險的6個月齡的嬰幼兒進行結構性磁共振成像（structural magnetic resonance imaging, sMRI）檢測能夠有效檢出孤獨癥（準確度為94%，靈敏度為88%，特異性為95%）。也就是說，由人工智能技術支持的腦結構掃描方法可以有效預測孤獨癥兒童。然而，該方法操作復雜、成本較高，不易普及，很難開展大面積篩查。

值得關注的是，大量研究通過智能技術收集和分析兒童日常活動過程中的行為表現（如動作、面部表情等），進而輔助孤獨癥與多動癥兒童的篩查。例如，Dickstein-Fischer開發的機器人視覺系統通過與計算機系統整合來跟蹤兒童的視線方向和關注焦點，進而在兒童凝視的情況下，對比孤獨癥兒童與正常兒童的差異。視覺系統立體的攝像機可成功跟蹤兒童的位置移動，幫助進行簡單的數據統計，如兒童與成年人保持多遠距離、多久接近成年人一次、與成年人近距離相處時間多長、是否對成年人作出反應等。此外，Anzulewicz等人（2016）通過對孤獨癥兒童玩平板電腦游戲時的手勢動作特征進行向量分析來篩查兒童是否患有孤獨癥，準確率高達93%。此外，也有研究將機器人技術與其他先進技術整合，實現了孤獨癥兒童動作和情緒狀態的同步捕捉。比如，在機器人系統中安裝Kinect設備，能動態捕捉人類30個左右的關節運動，同時跟蹤人類情感反應。因此，分析兒童日常活動過程中的行為表現為廣泛的篩查提供了可能。

人工智能技術在特殊兒童干預中的應用。基于智能技術干預的主要技術路線包括智能機器人和虛擬現實技術。一些研究借助機器人代替／減少傳統治療師長期、反復干預所需的各種成本。更重要的是，機器人能精準捕捉到兒童在互動環境中的真實表現，進行實時傳輸、數據儲存和行為分析；并且通過檢測兒童的注意力水平和互動同步性，提供反饋干預方案。例如，Bevil基于羅素的情緒環狀模型理論提取多維度和不同層級的情感對機器人進行情感設置，并通過其肢體動作和面部表情表達出來，讓兒童對機器人的肢體動作和表情進行簡單識別并模仿。此外，機器人技術可以創造簡單的交互式環境，以“同伴”身份與孤獨癥兒童進行游戲互動，訓練其各種技能，包括共同注意、模仿、輪流、語言表達和社會互動等。Boccanfuso（2016）設計了一個機器人遙控模式，操控機器人以玩伴身份與孤獨癥兒童進行有趣的一對一的“模仿你，模仿我”和一對多的“姿勢傳遞”“帽子游戲”。在游戲過程中，機器人可做出有趣的動作或發出搞笑的聲音吸引孤獨癥兒童注意力，并能用語言或鼓掌的方式表示稱贊。

虛擬現實（VR）也是孤獨癥和多動癥核心缺陷干預的重要技術手段。VR是以一種安全的、可控的模式讓孤獨癥兒童體驗真實生活，并通過反復實踐，使其身臨其境于各種模擬場景中學習社交互動、對話技能、辨識他人情緒等。Parsons（2006）采用虛擬現實技術實現了基于現實生活的社會場景仿真，訓練孤獨癥兒童在不同擁擠程度的咖啡館和公共汽車中就座，來提高其社會互動能力。Bekele（2006）設計的虛擬環境下多模式適應社會互動系統（MASIVR），通過跟蹤孤獨癥兒童在不同虛擬社交環境中觀察人物面部表情的注意力，生成視線掃描圖案，進而干預孤獨癥兒童的社會互動。Lorenzo等人（2016）利用沉浸式虛擬現實技術對孤獨癥兒童的情緒識別能力進行了干預訓練。

此外，智能技術的發展使得其在遠端干預方面的優勢逐步凸顯，表現為智能技術可以應用于特殊兒童干預效果的監測：智能系統能精準捕捉到特殊兒童在互動環境中的真實表現，并能進行實時傳輸、數據儲存和行為分析。例如，Kim（2010）開發了一個機器人輔助試驗臺系統（robot assisted test-bed system），該系統由機器人輔助系統、個人數字輔助設備（Personal Digital Assistance, PDA）、遠程服務器、接點、交換中心以及裝有麥克風的攝像機組成。治療師可通過機器人系統觀察孤獨癥兒童和機器人之間相互作用的過程，隨時使用PDA設備輸入觀測數據，利用手持設備IEEE802.11b/g無線頻道將數據傳送到遠程服務器，存儲錄像和音頻信息，方便進一步的數據分析。這種干預不僅體現了智能干預過程中人機互動的特點，而且呈現出智能干預客觀性和準確性的優勢。

當前，基于虛擬游戲和人際互動相結合的方式，研究者基于大樣本孤獨癥兒童在VR場景中的眼動、頭動和身體運動指示的注意機制、持久度和專注度等指標，對其進行個性化干預，同時基于VR技術進一步開發“化身”的運動和面部表情技術，賦予“化身”更加自然的面部表情，進而減少從現實到虛擬的社交信息的損失。

人工智能技術應用于特殊兒童篩查和干預相關研究的進展及主要領域。盡管國際上人工智能的發展非常迅猛，但其在孤獨癥與多動癥篩查與干預領域應用的相關研究仍處于初始階段。主要表現在：在篩查方面，機器學習算法對孤獨癥和多動癥分類系統的“預測能力”除了依靠采樣和特征選擇方法之外，還嚴重依賴于輸入特征。同時，機器學習對孤獨癥篩查的研究還需要考慮去除特征重疊的數據、噪聲處理、篩查期間使用的措施、孤獨癥合并多重障礙的復雜病例識別以及數據集在篩查類型方面的不平衡等問題。更重要的是，機器學習因未能與傳統篩查／篩查工具有機整合而不夠完善，尚需各種預測模型與篩查工具有機整合后，才能為臨床和研究提供有效的篩查決策，這也為未來研究提供了方向。此外，遠程虛擬技術已經為家庭、學校篩查和康復創造了可能，有研究驗證了其可行性，并且回答了不同干預地點的結果一致性問題。但是，目前遠程技術用于孤獨癥和多動癥的篩查研究還比較少，有待進一步挖掘。更為重要的是，目前國內外很少有研究將孤獨癥和多動癥這兩個在病因上聯系非常緊密的特殊群體相結合來開展智能化篩查與干預的系統研究。

綜上所述，當前人工智能用于孤獨癥和多動癥篩查與干預的研究主要集中于以下方面：（1）通過智能算法對評價標準的有效性進行篩查；（2）通過觀察兒童行為表現進行早期篩查和預測；（3）通過機器學習算法分析腦功能等篩查過程的數據，獲得更好的篩查結果；（4）通過游戲化場景來進行孤獨癥的干預。同時我們注意到，盡管人工智能技術目前已經可以對孤獨癥和多動癥的篩查和干預輔以一定工具和手段，但由于病癥本身的復雜性，相關應用仍存在以下幾方面問題：（1）高質量的數據源缺乏。現有數據（行為數據、認知數據、生理數據、遺傳數據等）并非通過智能技術收集，無法為人工智能的發展提供高質量的訓練數據集。一方面，若原始數據存在大量缺失甚至異常情況，則會導致數據無法使用；另一方面，大量的源數據可能因為來自多個子數據源而出現格式不一致問題，導致冗余信息等情況出現。（2）高性能的算法不足。面向各類篩查與篩查模型的算法雖然可以得出非常精確的結果，但神經網絡算法的內部是“黑箱”，且目前因沒有相關理論破解其內部機制（“知其然而不知其所以然”）而飽受質疑，因此有必要針對具體任務設計新的智能算法。（3）高沉浸的系統有待完善。目前游戲化互動場景雖然可以做到一定程度的干預和引導，但是沉浸感和互動性不足，加之孤獨癥和多動癥兒童對于環境的反饋不同于一般兒童，導致取得的效果較為有限。因此，針對特殊教育領域的篩查與干預，特別是孤獨癥和多動癥，迫切需要設計新的基于大數據學習技術的評價體系、基于感知智能識別技術的行為篩查技術、基于移動可穿戴互動系統的干預系統，以便更精確、更便捷、更早期、更有效地進行篩查和干預。（4）在數據集相對易于獲得、數據量較大的情況下，人工智能系統雖然能夠在算力支撐下得出高性能的模型，但是同樣需要考慮到模型過擬合的問題，并在孤獨癥個體特征差異較大的情況下需要特別注意提高模型的泛化能力。

人工智能與特殊教育學科融合的可能發展方向

方向1：基于多維數據機器學習的篩查指標體系建設。目前孤獨癥和多動癥的篩查是由專家進行的，他們使用標準問卷并通過人工觀察尋找特定的行為標志。一方面，對兒童觀察、家長訪談和手工測試進行解釋性編碼既昂貴又耗時。此外，由于專業培訓、使用資源和文化背景的不同，臨床醫生的觀察可能存在主觀性，結果的可靠性和有效性有待商榷。同時，行為評級通常不會收集兒童在自然環境中的數據，而這實際上對于病癥的判斷也十分重要。開發可以作為人類專家決策工具的機器學習方法，不僅可以節省篩查時間，而且有助于在決策過程中引入更客觀、可重復的措施。

總結近10年來國內外人工智能與特殊教育相融合的研究與應用發現，其在孤獨癥和多動癥這一應用領域亟待突破的科學問題是篩查標準的精度和敏感度相關問題。為此，可以應用機器學習對國際通行常用的孤獨癥與多動癥篩查工具與篩查方法所指向的數據庫（量表數據、腦結構數據、表情數據、動作數據等）進行大數據分析，開發可以高精度區分多動癥和孤獨癥的簡化分類算法。通過已經生成的篩查數據，訓練和測試不同的機器學習算法，為每種算法定制前向特征選擇方法，探索構建適合中國國情特色的兒童篩查維度、內容等分類系統。在此基礎上，利用機器學習算法獲得的預測模型，對實時收集的兒童目標行為特征進行精準匹配，創立適合中國國情特色的智能孤獨癥和多動癥多維篩查體系，使其性能高于或不低于國際公認的最佳臨床篩查系統。同時，探索將該系統架構在智能移動設備上的方法路徑，以便廣大家長、教師和專業干預人員掌握和運用。

方向2：基于視覺識別技術的智能快速輔助篩查系統建設。孤獨癥與多動癥的早期篩查一直是個難題。當前隨著視覺感知識別技術的飛速發展，“刷臉”、視頻監控等已經得到了廣泛普及和應用，視覺識別技術在自動化醫療篩查領域也有一些應用。例如，基于計算機視覺的面部分析可以用于監測血管脈搏、篩查疼痛、檢測面部癱瘓、篩查精神疾病等。同時，基于視覺識別技術能夠捕獲患者病情不顯著的客觀信息進行智能輔助篩查，由此提供了一種低成本和非侵入性的方法，較之醫療檢查大大降低了費用和時間成本，具有高效性和便捷性。此外，由于視覺識別技術能夠做到“悄無聲息”的篩查，有利于消除潛在的偏見，減少決策過程中與人為因素有關的錯誤，其檢查結果可重復、更客觀。

社交障礙是孤獨癥譜系障礙的核心特征，包括表情在內的面部特征被認為是孤獨癥相關臨床研究的有效標記物。因此，可以采用面部表情分析和RGBD頭部運動分析技術來建立孤獨癥與多動癥自動篩查系統。具體地，可以嘗試采用深度學習方法從RGB數據中識別面部動作單元，并使用雙目攝像機記錄的RGBD（顏色＋深度）圖像中的面部跟蹤數據來獲取頭部動作和面部動畫單元參數。對于通過三維傳感器檢測和跟蹤到的兒童相關數據（包括面部表情數據，如持續表情、動態表情、微表情等），我們能夠提取特定區域的數據，對數據進行采樣和過濾，并跟蹤數據找出該區域中人或物體的大小和速度。除了面部表情以外，瞳孔、脈搏、行為變化等也可以作為篩查的依據。對此，可以研發基于視覺識別的非接觸式脈搏測量方法。實驗證明，通過攝像頭記錄受試者的臉部數據并對其進行數據分析獲得的結果與通過傳統把脈方式獲得的脈搏情況有較高吻合度。同時，研發可以長時間準確記錄情緒面部表情的可穿戴設備，用以量化用戶的面部表情、推斷他們的情感狀態，并實現其在多種環境中的運行，方便兒童日常佩戴和不受阻礙地隨意移動，從而輔助研發設計進一步的干預活動、人機交互模式以及反饋機制。

方向3：基于虛擬增強現實技術的互動干預系統建設。基于虛擬現實技術干預特殊兒童的著力點，包括內容可控的交流、反饋可測的互動、泛化的想象空間，聚焦于社交技能、情緒技能、日常生活技能、溝通能力、認知訓練（注意、執行功能、認知靈活性、對象的語境處理）等核心障礙的矯正。干預形式主要為虛擬游戲和人際互動，組織形式為“模仿＋交互”，內容涉及“游戲中的模仿”“接觸中的模仿”“社會／人際交往中的模仿”“話輪行為”“社會慣例的理解與應用”“學習新的交往方式”“聽與口頭表達能力”“提出問題／尋求幫助”等單元。游戲設置由易到難，由簡單圖形要素到豐富的社會化信息元素，同時根據年齡和智商等級設置不同難度的游戲內容，以增強兒童的體驗感。在此基礎上采用智能化多維篩查系統對干預效果進行過程評價與反饋，同時不斷利用機器學習算法優化干預方案和廓清干預指標。創建這樣的系統基于兩個目的：一是將兒童的心理表現（例如情緒）考慮在內，構建與其需要相契合的引導型社會情境；二是自動確認兒童的行為在所代表的社會情境里是否合適，進而更新IVRS的運行模式或運行主題。

另外，可利用增強現實（AR）智能眼鏡技術來建設干預環境。增強現實（AR）智能眼鏡是一項新興技術，可以作為患有孤獨癥的兒童和成人的社交工具。大量研究表明增強現實（AR）智能眼鏡具有良好的耐受性，可適用于不同嚴重程度和多種年齡的特殊兒童群體。智能眼鏡包含多種傳感器，例如加速計和照相機，并且能夠收集視頻、音頻、運動、生理和用戶數據。增強現實（AR）智能眼鏡中的內置傳感器收集關于環境和交互的定量數據后，可利用人工智能算法分析這些數據。

方向4：遠程移動篩查與干預平臺。特殊兒童具有不愿意與人溝通，多疑、敏感等特征。面向特殊兒童，通過增強現實、增強虛擬環境、混合現實等技術手段輔助營造移動便捷式篩查與干預平臺，以跨模態的形式表示內容，提升內容的可達性和親近性，有利于進一步開發有效的監控和篩查工具，幫助老師有效監控、科學篩查和實時干預學習者的學習行為。

智能教育遠端篩查與干預系統為特殊兒童家庭提供了便利的篩查與干預手段。其用于學校、家庭等兒童生活的重要場景中，能夠實時篩查兒童的發展情況，為個性化教育方案的設計、干預提供便捷有效的輕量化平臺。特殊兒童足不出戶，即能在任意可連入網絡的位置接受專業的篩查與干預。

一方面，建立具有場景適應性的XR協同工作模式和方法。在教育實踐中，虛擬現實構建合理、夸張或虛幻的VR環境，為特殊兒童帶來想象性、交互性、沉浸性的學習體驗；而增強現實則更加強調學習過程的興趣性、智能性、自主性，從而提升特殊兒童在現實生活或學習中的思維動力和實踐能力。根據特定教育場景，分析VR和AR功能的平行與互補關系，建立XR協同工作模式，能夠實現物理空間和虛擬空間的交互影響和信息共享。在兒童智力開發領域采用VR-AR混合技術，彌補了單一VR或AR技術弱化了兒童對真實世界的觀察和感知能力的缺陷，能夠通過積極健康的學習內容、豐富的視聽體驗、積極多樣化的交互方式來吸引兒童的注意力。

另一方面，優化多模態的交互設計和跨模態的內容表達方法。組合手勢、聲音、體感等不同類型的用戶輸入通道，能夠減少技術使用層面的困難，提供更好的設備使用體驗。平衡利用文本、圖像、視頻、動畫、3D模型、聲音等跨媒體元素構建學習內容，可作為學習的催化劑，且能實現設計元素之間并列的、交替的或互相影響的關系。同時，可構建具有真實感的探究學習過程和學習情境。XR的建構基礎是在真實活動中產生的關于視、聽、觸感等的感受和體驗，在此基礎上通過不斷提高干預的可達性，XR系統可適應具有各種需求和喜好的學習者。此外，從平臺可縮放、社會可縮放和真實世界可縮放實現XR系統的可達性。在平臺可縮放中，從桌面設備、移動平臺和大屏環境來設計內容的表示、表達和參與度；在社會可縮放中，主要考慮在線或遠程社會空間中的交互用戶規模；在真實世界可縮放中，關注VR和AR之間的切換，以及用戶、環境、對象的同步。

總之，智能教育遠端篩查與干預系統能夠為出行困難的特殊兒童家庭提供便捷、有效、可靠的篩查與干預方式。特殊兒童在異地佩戴XR頭盔、XR眼鏡或者在移動設備如智能手機、平板等打開瀏覽器、登錄提供的網址，即可接受專業的篩查與干預。

（內蒙古師范大學心理學院王彥姣博士在前期文獻整理等方面作出重要貢獻）

參考文獻

A. Anzulewicz; K. Sobota; J. T. Delafield-Butt., "Toward the Autism Motor Signature: Gesture Patterns During Smart Tablet Gameplay Identify Children with Autism," Scientific Reports, 2016, (6).

E. Bekele et al., "Multimodal Adaptive Social Interaction in Virtual Environment (MASI-VR) for Children with Autism Spectrum Disorders (ASD)," IEEE, 2016, DOI:10.1109/VR.2016.7504695.

L. Boccanfuso et al., "Emotional Robot to Examine Different Play Patterns and Affective Responses of Children with and without ASD," ACM, 2016, DOI:10.1109/HRI.2016.7451729.

H. Cody et al., "Early Brain Development in Infants at High Risk for Autism Spectrum Disorder," Nature, 2017, 542.

L. Dickstein-Fischer; G. S. Fischer, "Combining Psychological and Engineering Approaches to Utilizing Social Robots with Children with Autism," Engineering in Medicine & Biology Society, 2014.

I. Dinstein et al., "Normal Movement Selectivity in Autism,"  Neuron, 2010, 66(3).

M. Duda et al., "Use of Machine Learning for Behavioral Distinction of Autism and ADHD," Translational Psychiatry, 2016, 6(2).

M. Duda et al, "Crowdsourced Validation of A Machine-Learning Classification System for Autism and ADHD," Transl Psychiatry, 2017, 7(5).

K. Evers et al., "How Well are DSM-5 Diagnostic Criteria for ASD Represented in Standardized Diagnostic Instruments?" Eur Child Adolesc Psychiatry, 2021, 30(1).

V. C. Georgopoulos; S. Chouliara; C. D. Stylios, "Fuzzy Cognitive Map Scenario-Based Medical Decision Support Systems for Education," IEEE, 2014, DOI:10.1109/EMBC.2014.6943961.

T. Hampton, "Early Brain Imaging in Infants May Help Predict Autism," JAMA, 2017, 318(13).

K. Jain; P. M. Mishra; S. A. Kulkarni, "A Neuro-Fuzzy Approach to Diagnose and Classify Learning Disability," Springer India, 2014, DOI:10.1007/978-81-322-1602-5_69.

M. Kast et al., "Computer-Based Learning of Spelling Skills in Children with and without Dyslexia," Annals of Dyslexia, 2011, 61(2).

Y. D. Kim et al, "Design of Robot Assisted Observation System for Therapy and Education of Children with Autism," in G. Goos (eds.) Lecture Notes in Computer Science, 2010, Springer: Berlin, Heidelberg.

G. Lorenzo; A. Lledó; J. Pomares, "Design and Application of an Immersive Virtual Reality System to Enhance Emotional Skills for Children with Autism Spectrum Disorders," Computers & Education, 2016, 98.

T. Mayes and S. D. Freitas, Review of E-Learning Theories, Frameworks and Models, London: Joint Information Systems Committee, 2004.

E. Melis and J. Siekmann, "ActiveMath: An Intelligent Tutoring System for Mathematics," in G. Goos (eds.) Lecture Notes in Computer Science, 2004, Springer: Berlin, Heidelberg.

N. Sebe et al., "Emotion Recognition Based on Joint Visual and Audio Cues," Proceedings of the 18th International Conference on Pattern Recognition, 2006.

D. A. Strickland, "A Virtual Reality Application with Autistic Children," Teleoperators and Virtual Environments, 1996, 5(3).

Development Trend of Special Education Discipline in Intelligent Era

Wang Pei

Abstract: Artificial intelligence helps to build a variety of accurate models and provides convenient tools for accurate screening and intervention of exceptional children. The integration of artificial intelligence and special education is a major trend in the development of education in the intelligent era, which will help ensure that special groups enjoy equal education services, maximize their potential and give full play to their value. Research in the field of screening and intervention for key special populations such as autism and ADHD is still in initial stages. To this end, it is necessary to promote the construction of a screening index system based on multi-dimensional data machine learning, an intelligent and rapid assisted screening system based on visual recognition technology, and an interactive intervention system based on virtual augmented reality technology, and on this basis, promote the construction of a remote mobile screening and intervention platform with schools and families as the implementation field.

Keywords: exceptional children, artificial intelligence, screening for exceptional children, intervention for exceptional children

責 編∕張 貝 美 編∕梁麗琛