人工智能在兒童學習障礙教育中的應用研究綜述*

王永固 王蒙娜 李曉娟

（1.浙江工業(yè)大學 教育科學與技術學院，浙江杭州 310023；2.浙江財經(jīng)大學 心理健康教育與咨詢實驗教學中心，浙江杭州 310018）

一、引言

人工智能（Artificial Intelligence， AI）是涉及眾多領域的一門交叉學科，其目的是使機器能夠擁有像人類一樣的思考能力。進入21世紀以來，人工智能技術逐步成熟，應用領域越來越廣泛，教育領域就是其中之一。在教育領域，國內外眾多研究者積極開展人工智能技術在兒童學習障礙領域的研究，并取得了突破性的進展。Hilles和Naser[1]的研究表明，人工智能技術能夠為學習者探索學習任務提供有效的指導，使學習過程更加適合學習者的學習特點。目前，學習障礙兒童的數(shù)量越來越多，兒童學習障礙成為教育學、心理學和臨床醫(yī)學共同關注的一個科學難題，已嚴重影響了學習障礙兒童的學業(yè)成績和核心素養(yǎng)發(fā)展。

可喜的是，在過去十年中，國內外很多學者和研究機構開始探索人工智能技術應用于兒童學習障礙研究，并取得了豐富的理論和應用研究成果。但是，筆者查閱國內外的文獻數(shù)據(jù)庫發(fā)現(xiàn)，到目前為止，國內外學術界尚缺少人工智能在兒童學習障礙教育中的系統(tǒng)性研究綜述，這將影響人工智能技術在兒童學習障礙領域的深入研究。

鑒于此，本文以“人工智能”和“學習障礙”為關鍵詞， 查 閱 Elsevier Science Direct、Springer Link、Wiley-Blackwell、SAGE、Google 學術和 CNKI等全文數(shù)據(jù)庫，檢索相關學術論文49篇?；谝陨衔墨I數(shù)據(jù)對國內外相關研究進行文獻分析，綜述相關研究的現(xiàn)狀，預測未來發(fā)展趨勢，以期推進人工智能技術在兒童學習障礙教育中的應用研究。

二、國內外相關理論框架

（一）人工智能技術

自1956年人工智能被提出以來，其技術的發(fā)展，經(jīng)歷了最初發(fā)展的熱潮，到20世紀70-80年代進入發(fā)展的低谷期，再到90年代的緩慢發(fā)展等幾個階段，近幾年又重新引起了人們的關注。特別是，2016年基于深度學習的 AlphaGo戰(zhàn)勝了圍棋世界冠軍李世石，再一次激起了人們對人工智能的興趣。現(xiàn)在，人工智能已經(jīng)被視為推動社會快速穩(wěn)定發(fā)展的主要核心技術力量之一[2]。目前，人工智能在某種程度上為人類的生活與工作帶來了極大的便利，并占據(jù)越來越重要的地位。人工智能研究的領域廣泛，涉及如機器視覺、人臉識別、指紋識別、虹膜識別、視網(wǎng)膜識別、智能搜索、專家系統(tǒng)等內容。這些人工智能都具有較低的智能化程度，由于不具備人類隨機應變的能力，只能按照事先編譯好的指定程序對機器下達命令。但隨著科學技術的快速發(fā)展，未來的人工智能技術將會達到一個新的高度。但其具體發(fā)展方向并不是人為所能控制的，而是根據(jù)時代發(fā)展的需要必然會出現(xiàn)的[3]。

（二）學習障礙的含義

“學習障礙（Learning Disability，LD）”一詞是指廣泛的困難所導致的學習問題[4]。學習障礙通常由未知的因素造成，這些未知因素影響大腦接收和處理信息的能力，導致學習障礙兒童無法像正常發(fā)展兒童一樣快速學習。Julie和Balakrishnan認為，學習障礙是一種影響兒童大腦的神經(jīng)系統(tǒng)疾病，削弱了兒童執(zhí)行一項或多項特定任務的能力[5]。學習障礙與閱讀或寫作能力不足有關，是精神發(fā)育遲滯的一種精神疾病。Jordan等人認為，受學習障礙影響的兒童在行動不遲鈍、智力也不遲鈍的情況下，他們可以有正?；蚋哂谄骄降闹橇?。雖然他們可能在閱讀、識字或數(shù)學方面存在障礙，但這并不意味著學習障礙兒童不聰明。在現(xiàn)實中，個別的學習障礙兒童比普通兒童更具智慧[6]。學習障礙因個體而異，不同學習障礙兒童表現(xiàn)出不同的學習問題，目前，學習障礙仍無法治愈，但在正確的幫助下，學習障礙兒童能成功的學習。

“學習障礙”一詞最早由美國Samual·Kirk在1963年知覺障礙兒童基金會的研討會中提出，由于得到眾多學者的認同，“學習障礙”一詞就統(tǒng)一了過去對這類障礙的各種名稱[7]。1975年，“學習障礙”一詞得到美國《所有殘疾兒童教育法》（94-142公法）的認可，該部法律強調學習障礙是指與注意、記憶、理解和運用語言有關的一種或幾種基本心理過程的異常，導致兒童在聽、說、讀、寫、思考或數(shù)學運算方面有顯著的學習困難。這些異常包括書寫障礙、輕微腦功能失調、閱讀障礙和語言障礙等情形。但是，學習障礙不包括因動作障礙、視覺、聽覺、智能不足或社會文化、環(huán)境、經(jīng)濟等不利因素所造成的學習問題。此后，“學習障礙”一詞得到社會的廣泛認可并成為教育學、心理學和兒童精神病學等領域共同研究的課題[8]。

到目前為止，雖然關于學習障礙的定義有很多，但它們并無實質的不同。其中影響較大、運用范圍較廣的是學習障礙委員會1981年的定義，它將學習障礙定義為：“一組由內外因素綜合作用導致的異常，表現(xiàn)在聽、說、讀、寫、思考、推理或計算能力的獲取和使用上存在問題”[9]。在學術界未對學習障礙進行統(tǒng)一明確的界定前，常把“學習障礙”與“學習困難”兩個詞混用，然而兩者在范圍上不完全相同，后者較前者范圍更加廣泛，還包括由于智力不足、文化、環(huán)境、經(jīng)濟等不利因素所造成的學業(yè)不良。

目前我國學術界對學習障礙尚未有統(tǒng)一的定義。在前人文獻的基礎上，本研究將學習障礙（LD）概念界定為：（1）學習障礙兒童在聽、說、讀、寫、思考、數(shù)學運算等方面存在顯著的學習困難；（2）學習障礙兒童基本不存在智能不足現(xiàn)象，有些甚至比正常兒童聰明；（3）其原因是個體內在的腦傷、輕微腦功能失調所致；（4）大多數(shù)學習障礙兒童在社交技能方面有明顯缺陷；（5）需要排除由于智能不足、聽覺障礙、視覺障礙、動作障礙等或由于受文化、環(huán)境、經(jīng)濟等不利因素的影響，未能接受正規(guī)教育的原因所造成的學習方面的障礙。

（三）學習障礙的成因

在內部因素方面，兒童學習障礙的成因包含學習動機、意志力薄弱和歸因等三個方面：50%的學習障礙兒童對學習不感興趣，缺乏正向的學習動機；學習障礙兒童難以克服學習過程中出現(xiàn)的困難，遇到問題容易退縮，缺乏正面應對的勇氣；在歸因方面，學習障礙兒童常把成功歸因于難度低或運氣等外部不可控因素，而把失敗歸因于能力或智力等內部不可控因素，這使其將困難看作是對自身能力的威脅，常常采用逃避的方式處理。

在外部因素方面，兒童學習障礙的成因包含家庭環(huán)境、外部態(tài)度和社會文化環(huán)境等三個方面：一是家庭環(huán)境影響，良好的家庭環(huán)境和民主的教養(yǎng)方式為兒童提供更多的互動和學習支持，兒童更容易對學習產(chǎn)生濃厚的興趣，沒有厭學情緒，不易出現(xiàn)學習障礙[10]；二是學校教師教學態(tài)度和期望的影響，學校環(huán)境對兒童產(chǎn)生一定的影響，教師的言行、教學方法對兒童有重要的影響，若教學方法不當，兒童容易喪失學習樂趣[11]；三是社會文化環(huán)境，發(fā)達地區(qū)的學習障礙兒童的數(shù)量明顯低于文化落后地區(qū)兒童的人數(shù)，社會文化環(huán)境影響兒童的發(fā)展[12]。

（四）學習障礙的分類

兒童學習障礙的表現(xiàn)因人而異，不同的兒童表現(xiàn)出不同的學習問題，因此給兒童學習障礙的分類帶來一定的困難。到目前為止，學術界尚沒有形成一致的分類標準。其中，學術界主要采納美國學者Kirk在1989年提出的學習障礙的分類。Kirk[13]將兒童學習障礙分為兩大類，即發(fā)展性學習障礙（Developmental Learning Disabilities）和學業(yè)性學習障礙（A-cademic Learning Disabilities）。

發(fā)展性學習障礙是指兒童在正常發(fā)育過程中在知覺、視覺、聽覺和語言功能等方面出現(xiàn)異常，多與大腦信息處理過程的問題有關[14]，包含五種類型：（1）視聽覺障礙（Visual Perception or Auditory Perception Disabilities）：聽覺障礙影響兒童的閱讀、寫作和拼寫的能力，視覺障礙兒童難以分辨物體形狀和顏色的細微差別，無法識別字母和數(shù)字。（2）記憶障礙（Memory Disabilities）：再現(xiàn)所見所聞或親歷過的事件時的障礙。（3）運動障礙（Motor Disabilities）：指兒童在身體的協(xié)調方面存在問題，包括粗大的運動技能（奔跑、跳躍）和精細的運動技能（寫作、繪畫）。 （4）認知能力障礙（Cognitive Disability）：指在記憶、語言、計算、視覺空間、理解判斷等方面存在一項或多項受損，影響個體學習和日常生活。（5）語言障礙 （Language Disabilities）：兒童的語言能力發(fā)育遲緩、復述故事的能力差、言語的流暢度低，在理解詞語和句子含義方面存在困難。

學業(yè)性學習障礙是指兒童在閱讀、寫作和計算等能力存在異常，學習障礙兒童的閱讀能力、寫作能力、計算能力低于正常發(fā)展兒童。首先，閱讀障礙有兩種類型，一種是難以理解字母和單詞之間的關系；另一種是無法掌握單詞、短語和段落的含義。其次，寫作障礙包括兩種類型：一種是在形成文字和單詞本身方面存在障礙；另一種是在文字意思的表達方面存在障礙。最后，兒童的計算障礙因人而異，一個兒童的計算能力會受到語言學習障礙、視覺障礙或記憶障礙等困難的影響。計算障礙兒童可能在組織數(shù)字、操作符號的順序方面存在困難，例如，兒童在5+5=10和5×5=25這兩個算式中的計算符號區(qū)別障礙即可能受到視覺障礙的影響。

三、人工智能在兒童學習障礙教育中的應用

學習障礙兒童常常表現(xiàn)為在聽、說、讀、寫、理解、社交等方面存在缺陷，身心處于低能、失能和不能的狀態(tài)，這不利于他們的學業(yè)成績和核心素養(yǎng)發(fā)展。從需求和適配度層面來看，學習障礙兒童在聽覺能力、語言理解能力和社交能力等方面的發(fā)展，更需要人工智能技術的介入、輔助和支持[15]。認知科學家和人工智能先驅Minsky指出，人工智能可以根據(jù)個體特定的情境及其需求開發(fā)出個性化的教學機器。這通過與學習障礙兒童進行對話，幫助學習障礙兒童理解問題或達到某個目標[16]。

近年來，人工智能開始應用于兒童學習障礙教育領域中，作為優(yōu)化和提升學習障礙的診斷、干預、評估和服務四種關鍵應用的方法和技術，可以促進學習障礙兒童學業(yè)成績的提高，幫助學習障礙兒童核心素養(yǎng)的改善。

（一）診斷

全國健康訪問調查（2004年）數(shù)據(jù)顯示，我國約有8%的兒童和青少年存在學習障礙[17]。目前，由于對兒童學習障礙尚沒有明確的診斷標準，所以對其的診斷仍是一個難題。美國的心理、教育和醫(yī)療領域的工作者主要基于兒童的知識和學業(yè)成績的差異,來評斷其是否患有學習障礙。已有研究證明，人工智能技術可以用于兒童學習障礙的診斷，且具有良好的效果。基于國內外相關研究文獻分析，本研究發(fā)現(xiàn)，兒童學習障礙診斷可采用人工智能技術的算法、應用模型和系統(tǒng)平臺進行。

1.提出兒童學習障礙診斷的AI算法，可以提高兒童學習障礙的診斷精度

目前，學術界提出兩種兒童學習障礙診斷的AI算法，分別是深度學習算法和支持向量機SVM算法。2008年，Wu和Huang等人提出使用人工神經(jīng)網(wǎng)絡分類器診斷學習障礙，通過實驗研究證明，人工神經(jīng)網(wǎng)絡分類器能診斷出超過50%的學習障礙兒童，優(yōu)于基于統(tǒng)計技術的傳統(tǒng)診斷方法[18]。隨后，Anuradha等人使用“SVM”人工智能算法開發(fā)出更準確、更省時的注意力缺陷多動障礙（ADHD）診斷平臺。該平臺的SVM模塊提供醫(yī)生用來診斷病癥的問卷調查，通過使用SVM算法來診斷兒童是否患有注意力缺陷多動障礙（ADHD）[19]。由此可見，AI算法能夠提高學習障礙兒童診斷的精度。

2.構建兒童學習障礙的診斷模型，探索學習障礙兒童智能診斷的新方法

1990年，Geiman和Nolte提出了兒童學習障礙分類的專家系統(tǒng)模型[20]。2008年，Arthi和Tamilarasi報道了一種基于人工神經(jīng)網(wǎng)絡（ANN）技術的自閉癥診斷模型，該模型將原始的自閉癥數(shù)據(jù)轉換成合適的模糊值，并將這些數(shù)據(jù)作為神經(jīng)網(wǎng)絡的輸入；該診斷模型采用了較為成熟的k-近鄰算法，用于預測兒童自閉癥的研究中[21]。2013年，徐影、李懷龍和謝家奎等結合學習障礙診斷領域的知識特點、專家問題求解的思維過程和推理過程的特點，開發(fā)了適合于學習障礙診斷的推理模型[22]。在該模型中，用戶首先輸入自己的病癥，進入診斷推理程序，接著系統(tǒng)自動將輸入的個人癥狀與專家系統(tǒng)中數(shù)據(jù)庫進行初步匹配，然后向用戶呈現(xiàn)診斷結果，包含學習障礙的相關信息，最后向用戶推薦對應的干預治療方法。

3.開發(fā)兒童學習障礙診斷的專家系統(tǒng)，學習人類專家診斷學習障礙的思維與經(jīng)驗

2003年，Georgopoulos等人提出特定言語障礙診斷的模糊認知圖 （Fuzzy Cognitive Map，F(xiàn)CM）方法。模糊認知圖是一種使用符號來描述和建模復雜系統(tǒng)的軟計算方法，其目的是為專家醫(yī)生提供一個特定言語障礙與閱讀障礙和自閉癥的鑒別診斷。因為在許多情況下，言語障礙具有與其他學習障礙相似的癥狀而難以辨別。該系統(tǒng)在四個臨床病例中進行測試，取得令人滿意的結果[23]。2006年，Wu和Meng等人開發(fā)了第一個診斷學習障礙的人工智能“專家系統(tǒng)”，其目標是模擬人類專家求解問題的思維過程，以解決學習障礙診斷中的各種問題[24]。2009年，Hernández等人介紹了一個診斷兒童學習困難的專家系統(tǒng)，該系統(tǒng)包括一系列心理學評估策略組成的知識庫。研究者試圖找出輸入變量（年齡，性別，教育水平）和輸出變量（精神運動方面、智力方面）之間的關系。該專家系統(tǒng)能為其用戶提供認識學生心理素質的可能性，研究結果發(fā)現(xiàn)，80%的評估人員認為該系統(tǒng)能高效地診斷兒童的學習障礙[25]。2012年，ElSayed研制了一個用于學習障礙兒童診斷的智能代理分類系統(tǒng)。該系統(tǒng)為提供學生的教育學和心理學特征，也能產(chǎn)生最佳的教育活動解決方案。該系統(tǒng)為班主任提供了討論心理功能和學習技能的工具，在該系統(tǒng)的語義網(wǎng)絡知識庫中包含一系列策略支持心理和教學的評估。教師可根據(jù)專家分類知識庫中獲取的樣本得到爭端經(jīng)驗，對學習障礙兒童進行分類[26]。

（二）干預

一個可靠而有效的診斷是幫助兒童克服困難的第一步，診斷的目的是為了干預過程的開展。干預是學習障礙兒童教育的重要組成部分，因為干預過程能夠更加明確地指導學生的學習。目前的一個重要研究方向是使用人工智能技術對學習障礙兒童進行干預教育。研究發(fā)現(xiàn)，大部分研究圍繞運用人工智能技術開發(fā)系統(tǒng)平臺對學習障礙兒童進行干預的主題展開。根據(jù)學習障礙兒童的分類，我們將系統(tǒng)分為發(fā)展性學習障礙干預系統(tǒng)和學業(yè)性學習障礙干預系統(tǒng)。

1.發(fā)展性學習障礙干預系統(tǒng)解決兒童的視聽覺、注意力、認知能力、記憶、言語等發(fā)展性障礙問題

2003年，Schipor等人創(chuàng)建了一種基于模糊專家系統(tǒng)的言語治療（CBST）系統(tǒng)，使用模糊專家系統(tǒng)開發(fā)其架構，幫助言語障礙兒童獲取最佳治療方案，向言語障礙兒童提供更多的干預時間[27]。2006年，Sebe等人基于視覺和音頻線索實現(xiàn)情緒聯(lián)合識別，這種人機交互應用系統(tǒng)不僅能夠識別六種基本情緒，包括快樂、驚喜、憤怒、厭惡、恐懼和悲傷，而且能識別其它情感狀態(tài)，包括興趣、無聊、混亂和沮喪。該研究對患有言語障礙和情緒障礙的自閉癥兒童提供積極有效的干預訓練[28]。

2007年，Riedl等人設計了一個幫助高功能自閉癥譜系障礙兒童學習社交技能的智能系統(tǒng)。該系統(tǒng)通過呈現(xiàn)社交場景游戲，例如，支持兒童以角色扮演的方式完成社會情境中的任務，采用人工智能技術減少專家應用干預策略時手動創(chuàng)作的負擔，取得了顯著的干預成果[29]。2008年，Drigas等人在實施“Dedalos”項目中，面向以英語為第二語言的聽覺障礙兒童，采用智能分類系統(tǒng)評估學生的言語能力，動態(tài)設置教學內容，為聽覺障礙兒童的學習提供一個完整的支持系統(tǒng)，消除他們的入學障礙[30]。2016年，Galina和Assem等開發(fā)了視覺障礙兒童遠程智能學習系統(tǒng)，該系統(tǒng)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(tǒng)計方法處理多維數(shù)據(jù)，為視覺障礙兒童的遠程學習提供智能化的學習環(huán)境[31]。

2.學業(yè)性學習障礙干預系統(tǒng)解決閱讀、拼寫、書作、數(shù)學等學習活動的心理障礙

2001年，Melis等人介紹了一種基于 Web的ActiveMath數(shù)學智能輔導系統(tǒng)（ITS），用于數(shù)學學習障礙兒童。ActiveMath允許兒童在自己覺得舒適的環(huán)境中學習，使用人工智能技術生成自適應課程，學生可以建模、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評估來啟動他/她的學生模型，然后選擇學習目標和場景，并根據(jù)自己掌握程度調節(jié)課程，“眼睛追蹤器”能詳細追蹤兒童的注意力和閱讀時間。對該系統(tǒng)多年的實驗研究證明，智能輔導系統(tǒng)（ITS）在數(shù)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[32-34]。2010年，Gonzalez等人設計了一個用于檢測分析數(shù)學問題中錯誤的自動平臺，支持學生個性化反饋。該方法適用于所有學生，尤其是那些有特殊教育需要的學生，如，唐氏綜合癥患者的加法和減法算術運算。該系統(tǒng)的錯誤檢測算法，能夠收集、分析學生和平臺之間的交互數(shù)據(jù)，然后把輸出提供給教師。此外，該系統(tǒng)還包含教學策略模型，將學生在練習中所犯的一系列錯誤返回給學生，幫助學生認識到他們自己的錯誤。該系統(tǒng)在患有唐氏綜合癥兒童的實驗結果中獲得證實，其能幫助學習障礙兒童在數(shù)學練習中獲得較高的正確率[35]。

2010年，Baschera和Gross開發(fā)一款面向拼寫障礙兒童的適應性拼寫訓練系統(tǒng)。該系統(tǒng)基于推理算法觀察兒童的錯誤行為，評估每個規(guī)則對學生的難度，引導學生重復訓練拼寫錯誤的單詞。對該系統(tǒng)在兩個大規(guī)模的用戶研究中進行測試，結果顯示，拼寫障礙兒童經(jīng)過一段時間訓練后，其拼寫錯誤率顯著降低[36]。2013年，Adalberto等人提出了一種旨在使用人工智能技術幫助教師、心理學家和教育家支持閱讀障礙兒童學習的方法。該方法可以適應每位兒童的個體需求而產(chǎn)生相應的學習任務。在任務執(zhí)行的同時，機器學習系統(tǒng)將收集和處理數(shù)據(jù)，分析學生在閱讀和寫作時的學習過程，模糊系統(tǒng)將根據(jù)機器學習系統(tǒng)收集的數(shù)據(jù)提出適當?shù)娜蝿眨M而輸出一個適應性的任務，激勵閱讀障礙兒童執(zhí)行相應的閱讀任務[37]。

（三）評估

學習障礙會導致兒童難以學習和使用某些技能。調查發(fā)現(xiàn)，學習障礙對入學兒童的影響率為15%，因此，對學齡前和學齡期兒童進行學習障礙評估是一項重要且急迫的工作?；趦和瘜W習障礙的成因和分類，學習障礙兒童的癥狀具有高度相似性，因此，學習障礙兒童評估需要選擇合適的評估工具。文獻分析發(fā)現(xiàn)，國內外已有學者將AI應用于學習障礙兒童的評估工具中。通過AI評估工具來幫助教師或家長觀察孩子的學習水平，能提高教師或家長的評估能力，使學習取得良好的成效。本部分介紹人工智能中算法、模型、系統(tǒng)在學習障礙兒童評估中應用研究。

1.應用人工神經(jīng)網(wǎng)絡（Artificial Neural Network，ANN）評估和預測學習障礙兒童

人工神經(jīng)網(wǎng)絡是20世紀80年代以來人工智能領域興起的研究熱點，在兒童學習障礙評估中應用逐步深化。2008年，Pavlopoulos等采用神經(jīng)元網(wǎng)絡方法支持學生開展自我評估，借助計算機程序逐步優(yōu)化。在該研究中，記錄和分析了學生在虛擬學習環(huán)境中單個和多個問題中的答案，評估了五個學習領域的答案：語法/句子結構、閱讀、寫作、字母識別和字母順序和拼寫/詞匯。研究結果發(fā)現(xiàn)，應用虛擬學習環(huán)境的遺傳編程神經(jīng)網(wǎng)絡（GPNN）方法對所有在上述領域存在障礙的學生都是有效的，并且特別適用于身體或感覺障礙的個體[38]。2010年，Kohli提出了一種使用人工神經(jīng)網(wǎng)絡（ANN）識別誦讀困難的方法，這是首次嘗試人工智能解決兒童閱讀障礙識別的應用。該項研究對2003-2007年間潛在閱讀障礙學生的評估結果進行測試，測試輸出的實驗結果發(fā)現(xiàn)，使用測試數(shù)據(jù)獲得的初步結果相當準確，該平臺能應用于實際的閱讀障礙兒童的預測評估[39]。2013年，David和Balakrishnan報道了人工神經(jīng)網(wǎng)絡（Artificial Neural Network，ANN）和自適應神經(jīng)模糊推理系統(tǒng) （Adaptive Neuro-Fuzzy Inference System，ANIFS）兩種智能方法以預測適齡兒童的學習障礙，并為學習障礙兒童預測開發(fā)了有效的工具[40]。

2.基于人工智能構建應用模型開展兒童學習障礙評估

2004年，Rebolledo-Mendez和Freitas提出NeuroSky MindSet （MS） 應用模型，MindSet是美國NeuroSky公司推出的基于其先進的BCI技術的一款“意念耳機”，能適用于所有人群，尤其可被應用于注意力缺陷多動障礙（ADHD）兒童。NeuroSky由帶有三個電極的頭戴式耳機組成，能夠讀取兒童腦電信號作為輸入以評估兒童的注意力水平。該應用模型在大學一年級本科生的測試結果表明，測量結果和被試自我報告的注意水平之間存在正相關[41-42]。2009年，Jain等人提出了一種基于感知器的學習障礙檢測器模型 （Perceptron based Learning Disability Detector，PLEDDOR）。該模型是一個人造神經(jīng)網(wǎng)絡，使用基于課程的測試可以識別兒童的閱讀障礙、書寫障礙和數(shù)學障礙[43]。該系統(tǒng)在印度240名兒童的測試結果表明，該模型能夠有效地評估學生的學習障礙。

3.基于人工智能系統(tǒng)收集的學習任務和社交活動數(shù)據(jù)開展兒童學習障礙評估

2007年，Livne介紹了一種自動評估學生數(shù)學問題答案的在線解析系統(tǒng)。在學習期間，學生被要求提供數(shù)學問題的答案，解析器分析學生提供的答案，立即反饋他們的錯誤，并提供準確的評分，該系統(tǒng)適合數(shù)學學習困難和學習障礙學生[44]。2009年，Dawn等人提出使用行動研究方法開發(fā)了一個基于Web的集體智能應用程序系統(tǒng)（DDtrac）。DDtrac系統(tǒng)允許教師收集學生在學習任務和社交活動中的數(shù)據(jù)，并分享有關的見解，用于評估學習障礙學生的進步程度和學習支持改善決策。該研究在40名特殊教育專業(yè)人員的調查結果表明，與發(fā)育障礙人士合作的教育工作者、臨床醫(yī)生、家庭、父母或其他專業(yè)人員可以從實時數(shù)據(jù)跟蹤和決策支持中獲得由DDtrac應用程序提供的有效教學反饋[45]。

（四）服務

結合學習障礙兒童的學習支持需求，隨著移動互聯(lián)網(wǎng)、云計算和大數(shù)據(jù)等新技術的發(fā)展，人工智能技術應用將依托云計算和大數(shù)據(jù)向學習障礙兒童、教師和家長提供越來越個性化的學習支持服務。

1.基于云計算的人工智能技術為學習障礙兒童提供更智慧的學習支持服務

基于云計算，利用語音識別技術、圖像識別技術和移動APP，人工智能技術能夠更好地服務于學習障礙兒童。2010年，基于訊飛開放平臺面向閱讀障礙的爭渡軟件，實現(xiàn)通過語音操作電腦，幫助實現(xiàn)讀屏功能，在國內供閱讀障礙者訪問互聯(lián)網(wǎng)使用；訊飛與香港失明人協(xié)進會（NVDA）聯(lián)合開發(fā)的粵語版讀屏軟件，成為粵語區(qū)閱讀障礙者的學習軟件。2015年，訊飛推出“聽見”產(chǎn)品，將老師教學演講內容完整的轉成文字，并在課堂上實時展示，輔助聽力障礙兒童更好的理解教學內容。目前，該軟件已在多個特殊學校的課堂情境中應用，相較于原來的手語教學，現(xiàn)場語音識別極大地擴展了課堂的信息量，對聽力障礙兒童教學提供了溝通與交流的便利。

綜上所述，云計算匯聚了人工智能技術的分布式計算能力，共享互聯(lián)網(wǎng)的海量學習障礙相關資源[46]。在移動網(wǎng)絡中某個節(jié)點輸入學習障礙兒童病癥時，基于云計算的人工智能技術能夠快速準確的查找出某一類學習障礙兒童的成因和癥狀，甚至模擬學習障礙兒童的神經(jīng)系統(tǒng)受損情況，提供與其相匹配的診斷結果和干預方法，為學習障礙兒童的干預訓練提供強有力的技術支持。

2.基于大數(shù)據(jù)的人工智能技術能為學習障礙兒童提供更精準的學習支持服務

目前國內外學者普遍認為，“大數(shù)據(jù)”是繼云計算和物聯(lián)網(wǎng)之后的IT產(chǎn)業(yè)的又一次重大技術變革[47]。在學習障礙兒童的教育中，基于大數(shù)據(jù)的人工智能技術的應用體現(xiàn)在三個方面：一是根據(jù)學習障礙兒童自身的學習需求，基于原始數(shù)據(jù)提供給兒童適合其能力的學習內容；二是持續(xù)采集學習障礙兒童在學習過程中生成的數(shù)據(jù)，針對兒童在學習過程中的障礙問題，形成適合每位兒童自身發(fā)展的干預措施[48]；三是記錄兒童在學習過程中的行為數(shù)據(jù)，這些數(shù)據(jù)表面看起來毫無規(guī)律，但當數(shù)據(jù)累積到一定程度時，對這些數(shù)據(jù)進行分析，就能找出學習障礙兒童的行為規(guī)律。因此，基于學習障礙兒童的學習行為大數(shù)據(jù)的挖掘、分析和建模，能夠更準確地把握學習障礙兒童的個體特征，從而精準的診斷、干預、評估和服務學習障礙兒童。

四、結論與展望

本研究檢索國內外人工智能技術在兒童學習障礙教育中的相關研究文獻，分析人工智能技術在學習障礙兒童的診斷、干預、評估、服務四個方面的應用：（1）人工智能中的SVM算法、深度學習算法、診斷模型和專家系統(tǒng)已應用于學習障礙兒童的診斷中，以提高學習障礙兒童診斷的精度。（2）基于人工智能技術的發(fā)展性學習障礙干預系統(tǒng)和學業(yè)性學習障礙干預系統(tǒng)已得到較多的應用，用于提升學習障礙兒童干預教學的質量和效率。（3）人工神經(jīng)網(wǎng)絡算法、應用模型和智能系統(tǒng)作為兒童學習障礙評估的方法和工具，以增加學習障礙兒童評估的精度。（4）基于云計算和大數(shù)據(jù)的人工智能技術已被應用于學習障礙兒童學習支持服務中，以提升學習障礙兒童支持服務的智慧度和精準度。由此可見，人工智能技術有助于準確的診斷和預測兒童學習障礙，為學習障礙兒童干預與評估提供智能化和個性化的干預方法[49]，提供更加智慧和精準的學習支持服務。

目前，從人工智能技術在正常發(fā)展兒童教育中的應用來看，人工智能技術實現(xiàn)教育教學的自動化、網(wǎng)絡化、智能化和個性化的研究越來越多。但是，人工智能技術在兒童學習障礙領域中的研究文獻和研究成果相對偏少，研究問題和范圍相對較小[50]。鑒于此，未來的研究應將人工智能領域最新的研究方法和技術應用于特定學習障礙兒童中，結合學習障礙兒童的特征和學習需求，優(yōu)化現(xiàn)有的人工智能算法，深化人工智能技術在特定學習障礙兒童的診斷、干預、評估和服務中的應用研究，優(yōu)化現(xiàn)有的SVM、ANN和深度學習等算法，設計更有效的診斷、決策和評估模型?；谠朴嬎愫痛髷?shù)據(jù)研制智能系統(tǒng)，幫助學習障礙兒童克服發(fā)展性障礙，并在學業(yè)成績和核心素養(yǎng)方面取得更有效的發(fā)展。

[1]Hilles M M，Naser S S A.Knowledge-based Intelligent Tutoring System for Teaching Mongo Database[J].European Academic Research，2017，4（10）：8783-8794.

[2]馬玉慧，柏茂林，周政.智慧教育時代我國人工智能教育應用的發(fā)展路徑探究——美國《規(guī)劃未來，迎接人工智能時代》報告解讀及啟示[J].電化教育研究，2017（3）：123-128.

[3]韓曄彤.人工智能技術發(fā)展及應用研究綜述[J].電子制作，2016，（12）：95.

[4]Drigas Athanasios，Ioannidou Rodi-Eleni.A Review on Artificial Intelligence in Special Education[J].Communications in Computer and Information Science，2013，（278）：385-391.

[5]Julie M D，Balakrishnan K.Significance of Classification Techniques in Prediction of Learning Disabilities[J].International Journal of Artificial Intelligence&Application，2010，1（4）：111-120.

[6]Jordan N C，Kaplan D，Locuniak M N，et al.Predicting First-Grade Math Achievement from Developmental Number Sense Trajectories[J].Learning Disabilities Research&Practice， 2007， 22（1）：36-46.

[7]Kirk S A.Behavioral Diagnosis and Remediation of Learning Disabilities[J].In Proceedings of the Conference on the Exploration into the Problems of the Perceptually Handicapped Child，1963，29（2）：1-7.

[8]杜高明，黃娟.學習障礙的界定及社會建構說[J].中國特殊教育，2008（12）：82-87.

[9][美]羅伯特，威廉特.學習障礙的矯正[M].楊重明譯，1967（英文版）.

[10]王道陽，宋冉，殷欣，曹果果.學習障礙成因與干預研究進展[J].教育生物學雜志，2016（1）：39-43.

[11]吳漢榮.兒童學習障礙的預防及矯治[J].中國學校衛(wèi)生，2003（5）：425-427.

[12]許政援，沈家鮮，呂靜，等.兒童發(fā)展心理學[M].長春：吉林教育出版社，1996.

[13]Mary S Kelly， Catherine T Best， Ursula Kirk.Cognitive Processing Deficits in Reading Disabilities：A Prefrontal Cortical Hypothesis[J].Brain and Cognition，1989，11（2）：275-293.

[14]梁威.國內外學習障礙研究的探索[J].教育理論與實踐，2007（21）：57-60.

[15][50]張坤穎，張家年.人工智能教育應用與研究中的新區(qū)、誤區(qū)、盲區(qū)與禁區(qū)[J].遠程教育雜志，2017（5）：54-63.

[16]Minsky M L， Singh P， Sloman A.The St.Thomas Common Sense Symposium：Designing Architectures for Human-level Intelligence[J].AI Magazine， 2004，25（2）：113-125.

[17]National Health Interview Survey，2006.[EB/OL].[2017-06-01].http：//www.cdc.gov/nchs/data/series/sr_10/sr10_227.pdf，extracted on Jan.16th，2006.

[18]Wu T K，Huang S C，Meng Y R.Evaluation of ANN and SVM Classifiers as Predictors to the Diagnosis of Students with Learning Disabilities[J].Expert Systems with Applications，2008，34（3）：1846-1856.

[19]J Anuradha，Tisha V，Ramachandran，K V Arulalan，B K Tripathy.Diagnosis of ADHD Using SVM Algorithm[C]//The Third Annual ACM Bangalore Conference， 2010：1-4.

[20]R M Geiman，W L Nolte.An Expert System for Learning Disability Diagnosis[C]//1990 IEEE International Conference on Systems Engineering，Pittsburgh，PA，USA，1990：363-366.

[21]Arthi K，Tamilarasi A.Prediction of Autistic Disorder Using Neuro Fuzzy System by Applying ANN Technique[C]//International Journal of Developmental Neuroscience，2008，26（7）：699-704.

[22]徐影，李懷龍，謝家奎.兒童學習障礙診斷專家系統(tǒng)的推理模型設計與系統(tǒng)開發(fā)[J].現(xiàn)代教育技術，2013（3）：105-108.

[23]Georgopoulos V C，Malandraki G A，Stylios C D.A Fuzzy Cognitive Map Approach to Differential Diagnosis of Specific Language Impairment[J].Artificial Intelligence in Medicine，2003，29（3）：261-278.

[24]Wu T K，Meng Y R，Huang S C.Application of Artificial Neural Network to the Identification of Students with Learning Disabilities[C]//International Conference on Artificial Intelligence，2006：162-168.

[25]Hernadez J， Mousalli G， Rivas F.Learning Difficulties Diagnosis for Children’s Basic Education using Expert Systems[J].WSEAS Transactions on Information Science and Applications，2009，6（7）：1206-1215.

[26]K N Elsayed.Diagnosing Learning Disabilities in a Special Education by an Intelligent Agent based System[C]//Computer Science and Electronic Engineering Conference（CEEC）， Colchester， 2012：7-12.

[27]Schipor O A，Pentiuc S G，Schipor M D.Improving Computer based Speech Therapy Using a Fuzzy Expert System[J].Computing and Informatics，2003，22：1001-1016.

[28]N Sebe， I Cohen， T Gevers， T S Huang.Emotion Recognition Based on Joint Visual and Audio Cues[C]//Proceedings of the 18th International Conference on Pattern Recognition， 2006：1136-1139.[29]Riedl M，Arriaga R，Boujarwah F，Hong H，Isbell J，Heflin L J.Graphical Social Scenarios：Toward Intervention and Authoring for Adolescents with High Functioning Autism[C]//AAAI Fall Symposium，2007.

[30]Drigas A S，Kouremenos D， Vrettaros J.Teaching of English to Hearing Impaired Individuals Whose Mother Language is the Sign Language[M].Springer Berlin Heidelberg，2008：263-270.

[31]Samigulina G，S Shayakhmetova Assem.Smart-System of Distance Learning of Visually Impaired People based on Approaches of Artificial Intelligence[J].Open Engineering，2016，6（1）.

[32]Melis E,Andres E,Budenbender J,Frischauf A,Goguadze G,Libbrecht P,Polle M,Ullrich C.ACTIVEMATH，A Generic and Adaptive Web-Based Learning Environment[J].International Journal of Artificial Intelligence，2001，24（4）：1-25.

[33]Libbrecht P，Melis E.Methods to Access and Retrieve Mathematical Content in ACTIVEMATH[J].Springer Berlin Heidelberg， 2006：331-342.

[34]Melis E，Siekmann J.ACTIVEMATH：An Intelligent Tutoring Sys-tem for Mathematics[C]//Artificial Intelligence&Soft Computing-icaisc， International Conference，2004：91-101.

[35]Gonzalez C S， Guerra D， Sanabria H， Moreno L， Noda M A，Bruno A.Automatic System for the Detection and Analysis of Errors to Support the Personalized Feedback[J].Expert Systems with Applications， 2010（37）：140-148.

[36]Baschera G M，Gross M.Poisson-Based Inference for Perturbation Models in Adaptive Spelling Training[J].International Journal of Artificial Intelligence in Education， 2010（20）：1-31.

[37]Nadia Milena Arévalo， Sandra Dolores Beltrán，Yuri Lizeth Chavarro， Alix Lorena Medina， Edwin Herazo， Adal-berto Campo-Arias.Prevalence of Alcohol Problem Drinking Among the Indigenous Population in Colombia[J].Revista Colombiana de Psiquiatría，2013，42（4）：320-323.

[38]J Pavlopoulos， J Vrettaros， G Vouros， A S Drigas.The Development of a Self-assessment System for the Learners Answers with the Use of GPNN[C]//World Summit on the Knowledge Society：Emerging Technologies&Information Systems for the Knowledge Society，2008（1）：332-340.

[39]Kohli M，Prasad T V.Identifying Dyslexic Students by Using Artificial Neural Networks[J].Proceedings of the World Congress on Engineering， London， U.K， 2010，2183（1）：118.

[40]David J M，Balakrishnan K.Learning Disability Prediction Tool Using ANN and ANFIS[J].Soft Compute，2014（18）：1093.

[41]Rebolledo-Mendez G，De Freitas S.Attention Modeling Using Inputs from a Brain Computer Interface and User-generated Data in Second Life[C]//The Tenth International Conference on Multimodal Interfaces （ICMI 2008）， Crete， Greece，2008.

[42]Rebolledo-Mendez G， Dunwell I， Martínez-Mirón E A， Vargas-Cerdán M D， de Freitas S， Liarokapis F， García-Gaon a A R.Assessing NeuroSky’s Usability to Detect Attention Levels in an Assessment Exercise[C]//International Conference on Human-computer Interaction，Part I.LNCS， 2009：149-158.

[43]Jain K，Manghirmalani P，Dongardive J，Abraham S.Computational Diagnosis of Learning Disability[J].International Journal of Recent Trends in Engineering 2009，2（3）.

[44]N Livne， L Nava， O Livne， C Wight.Can Automated Scoring Surpass Hand Grading of Students’Constructed Responses and Error Patterns in Mathematics?[J].MERLOT Journal of Online Learning and Teaching， 2007，3（3）.

[45]Dawn G.Developing a Collective Intelligence Application for Special Education[J].Decision Support Systems，2009，47（4）：455-465.

[46]劉成新，張松，萇雨.我國教育技術領域云計算研究現(xiàn)狀述評[J].電化教育研究，2014（3）：41-45.

[47]何克抗.大數(shù)據(jù)面面觀[J].電化教育研究，2014（10）：8-16.

[48]祝智庭，沈德梅.基于大數(shù)據(jù)的教育技術研究新范式[J].電化教育研究，2013（10）：5-13.

[49]Drigas A，Ioannidou R.Artificial Intelligence in Special Education：A Decade Review[J].International Journal of Engineering Education，2012，28（6）：1366-1372.