标记学习困难

现在英国的新学期开始了，全国各地的孩子们都要回去或开始上学了。有些孩子有额外的挑战，学习困难，并可能被诊断出患有注意缺陷多动障碍或ADHD，阅读障碍，或自闭症谱系障碍。但这些分类对那些在学校挣扎的孩子有多大帮助呢?利用机器学习，剑桥大学的科学家们研究了数百名患有这些诊断的儿童，并确定了与他们接受的诊断不相符的学习困难群。克里斯·史密斯采访了领导这项研究的认知神经科学家邓肯·阿斯特尔。首先Chris问Duncan为什么这个团队要做这个研究…

邓肯—嗯，很多孩子在学习上有困难。还有像多动症这样的疾病，这类疾病的患病率从3%到8%不等。但实际上，努力学习的孩子的比例要高得多。政府的统计数据显示，大约30%的孩子在小学毕业时没有达到预期的年龄水平。

我们真正感兴趣的是学习困难的根本原因是什么。你通常的研究方法是选择一组你感兴趣的孩子，比如患有多动症的孩子你将他们与所有没有多动症的孩子进行比较。但我们开始认为，仅仅依靠这种方法存在一些实际问题。第一个是它假设有相同诊断标签的人都是一样的。

Chris -你真的是在拿苹果和苹果做比较，但实际上它们可能不是?

邓肯:没错。

克里斯-是的。那你招募了谁?

邓肯:嗯，我们建立了一个中心，我们称之为注意力、学习和记忆中心，在这个中心，从事教育和临床服务的专业人士可以把他们认为有困难的孩子介绍给我们。他们不必有诊断，但他们可以，或者他们可以有多种诊断。他们只需要在注意力，学习或记忆方面挣扎，所以故意通用。

克里斯-你是怎么研究它们的?

邓肯——每个家庭都会来拜访我们，研究助理和博士生团队会花几个小时和孩子们一起做不同种类的认知评估。我们会让父母填写行为评分，大多数孩子会通过核磁共振扫描仪。

Chris -所以你知道了他们的表现，他们的业绩记录，他们在你的测试中的表现和脑部扫描的表现。然后，你把所有这些信息结合起来，或者至少你让一台计算机把所有这些信息结合在一起，然后寻找它们之间的共同点或不同点?

邓肯:基本上，是的。我们进行了许多认知评估，并将它们输入机器学习算法。机器学习听起来有点奇特，但实际上我们在日常生活中一直在使用它。每次你在搜索引擎中输入一些东西，在幕后就会有一个算法来学习你输入的信息，你可能会注意到，在你的广告中出现的信息与你搜索的内容相对应。我们的机器学习算法正在学习我们从这些孩子那里输入的认知数据，它学到的是，孩子们有不同的特征。有不同认知困难的儿童。

克里斯-这在实际中意味着什么?当你说不同的档案时你的意思是说我被诊断为多动症，我有这个标签但实际上我的多动症可能和你可能收到的多动症标签大不相同?

邓肯-没错。因为我们可以做的一件事就是检查机器学习算法学到了什么，看看它是否真的学会了分类，孩子们的诊断。数据很清楚地表明，这不是机器学习正在学习的东西。被诊断为多动症的孩子可能会有非常不同的特征。他们可能有非常不同的认知优势和困难，这是一个真正的挑战，在试图思考我们如何支持这些孩子。

克里斯-这是否意味着我们的分类是错误的?我们把人们放在问题的狭窄箱子里，事实上，它比这要微妙得多，我们需要更窄但更广泛的分类?

邓肯:我认为这意味着我们没有以正确的方式考虑诊断。所以它们不像医学诊断，它们不那么离散和清晰，我们并不真正了解潜在的原因是什么。我们仍然认为诊断对家庭的孩子来说是一个真正具有里程碑意义的时刻，因为他们对所面临的挑战得到了一些专业的认可。问题是，从业者如何最好地支持这些孩子，我们如何让这些从业者做到这一点?答案是，仅仅知道诊断标签本身并不能提供足够的信息。

克里斯-没错。在一天结束的时候，我们在这里与一个有问题的人打交道他们需要帮助解决问题，不是吗?那么你的工具是否能让我们更好地了解好吧，我们可以确定这个人的弱点在哪里然后我们可以去教室说如果你在这个方向上加强训练，或者给这个人额外的帮助，也许更多的刺激，在这个领域更多的练习这将有助于发展他们明显缺乏的这个领域?

邓肯:嗯，我们相信是这样的。例如，在数据中，很大一部分儿童在短期记忆或工作记忆方面存在问题。这些孩子可能被诊断为ADHD，可能被诊断为ASD，也可能根本没有诊断。

克里斯-自闭症谱系障碍?

邓肯-自闭症谱系障碍，或者他们可能根本没有诊断。但我们知道，如果你试着在课堂上减少对工作记忆的要求，那么工作记忆差的孩子会做得更好。我们已经知道有一些干预措施对这类认知困难有效，只是它们似乎跨越了我们迄今为止所相信的传统诊断界限。