Mejorar la capacidad lingüística del robot humanoide NAO a través del aprendizaje profundo para interactuar con niños autistas
Autores: She, Tianhao; Ren, Fuji
Idioma: Inglés
Editor: MDPI
Año: 2021
Acceso abierto
Artículo científico
2021
Mejorar la capacidad lingüística del robot humanoide NAO a través del aprendizaje profundo para interactuar con niños autistas
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Trastorno del espectro autista
Intervención temprana
Niños con autismo
Modelo de red neuronal
Modelo de conversación
Aprendizaje por transferencia
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 31
Citaciones: Sin citaciones
El trastorno del espectro autista (TEA) es una discapacidad neurológica de por vida, y aún no se ha encontrado una cura. El TEA comienza temprano en la infancia y dura toda la vida de una persona. A través de la intervención temprana, se pueden tomar muchas acciones para mejorar la calidad de vida de los niños. Los robots son una de las mejores opciones para acompañar a los niños con autismo. Sin embargo, para la mayoría de los robots, el sistema de diálogo utiliza técnicas tradicionales para producir respuestas. Los robots no pueden producir respuestas significativas cuando las conversaciones no han sido grabadas en una base de datos. La principal contribución de nuestro trabajo es la incorporación de un modelo de conversación en un sistema de robot real para apoyar a los niños con autismo. Presentamos el uso de un modelo de red neuronal como agente conversacional generativo, que tiene como objetivo generar respuestas de diálogo significativas y coherentes dada la historia del diálogo. El modelo propuesto comparte una capa de incrustación entre los procesos de codificación y decodificación a través de la adopción. El modelo es diferente del modelo canónico Seq2Seq en el que la salida del codificador se utiliza solo para establecer el estado inicial del decodificador para evitar favorecer respuestas cortas e incondicionales con alta probabilidad previa. Para mejorar la sensibilidad al contexto, cambiamos el método de entrada del modelo para adaptarlo mejor a las expresiones de los niños con autismo. Adoptamos el aprendizaje por transferencia para que el modelo propuesto aprenda las características del diálogo con niños autistas y para resolver el problema del corpus insuficiente de diálogo. Los experimentos mostraron que el método propuesto fue superior al modelo canónico Seq2sSeq y al modelo de diálogo basado en GAN tanto en indicadores de evaluación automática como en evaluación humana, incluyendo el aumento de la precisión BLEU a 0.23, la puntuación de coincidencia codiciosa a 0.69, la puntuación promedio de incrustación a 0.82, la puntuación de vector extremo a 0.55, la puntuación de pensamiento saltado a 0.65, la puntuación de divergencia KL a 5.73 y la puntuación de EMD a 12.21.
Descripción
El trastorno del espectro autista (TEA) es una discapacidad neurológica de por vida, y aún no se ha encontrado una cura. El TEA comienza temprano en la infancia y dura toda la vida de una persona. A través de la intervención temprana, se pueden tomar muchas acciones para mejorar la calidad de vida de los niños. Los robots son una de las mejores opciones para acompañar a los niños con autismo. Sin embargo, para la mayoría de los robots, el sistema de diálogo utiliza técnicas tradicionales para producir respuestas. Los robots no pueden producir respuestas significativas cuando las conversaciones no han sido grabadas en una base de datos. La principal contribución de nuestro trabajo es la incorporación de un modelo de conversación en un sistema de robot real para apoyar a los niños con autismo. Presentamos el uso de un modelo de red neuronal como agente conversacional generativo, que tiene como objetivo generar respuestas de diálogo significativas y coherentes dada la historia del diálogo. El modelo propuesto comparte una capa de incrustación entre los procesos de codificación y decodificación a través de la adopción. El modelo es diferente del modelo canónico Seq2Seq en el que la salida del codificador se utiliza solo para establecer el estado inicial del decodificador para evitar favorecer respuestas cortas e incondicionales con alta probabilidad previa. Para mejorar la sensibilidad al contexto, cambiamos el método de entrada del modelo para adaptarlo mejor a las expresiones de los niños con autismo. Adoptamos el aprendizaje por transferencia para que el modelo propuesto aprenda las características del diálogo con niños autistas y para resolver el problema del corpus insuficiente de diálogo. Los experimentos mostraron que el método propuesto fue superior al modelo canónico Seq2sSeq y al modelo de diálogo basado en GAN tanto en indicadores de evaluación automática como en evaluación humana, incluyendo el aumento de la precisión BLEU a 0.23, la puntuación de coincidencia codiciosa a 0.69, la puntuación promedio de incrustación a 0.82, la puntuación de vector extremo a 0.55, la puntuación de pensamiento saltado a 0.65, la puntuación de divergencia KL a 5.73 y la puntuación de EMD a 12.21.