ترجمه فارسی مقاله هوش مصنوعی قابل توضیح برای سنجش رفتارهای مداخله‌گر و پرخطر در اختلال طیف اوتیسم در محیط کلاس درس واقعی با استفاده از تحلیل ویدیویی با حفظ حریم خصوصی

چکیده

Rapid identification and accurate documentation of interfering and high-risk behaviors in ASD, such as aggression, self-injury, disruption, and restricted repetitive behaviors, are important in daily classroom environments for tracking intervention effectiveness and allocating appropriate resources to manage care needs. However, having a staff dedicated solely to observing is costly and uncommon in most educational settings. Recently, multiple research studies have explored developing automated, continuous, and objective tools using machine learning models to quantify behaviors in ASD. However, the majority of the work was conducted under a controlled environment and has not been validated for real-world conditions. In this work, we demonstrate that the latest advances in video-based group activity recognition techniques can quantify behaviors in ASD in real-world activities in classroom environments while preserving privacy. Our explainable model could detect the episode of problem behaviors with a 77% F1-score and capture distinctive behavior features in different types of behaviors in ASD. To the best of our knowledge, this is the first work that shows the promise of objectively quantifying behaviors in ASD in a real-world environment, which is an important step toward the development of a practical tool that can ease the burden of data collection for classroom staff.

چکیده به فارسی (ترجمه ماشینی)

شناسایی سریع و مستندات دقیق از رفتارهای تداخل و پرخطر در ASD ، مانند پرخاشگری ، خودجوش ، اختلال و رفتارهای تکراری محدود ، در محیط های کلاس روزانه برای ردیابی اثربخشی مداخله و اختصاص منابع مناسب برای مدیریت نیازهای مراقبت مهم هستند.با این حال ، داشتن کارمندان اختصاص داده شده صرفاً به مشاهده ، در اکثر تنظیمات آموزشی پرهزینه و غیر معمول است.به تازگی ، مطالعات تحقیقاتی متعدد در حال توسعه ابزارهای خودکار ، مداوم و عینی با استفاده از مدل های یادگیری ماشین برای تعیین کمیت رفتارها در ASD است.با این حال ، اکثر کارها تحت یک محیط کنترل شده انجام شده و برای شرایط دنیای واقعی تأیید نشده است.در این کار ، ما نشان می دهیم که آخرین پیشرفت در تکنیک های تشخیص فعالیت گروهی مبتنی بر فیلم می تواند رفتارهایی را در ASD در فعالیت های دنیای واقعی در محیط های کلاس در حالی که حفظ حریم خصوصی است ، تعیین کند.مدل قابل توضیح ما می تواند قسمت رفتارهای مشکل را با 77 ٪ نمره F1 تشخیص دهد و ویژگی های رفتار متمایز را در انواع مختلف رفتارها در ASD ضبط کند.به بهترین دانش ما ، این اولین اثری است که نوید رفتارهای کمیت عینی در ASD را در یک محیط در دنیای واقعی نشان می دهد ، که یک گام مهم در جهت توسعه یک ابزار عملی است که می تواند بار جمع آوری داده ها را کاهش دهدکارکنان کلاس.