机器学习检测声乐刻板印象:改善基于持续时间的测量方法

科学领域:

• 行为科学是一种行为科学.
• 机器学习应用程序 机器学习应用程序
• 自闭症谱系障碍研究研究

背景情况:

• 直接观察在行为科学中至关重要,但在现实环境中具有挑战性.
• 机器学习为改善行为观察可行性提供了一个潜在的解决方案.
• 准确地测量诸如声音刻板印象之类的行为对于理解自闭症至关重要.

研究的目的:

• 开发和测试新的机器学习模型,自动测量语音刻板印象的持续时间.
• 与人类观察者相比,评估这些模型的准确性和可靠性.
• 提高行为测量在课堂和家庭等环境中的可行性.

主要方法:

• 利用了以前发表的8名自闭症儿童的数据.
• 开发并测试了新的机器学习模型,以量化声音刻板印象的持续时间.
• 使用准确度,kappa统计数据和与人类观察者数据的会话对应关系来评估模型性能.

主要成果:

• 几乎所有开发的模型都与人类观察员的测量结果取得了很高的相关性 (≥.90).
• 机器学习模型与原始研究中的模型相比,显示出优异的指标.
• 这些模型在自动行为测量方面显示出有希望的准确性和可靠性.

结论:

• 机器学习提供了一种可行且准确的方法来测量自闭症儿童的声音刻板印象持续时间.
• 这些模型可以提高在具有挑战性的环境中行为观察的可行性.
• 需要进一步的研究来验证模型对新型数据集的概括性.