Los avances recientes en informática e inteligencia artificial, junto con conocimientos sobre el aprendizaje infantil, sugieren que las técnicas de aprendizaje automático y profundo pueden ayudarnos a estudiar cómo los niños pasan de movimientos exploratorios aleatorios a acciones con un propósito. La mayoría de las investigaciones se han centrado en los movimientos espontáneos de los bebés, distinguiendo entre conductas transitorias y no transitorias.
Aunque los primeros movimientos pueden parecer caóticos, revelan patrones significativos a medida que los bebés interactúan con su entorno. Sin embargo, todavía nos falta comprender cómo los niños se relacionan intencionalmente con su entorno y los principios que guían sus acciones dirigidas a objetivos.
Al realizar un experimento de movilidad infantil utilizado en la investigación del desarrollo desde finales de la década de 1960, los investigadores y colaboradores de la Universidad Atlántica de Florida investigaron cómo los bebés comienzan a actuar con un propósito. La prueba del móvil infantil utiliza un móvil colorido que se sujeta suavemente a la pierna del niño. Cuando el niño patea, el móvil se mueve conectando su acción con lo que ve. Esta configuración ayuda a los investigadores a comprender cómo los bebés controlan sus movimientos y a descubrir su capacidad para influir en su entorno.
En este nuevo trabajo, los investigadores probaron si las herramientas de inteligencia artificial pueden detectar cambios complejos en los patrones de movimiento de un niño. Los movimientos del bebé, rastreados mediante un sistema de captura de movimiento Vicon 3D, se clasificaron en diferentes tipos, desde acciones espontáneas hasta reacciones cuando el móvil se movía. Al aplicar diferentes técnicas de IA, los investigadores probaron qué métodos capturaban mejor los matices del comportamiento del niño en diferentes situaciones y cómo evolucionaban los movimientos con el tiempo.
Los hallazgos de la investigación, publicados en Scientific Reports, subrayan que la IA es una herramienta valiosa para comprender el desarrollo y las interacciones de los niños pequeños. Tanto los métodos de aprendizaje automático como los de aprendizaje profundo clasifican correctamente clips de cinco segundos de movimientos infantiles en 3D como pertenecientes a diferentes fases de la prueba. Entre estos métodos, el modelo de aprendizaje profundo, 2D-CapsNet, tuvo el mejor rendimiento. Es importante destacar que, para todos los métodos probados, los movimientos de las piernas tuvieron las tasas de precisión más altas, lo que significa que, en comparación con otras partes del cuerpo, los patrones de movimiento de las piernas variaron más dramáticamente entre las fases de la prueba.
“Este descubrimiento es significativo porque a los sistemas de IA no se les dijo nada sobre la prueba ni sobre qué parte del cuerpo del niño estaba conectada al móvil. Lo que demuestra es que los pies, como efectores finales, son los más afectados por la interacción. con el móvil”, dijo Scott Kelso, Ph.D. D., coautor y Charles E. Glenwood y Martha Creech Académico Distinguido en Ciencias en el Centro de Sistemas Complejos y Ciencias del Cerebro de la Facultad de Ciencias Schmidt. “En otras palabras, la forma en que los niños se conectan con su entorno tiene el mayor impacto en los puntos de contacto con el mundo. Aquí, fue ‘los pies primero'”.
El modelo 2D-CapsNet logró una precisión del 86 % al analizar los movimientos de las piernas y pudo capturar relaciones detalladas entre diferentes partes del cuerpo durante el movimiento. En todos los métodos probados, los movimientos de las piernas mostraron consistentemente las tasas de precisión más altas: alrededor de un 20% más que los movimientos de manos, rodillas o de todo el cuerpo.
“Descubrimos que los niños exploraban más después de ser desconectados del móvil que antes de tener la oportunidad de controlarlo. Parece que perder la capacidad de controlar el móvil hizo que se interesaran más en interactuar con el mundo para encontrar formas de reconectarse.”, Aliza Sloan, Ph.D., coautora y científica investigadora postdoctoral en el Centro de Sistemas Complejos y Ciencias del Cerebro de la FAU. “Sin embargo, algunos niños mostraron patrones de movimiento durante esta fase desconectada que contenían indicios de sus interacciones previas con el móvil. Esto sugiere que sólo algunos niños entendieron su relación con el móvil lo suficientemente bien como para mantener esos patrones de movimiento, esperando que siguieran siendo un producto”. .. Responderá desde el móvil incluso después de la desconexión”.
Los investigadores dicen que si la precisión del movimiento de los niños es mayor durante la desconexión, puede indicar que los niños aprendieron algo durante sus interacciones anteriores. Sin embargo, diferentes tipos de movimientos pueden significar cosas diferentes en términos de lo que los niños descubren.
“Es importante tener en cuenta que estudiar a niños es más desafiante que estudiar a adultos porque los niños no pueden comunicarse verbalmente”, dijo la coautora Nancy Aaron Jones, Ph.D., profesora de psicología en FAU y directora del FAU Waves Lab. y Carlos E. Schmidt es miembro del Centro de Sistemas Complejos y Ciencias del Cerebro de la Facultad de Ciencias. “Los adultos pueden seguir instrucciones e interpretar sus acciones, mientras que los niños no pueden. Ahí es donde la IA puede ayudar. La IA puede ayudar a los investigadores a analizar cambios sutiles en los movimientos de los niños, e incluso su estabilidad, para aprender cómo piensan y aprenden. Sus movimientos también pueden ayudar a explicar el enorme grado de variación individual que se produce a medida que se desarrolla un niño”.
La forma en que varía la precisión de la clasificación de la IA para cada niño brinda a los investigadores una nueva forma de comprender cuándo y cómo comienzan a interactuar con el mundo.
“Si bien los enfoques anteriores de IA se han centrado principalmente en clasificar movimientos espontáneos relacionados con resultados clínicos, combinar experimentos basados en teoría con IA nos ayudará a crear mejores evaluaciones del comportamiento infantil que sean relevantes para su contexto específico”, dijo Kelso. “Esto podría mejorar la forma en que identificamos riesgos, diagnosticamos y tratamos enfermedades”.
El estudio fue coautor del primer autor Masoud Khodadzadeh, PhD, anteriormente en la Universidad de Ulster en Derry, Irlanda del Norte, y ahora en la Universidad de Bedfordshire en el Reino Unido; y Damien Coyle, PhD, de la Universidad de Bath en el Reino Unido.
La investigación fue apoyada por recursos de Computación de Alto Rendimiento de Nivel 2 proporcionados por el Centro de Computación de Alto Rendimiento de Irlanda del Norte, financiado por el Consejo de Investigación en Ingeniería y Ciencias Físicas del Reino Unido; Beca Turing AI de Investigación e Innovación del Reino Unido (2021-2025) financiada por el Consejo de Investigación Física y de Ingeniería, Beca de Investigación del Vicerrector; el Instituto de Investigación en Computación Aplicada de la Universidad de Bedfordshire; Fundación FAU (Académicos Distinguidos en Ciencias); y los Institutos Nacionales de Salud de EE. UU.