Μοντέλα και πλατφόρμες AI

Νέα Έρευνα για το Πώς Τα Παιδιά Μαθαίνουν Γλώσσα Μπορεί να Βοηθήσει το Πεδίο της Μηχανικής Μάθησης

mm
Προσθέστε το Unite.AI στις προτιμώμενες πηγές σας στο Google

Μια ομάδα ερευνητών στο Πανεπιστήμιο Carnegie Mellon έχει αναπτύξει eine νέα μέθοδο για να αξιολογήσει πειραματικά πώς οι γονείς αλλάζουν τη γλώσσα τους όταν μιλάνε στα παιδιά, ανάλογα με τι ήδη γνωρίζουν αυτά. Το μοντέλο είναι το πρώτο του είδους του.

Οι ερευνητές βρήκαν ότι οι γονείς έχουν ακριβείς δομές των γλωσσικών μοντέλων των παιδιών τους και ότι αυτές χρησιμοποιούνται για να ρυθμίσουν τη γλώσσα τους όταν μιλάνε με τα παιδιά.

Η έρευνα δημοσιεύθηκε στο περιοδικό Psychological Science.

Ρύθμιση της Γλώσσας για Παιδιά

Ο Daniel Yurovsky είναι βοηθός καθηγητής ψυχολογίας στο Πανεπιστήμιο Carnegie Mellon.

“Γνωρίζαμε για χρόνια ότι οι γονείς μιλάνε στα παιδιά διαφορετικά από τους ενήλικες σε πολλούς τρόπους, για παράδειγμα απλοποιώντας τη γλώσσα τους, επαναλαμβάνοντας λέξεις και εκτείνεται τα φωνηεντικά ήχοι”, είπε ο Yurovsky. “Αυτά τα πράγματα βοηθούν τα μικρά παιδιά να πάρουν μια θέση στη γλώσσα, αλλά δεν γνωρίζαμε αν οι γονείς αλλάζουν τον τρόπο που μιλάνε στα παιδιά καθώς αυτά αποκτάνε γλώσσα, δίνοντάς τους γλωσσική είσοδο που είναι ‘ακριβώς σωστή’ για τη μάθηση του επόμενου πράγματος.”

Σύμφωνα με την ομάδα, οι ενήλικες μιλάνε στα παιδιά πιο αργά και με υψηλότερη πίεση, και επίσης βασίζονται σε υπερβολική προφορά, επανάληψη και απλοποιημένη γλώσσα. Εκτός από όλα αυτά, οι ενήλικες επίσης χρησιμοποιούν ερωτήσεις για να αξιολογήσουν την κατανόηση του παιδιού, και αυτό το μοντέλο αλλάζει καθώς η γλωσσική ικανότητα του παιδιού αυξάνεται.

Ο Yurovsky λέει ότι αυτό είναι παρόμοιο με τον τρόπο που ένας μαθητής προοδεύει όταν μαθαίνει μαθηματικά στο σχολείο.

“Όταν πας στο σχολείο, αρχίζεις με την άλγεβρα και μετά πας στη γεωμετρία πριν μετακινηθείς στη διαφορική γεωμετρία”, είπε ο Yurovsky. “Οι άνθρωποι μιλάνε στα παιδιά χρησιμοποιώντας την ίδια δομή χωρίς να το σκέφτονται. Παρακολουθούν πόσο γνωρίζει το παιδί τους για τη γλώσσα και τροποποιούν τον τρόπο που μιλάνε ώστε τα παιδιά να τους καταλάβουν.”

Για να κατανοήσουν πώς οι φροντίδες των παιδιών αλλάζουν τις αλληλεπιδράσεις τους καθώς το παιδί αναπτύσσεται, η ομάδα ανέπτυξε ένα παιχνίδι όπου οι γονείς βοηθούν τα παιδιά τους να επιλέξουν ένα συγκεκριμένο ζώο από ένα σύνολο τριών. Το μισό των ζώων ήταν αυτά που τα παιδιά συχνά μαθαίνουν πριν από την ηλικία των 2 ετών, ενώ το άλλο μισό ήταν ζώα που τα παιδιά συχνά μαθαίνουν αργότερα.

Υπήρχαν συνολικά 41 ζευγάρια παιδιών-ενηλίκων που έπαιξαν το παιχνίδι, και οι διαφορές στον τρόπο που οι γονείς μιλούσαν για τα ζώα που πίστευαν ότι τα παιδιά τους ήξεραν μετρήθηκαν.

“Οι γονείς έχουν μια απίστευτα ακριβή γνώση της γλωσσικής ανάπτυξης των παιδιών τους, επειδή έχουν δει αυτά να μεγαλώνουν και να μαθαίνουν”, είπε ο Yurovsky. “Αυτά τα αποτελέσματα δείχνουν ότι οι γονείς χρησιμοποιούν τις γνώσεις τους για την ανάπτυξη της γλώσσας των παιδιών τους για να ρυθμίσουν τις γλωσσικές πληροφορίες που παρέχουν.”

Η έρευνα βρήκε ότι ο φροντιστής χρησιμοποιούσε διάφορες τεχνικές όταν μετέφερε το “άγνωστο” ζώο στο παιδί, όπως πρόσθετες περιγραφές που το παιδί ήταν εξοικειωμένο.

“Αυτή η [έρευνα] προσέγγιση μας επιτρέπει να επιβεβαιώσουμε πειραματικά ιδέες που έχουμε αναπτύξει με βάση παρατηρήσεις του πώς τα παιδιά και οι γονείς αλληλεπιδρούν στο σπίτι”, είπε ο Yurovsky. “Βρήκαμε ότι οι γονείς όχι μόνο χρησιμοποιούν ό,τι ήδη γνωρίζουν για τις γνώσεις της γλώσσας των παιδιών τους πριν από τη μελέτη, αλλά και ότι αν διαπιστώσουν ότι είναι λάθος — το παιδί δεν γνωρίζει πραγματικά ‘λεοπάρδαλη’ για παράδειγμα — αλλάζουν τον τρόπο που μιλάνε για αυτό το ζώο την επόμενη φορά.”

Χρήσιμο στο Πεδίο της Μηχανικής Μάθησης

Σύμφωνα με τον Yurovsky, τα αποτελέσματα θα μπορούσαν να βοηθήσουν τους ερευνητές στη μηχανική μάθηση.

“Αυτά τα αποτελέσματα θα μπορούσαν να μας βοηθήσουν να κατανοήσουμε πώς να σκεφτόμαστε για τα συστήματα γλώσσας της μηχανικής μάθησης”, είπε. “Τώρα εκπαιδεύουμε τα μοντέλα γλώσσας δίνοντάς τους όλα τα δεδομένα γλώσσας που μπορούμε να πάρουμε όλα μαζί. Αλλά θα μπορούσαμε να κάνουμε καλύτερα αν μπορούσαμε να τους δώσουμε τα σωστά δεδομένα στο σωστό χρόνο, κρατώντας τα στο σωστό επίπεδο複雑ότητας που είναι έτοιμα για αυτό.”

Η ομάδα των ερευνητών περιελάμβανε επίσης την Ashley Leung στο Πανεπιστήμιο του Σικάγου και τον Alex Tunkel στο Σχολείο Ιατρικής και Επιστημών Υγείας του Πανεπιστημίου George Washington.

Ο Alex McFarland είναι δημοσιογράφος και συγγραφέας του AI που εξερευνά τις τελευταίες εξελίξεις στην τεχνητή νοημοσύνη. Έχει συνεργαστεί με πολλές startups και εκδόσεις του AI σε όλο τον κόσμο.