Avanços recentes na computação e na inteligência artificial, juntamente com insights sobre a aprendizagem infantil, sugerem que as técnicas de aprendizagem automática e profunda podem nos ajudar a estudar como as crianças transitam de movimentos exploratórios aleatórios para ações intencionais. A maioria das pesquisas concentrou-se nos movimentos espontâneos dos bebês, distinguindo entre comportamentos inquietos e não-inquietos.
Embora os primeiros movimentos possam parecer caóticos, eles revelam padrões significativos à medida que os bebês interagem com o ambiente. No entanto, ainda não compreendemos como as crianças se envolvem intencionalmente com o seu entorno e os princípios que orientam as suas ações orientadas para objetivos.
Ao conduzir um experimento com bebês móveis, usado em pesquisas de desenvolvimento desde o final da década de 1960, pesquisadores e colaboradores da Florida Atlantic University investigaram como os bebês começam a agir propositalmente. O experimento do bebê-móbile usa um móbile colorido delicadamente amarrado ao pé de uma criança. Quando o bebê chuta, o móbile se move, vinculando suas ações ao que vê. Essa configuração ajuda os pesquisadores a entender como os bebês controlam seus movimentos e a descobrir sua capacidade de influenciar o ambiente.
Neste novo trabalho, os pesquisadores testaram se as ferramentas de IA poderiam detectar mudanças complexas nos padrões de movimento infantil. Os movimentos infantis, rastreados usando um sistema de captura de movimento Vicon 3D, foram classificados em diferentes tipos – desde ações espontâneas até reações quando o celular se move. Ao aplicar várias técnicas de IA, os pesquisadores examinaram quais métodos capturaram melhor as nuances do comportamento infantil em diferentes situações e como os movimentos evoluíram ao longo do tempo.
Os resultados do estudo, publicados na Scientific Reports, sublinham que a IA é uma ferramenta valiosa para a compreensão do desenvolvimento e da interacção dos primeiros bebés. Os métodos de aprendizado profundo e de máquina classificaram com precisão clipes de cinco segundos de movimentos infantis em 3D como pertencentes a diferentes estágios do experimento. Dentre esses métodos, o modelo de aprendizagem profunda, 2D-CapsNet, teve o melhor desempenho. É importante ressaltar que, para todos os métodos testados, os movimentos dos pés tiveram as taxas de precisão mais altas, o que significa que, em comparação com outras partes do corpo, os padrões de movimento dos pés mudaram de forma mais dramática ao longo das etapas do experimento.
“Essa descoberta é significativa porque os sistemas de IA não foram informados de nada sobre o experimento ou sobre qual parte do corpo da criança estava conectada ao celular. O que isso mostra é que os pés – como efetores finais – são os mais afetados pela interação. com o celular”, disse Scott Kelso, Ph.D., co-autor e Glenwood e Martha Creech Eminent Scholar em Ciências no Centro de Sistemas Complexos e Ciências do Cérebro da Faculdade de Ciências Charles E. Schmidt da FAU. “Em outras palavras, a forma como os bebês se conectam com o ambiente tem o maior impacto nos pontos de contato com o mundo. Aqui, isso foi ‘os pés primeiro’.”
O modelo 2D-CapsNet alcançou uma precisão de 86% ao analisar os movimentos dos pés e foi capaz de capturar relações detalhadas entre diferentes partes do corpo durante o movimento. Em todos os métodos testados, os movimentos dos pés mostraram consistentemente as taxas de precisão mais altas – cerca de 20% mais altas do que os movimentos das mãos, joelhos ou de todo o corpo.
“Descobrimos que os bebês exploraram mais depois de serem desconectados do celular do que antes de terem a chance de controlá-lo. Parece que perder a capacidade de controlar o celular os deixou mais ansiosos para interagir com o mundo para encontrar um meio de se reconectarem. “, disse Aliza Sloan, Ph.D., coautora e pesquisadora de pós-doutorado no Centro de Sistemas Complexos e Ciências do Cérebro da FAU. “No entanto, alguns bebês mostraram padrões de movimento durante esta fase desconectada que continham dicas de suas interações anteriores com o celular. Isso sugere que apenas alguns bebês entendiam sua relação com o celular bem o suficiente para manter esses padrões de movimento, esperando que ainda produzissem um resposta do celular mesmo depois de desconectado.”
Os investigadores dizem que se a precisão dos movimentos dos bebés permanecer elevada durante a desconexão, isso pode indicar que os bebés aprenderam algo durante as suas interações anteriores. No entanto, diferentes tipos de movimentos podem significar coisas diferentes em termos do que os bebés descobriram.
“É importante notar que estudar bebês é mais desafiador do que estudar adultos porque os bebês não conseguem se comunicar verbalmente”, disse Nancy Aaron Jones, Ph.D., coautora, professora do Departamento de Psicologia da FAU, diretora do Laboratório WAVES da FAU. e membro do Centro de Sistemas Complexos e Ciências do Cérebro da Charles E. Schmidt College of Science. “Os adultos podem seguir instruções e explicar as suas ações, enquanto as crianças não. É aí que a IA pode ajudar. A IA pode ajudar os investigadores a analisar mudanças subtis nos movimentos infantis, e até mesmo na sua quietude, para nos dar informações sobre como pensam e aprendem, mesmo antes de começarem a aprender.” podem falar. Seus movimentos também podem nos ajudar a compreender o vasto grau de variação individual que ocorre à medida que os bebês se desenvolvem.”
Observar como a precisão da classificação da IA muda para cada criança dá aos pesquisadores uma nova maneira de entender quando e como elas começam a se envolver com o mundo.
“Embora os métodos anteriores de IA se concentrassem principalmente na classificação de movimentos espontâneos ligados a resultados clínicos, a combinação de experimentos baseados em teoria com IA nos ajudará a criar melhores avaliações do comportamento infantil que sejam relevantes para seus contextos específicos”, disse Kelso. “Isso pode melhorar a forma como identificamos riscos, diagnosticamos e tratamos doenças.”
Os coautores do estudo são o primeiro autor Massoud Khodadadzadeh, Ph.D., anteriormente na Ulster University em Derry, Irlanda do Norte e agora na University of Bedfordshire, Reino Unido; e Damien Coyle, Ph.D., da Universidade de Bath, Reino Unido.
A pesquisa foi apoiada por recursos de Computação de Alto Desempenho Tier 2 fornecidos pela instalação de Computação de Alto Desempenho da Irlanda do Norte, financiada pelo Conselho de Pesquisa de Engenharia e Ciências Físicas do Reino Unido; a Bolsa Turing AI de Pesquisa e Inovação do Reino Unido (2021-2025) financiada pelo Conselho de Engenharia e Pesquisa Física, Bolsa de Pesquisa do Vice-Chanceler; o Instituto de Pesquisa em Computação Aplicável da Universidade de Bedfordshire; a Fundação FAU (Eminente Acadêmico em Ciências); e Institutos Nacionais de Saúde dos Estados Unidos.
