Оглавление

Исследователи Стэнфорда применили ИИ и фМРТ для создания «цифровых двойников» мозга детей с дислексией математики — нарушением, затрагивающим каждого пятого школьника в США. Впервые нейрофизиологические причины трудностей в обучении математике визуализированы и смоделированы искусственным интеллектом.

Нейронный шум вместо лени

Вопреки ожиданиям, сканирование показало: проблема не в недостаточной активности нейронов, а в их гипервозбудимости. Как объяснил руководитель исследования Винод Менон, профессор психиатрии Стэнфорда: «Мозг буквально кричит сам на себя — нейронные паттерны для разных задач перекрываются, создавая какофонию». Это открытие опровергает бытовые мифы о «лени» учеников.

Двойники в действии

В эксперименте участвовали 45 детей 7-9 лет (21 с дислексией). Алгоритмы анализировали фМРТ-данные во время решения арифметических задач, создавая персональные глубокие нейросети — точные цифровые копии когнитивных процессов. Ключевые этапы:

  1. Запись мозговой активности при решении примеров
  2. Обучение ИИ-двойника с имитацией ошибок ученика
  3. Калибровка модели через параметр нейронной возбудимости

Как следует из публикации в Science Advances, двойники детей с дислексией требовали вдвое больше тренировок для достижения точности «обычных» моделей.

Ценность работы — в методологическом прорыве: впервые удалось создать работающую нейрофизиологическую модель когнитивного расстройства, а не просто зафиксировать корреляции. Но ключевой параметр — гипервозбудимость — пока лишь гипотеза, требующая проверки инвазивными методами. И главное: даже если модель точна, переход к индивидуальным образовательным траекториям потребует не только ИИ, но и перестройки всей системы обучения. Пока же это лишь красивая симуляция, которая, впрочем, дает учителям аргумент против мифа о «ленивых» учениках.

Персонализированное обучение на горизонте

Цифровые двойники позволяют тестировать учебные методики in silico до внедрения в классе. «Они доказывают: при достаточной практике дети с дислексией достигают тех же результатов», — подчеркивает Менон. В перспективе это может привести к:

  • Прогнозированию эффективных методик для конкретного ученика
  • Созданию адаптивных математических тренажеров
  • Пересмотру стандартов обучения для 20% школьников

Финансируемый Stanford HAI проект уже расширяется для моделирования сложных математических операций. Как резюмирует Менон: «Теперь у нас есть инструмент, чтобы проектировать образование, а не гадать на кофейной гуще».