探索基于AI的语言病理学支持在文化语言多样性的儿童中的应用

研究背景与问题

• 问题与挑战: 作者指出当前语音语言病理学领域的一个主要问题是，语音语言病理学家（SLP）在为文化和语言多样化儿童（CLD）提供语音和语言干预时，面临着诸多挑战。包括但不限于材料缺乏代表性、机器翻译不可靠、语言变体支持不足，以及SLP职业群体的同质性（例如，绝大多数SLP为白人且只有单一语言背景）。

• 重要性: 这些问题直接影响了CLD儿童获得公平、文化敏感的治疗机会，并可能加剧种族、语言和能力方面的系统性歧视。在美国，CLD儿童占有较大比例，但他们获得的治疗资源常常低于白人单语儿童。

• 研究动机与相关工作: AI领域的进步，特别是生成式人工智能（如ChatGPT）的发展，为解决上述问题提供了潜在的途径。先前研究表明AI可以支持SLP自动化任务、提供实时反馈及个性化治疗计划，但鲜有针对如何利用AI来提供文化、语言及能力敏感的响应性支持的专门研究。

解决方案

• 方法与方案: 作者通过两项研究探索了AI在语音语言病理学领域的潜力。具体包括：

  1. 对15名SLP进行半结构化访谈以了解当前挑战以及SLP希望AI支持的领域。
  2. 一项由13名SLP参与的二部分问卷调查，用来评估当前可用的生成式AI（如ChatGPT-4o）在生成文化和语言敏感的材料方面的表现，并识别其中的偏见。

• 创新之处: 这项研究的主要创新在于专注于如何利用AI减少以往实践中对CLD儿童的不公平和不敏感问题。通过收集SLP的视角，探索了AI技术如何帮助生成定制化的评估、治疗及家庭协作材料。同时，还揭示了AI生成内容中的固有偏见及其对公平治疗的潜在影响。

• 实施步骤与技术: 为期两部分的研究过程：

  • 访谈阶段：梳理SLP的现有工作实践及面临的挑战。
  • 调查阶段：
    • SLP设计与其实践相关的AI操作提示；
    • 调用AI生成与提示相关的文本与图像材料；
    • 参与者评估这些材料的准确性、相关性、安全性及透明度。

研究成果

• 具体成果:

  1. 发现挑战：SLP面对的不代表性现有材料、不可靠的翻译工具、语言变体支持不足等问题。
  2. SLP对AI支持的需求：包括个性化材料制作、高效翻译工具及语言变体识别技术。
  3. 评估结果：在有效性的某些方面当前生成式AI提供了一个“良好的起点”，但其输出不存在显著文化、语言及能力调整，且缺乏透明性和解释性。
  4. AI偏见分析：生成结果中存在明显文化（预设白人呈现）、语言（优先英语）及能力偏见（基本假定无障碍或特定辅助工具）。

• 优势: 与传统工具相比，AI具有快速生成个性化材料的潜力，可以在一定程度上减轻SLP的时间压力。

• 局限性与未来方向:

  1. 局限性:
     • 当前AI模型缺乏对SLP具体实践标准及文化、语言和能力背景的深刻理解；
     • 模型训练数据导致AI材料中延续了系统性偏见。
  2. 未来方向：
     • 设计SLP专属的交互式AI提示工具以提高生成结果的质量；
     • 加入儿童及家庭意见以提升AI生成材料的适配性与敏感性；
     • 改进模型解释性以提高可信度。

通过本研究，作者呼吁开发更为包容与公平的AI技术，并为SLP提供培训以提高AI交互能力。