Az autizmus-spektrumzavar (ASD) az idegrendszeri fejlődést érintő rendellenesség, amely a leírások alapján az alig észlelhető furcsaságoktól az egészen súlyos megjelenési formákig terjedhet, és jellemzői között említik mások mellett a szociális készségek egyenetlenségeit, köztük a többi ember arckifejezéseinek és érzéseinek felismerésével kapcsolatos problémákat. A mindennek hátterében álló mechanizmusokat nagyrészt ismeretlennek tartják, ezért is van jelentősége az olyan lehetséges rendszerszintű magyarázatotoknak, mint amilyet néhány nappal ezelőtt tettek közzé a Journal of Neuroscience oldalain, segítségül hívva a mesterséges intelligenciát és a fejünkben folyó számítások MI-alapú modellezését.

A prediktív feldolgozási elméleten dolgozó kutatók az arcon megjelenő érzelmek felismerési folyamataihoz, illetve az ASD eltéréseinek megértéséhez egy hierarchikus, visszacsatolt (rekurrens) neurális hálózati modellt használtak. Ebben anomáliákat hoztak létre, hogy megvizsgálják azok hatását a tanulási fejlődésre és a kognitív jellemzőkre, újabb nyomokat keresve arra vonatkozóan, hogy az ASD miért jelent nehézségeket az arckifejezések értelmezésében. Miután arról továbbra is keveset tudunk, hogy miként tanuljuk meg a különböző érzelmek felismerését az arcokról leolvasott jelek alapján, a tudósok arra az elképzelésre alapoztak, hogy az agyunk mindig megpróbálja megjósolni a következő szenzoros ingert, és alkalmazkodik, ha az előrejelzés hibásnak bizonyul.

Az érzékszervi információk, például az arckifejezések, éppen az ilyen előrejelzési hibák esélyét lennének hivatottak csökkenteni, a mesterséges neurális hálózat pedig azáltal modellezte a fejlődési folyamatot, hogy megtanulta megjósolni, hogyan mozognak az arcok egyes részei az arckifejezéseket bemutató videókban. Ezeket a rendszer anélkül szervezte csoportokba a magasabb szintű neuronokban, hogy tudta volna, melyik arckifejezés melyik érzelemnek felel meg, vagyis matematikai modelleken alapuló előrejelzési módszerekről van szó, ami lehetővé teszi az összetett nemlineáris kapcsolatokat a válaszváltozók és a prediktorok között. A modell mindezen keresztül képessé vált generalizálni az általa ismeretlen arckifejezéseket is.

Sikerült ott elrontaniuk, ahol kellett

Az érdekes rész ott következik, hogy a kutatók a kísérletek során rendellenességeket idéztek elő a neuronok aktivitásában. A heterogenitását csökkentésével az említett általánosítási képesség is csökkent, ami gátolta az érzelmi klaszterek kialakítását – vagyis a rendszer képtelenné vált érzelmeket rendelni az ismeretlen arckifejezésekhez, ami az ASD-hez hasonló tünet. A népszerű "zajhipotézis" további tesztelésénél az is kiderült, hogy a bizonyos tartományokon belül a hozzáadott zaj nagymértékben megnövelte a hasonlóságot a hálózat és az autista felnőttek teljesítménye között, ami megint csak arra utal, hogy az idegi aktivitás zajának mennyire fontos szerepe lehet az információ feldolgozásában.

A kutatás a tudósok szerint is a jéghegy csúcsa, de azért több a tudományos érdekességnél, mert ha jobban megértjük az ASSD-s emberek kognitív jellemzőit, akkor az nagyon sokat segíthet megfelelő intervenciósi módszerek kidolgozásában. Az eredmények felhasználhatók lehetnek a diagnosztikai tartalom kiválasztásában vagy akár generálásában is, és a mesterséges intelligencia alkalmazásával olyan tartalmakat (mondjuk filmeket vagy oktatási anyagokat) lehet majd előállítani, amelyek hatékonyan lekötik az autista gyerekeket és felnőtteket egyaránt. Ez pedig akár pixelszintű módosításokat tehet lehetővé mindazokban az anyagokban, amelyekkel az ASD-s emberek például a kiterjesztett valóságban találkoznak.