人工智能在儿童学习障碍教育中的应用研究综述*

王永固 王蒙娜 李晓娟

（1.浙江工业大学 教育科学与技术学院，浙江杭州 310023；2.浙江财经大学 心理健康教育与咨询实验教学中心，浙江杭州 310018）

一、引言

人工智能（Artificial Intelligence， AI）是涉及众多领域的一门交叉学科，其目的是使机器能够拥有像人类一样的思考能力。进入21世纪以来，人工智能技术逐步成熟，应用领域越来越广泛，教育领域就是其中之一。在教育领域，国内外众多研究者积极开展人工智能技术在儿童学习障碍领域的研究，并取得了突破性的进展。Hilles和Naser[1]的研究表明，人工智能技术能够为学习者探索学习任务提供有效的指导，使学习过程更加适合学习者的学习特点。目前，学习障碍儿童的数量越来越多，儿童学习障碍成为教育学、心理学和临床医学共同关注的一个科学难题，已严重影响了学习障碍儿童的学业成绩和核心素养发展。

可喜的是，在过去十年中，国内外很多学者和研究机构开始探索人工智能技术应用于儿童学习障碍研究，并取得了丰富的理论和应用研究成果。但是，笔者查阅国内外的文献数据库发现，到目前为止，国内外学术界尚缺少人工智能在儿童学习障碍教育中的系统性研究综述，这将影响人工智能技术在儿童学习障碍领域的深入研究。

鉴于此，本文以“人工智能”和“学习障碍”为关键词， 查 阅 Elsevier Science Direct、Springer Link、Wiley-Blackwell、SAGE、Google 学术和 CNKI等全文数据库，检索相关学术论文49篇。基于以上文献数据对国内外相关研究进行文献分析，综述相关研究的现状，预测未来发展趋势，以期推进人工智能技术在儿童学习障碍教育中的应用研究。

二、国内外相关理论框架

（一）人工智能技术

自1956年人工智能被提出以来，其技术的发展，经历了最初发展的热潮，到20世纪70-80年代进入发展的低谷期，再到90年代的缓慢发展等几个阶段，近几年又重新引起了人们的关注。特别是，2016年基于深度学习的 AlphaGo战胜了围棋世界冠军李世石，再一次激起了人们对人工智能的兴趣。现在，人工智能已经被视为推动社会快速稳定发展的主要核心技术力量之一[2]。目前，人工智能在某种程度上为人类的生活与工作带来了极大的便利，并占据越来越重要的地位。人工智能研究的领域广泛，涉及如机器视觉、人脸识别、指纹识别、虹膜识别、视网膜识别、智能搜索、专家系统等内容。这些人工智能都具有较低的智能化程度，由于不具备人类随机应变的能力，只能按照事先编译好的指定程序对机器下达命令。但随着科学技术的快速发展，未来的人工智能技术将会达到一个新的高度。但其具体发展方向并不是人为所能控制的，而是根据时代发展的需要必然会出现的[3]。

（二）学习障碍的含义

“学习障碍（Learning Disability，LD）”一词是指广泛的困难所导致的学习问题[4]。学习障碍通常由未知的因素造成，这些未知因素影响大脑接收和处理信息的能力，导致学习障碍儿童无法像正常发展儿童一样快速学习。Julie和Balakrishnan认为，学习障碍是一种影响儿童大脑的神经系统疾病，削弱了儿童执行一项或多项特定任务的能力[5]。学习障碍与阅读或写作能力不足有关，是精神发育迟滞的一种精神疾病。Jordan等人认为，受学习障碍影响的儿童在行动不迟钝、智力也不迟钝的情况下，他们可以有正常或高于平均水平的智力。虽然他们可能在阅读、识字或数学方面存在障碍，但这并不意味着学习障碍儿童不聪明。在现实中，个别的学习障碍儿童比普通儿童更具智慧[6]。学习障碍因个体而异，不同学习障碍儿童表现出不同的学习问题，目前，学习障碍仍无法治愈，但在正确的帮助下，学习障碍儿童能成功的学习。

“学习障碍”一词最早由美国Samual·Kirk在1963年知觉障碍儿童基金会的研讨会中提出，由于得到众多学者的认同，“学习障碍”一词就统一了过去对这类障碍的各种名称[7]。1975年，“学习障碍”一词得到美国《所有残疾儿童教育法》（94-142公法）的认可，该部法律强调学习障碍是指与注意、记忆、理解和运用语言有关的一种或几种基本心理过程的异常，导致儿童在听、说、读、写、思考或数学运算方面有显著的学习困难。这些异常包括书写障碍、轻微脑功能失调、阅读障碍和语言障碍等情形。但是，学习障碍不包括因动作障碍、视觉、听觉、智能不足或社会文化、环境、经济等不利因素所造成的学习问题。此后，“学习障碍”一词得到社会的广泛认可并成为教育学、心理学和儿童精神病学等领域共同研究的课题[8]。

到目前为止，虽然关于学习障碍的定义有很多，但它们并无实质的不同。其中影响较大、运用范围较广的是学习障碍委员会1981年的定义，它将学习障碍定义为：“一组由内外因素综合作用导致的异常，表现在听、说、读、写、思考、推理或计算能力的获取和使用上存在问题”[9]。在学术界未对学习障碍进行统一明确的界定前，常把“学习障碍”与“学习困难”两个词混用，然而两者在范围上不完全相同，后者较前者范围更加广泛，还包括由于智力不足、文化、环境、经济等不利因素所造成的学业不良。

目前我国学术界对学习障碍尚未有统一的定义。在前人文献的基础上，本研究将学习障碍（LD）概念界定为：（1）学习障碍儿童在听、说、读、写、思考、数学运算等方面存在显著的学习困难；（2）学习障碍儿童基本不存在智能不足现象，有些甚至比正常儿童聪明；（3）其原因是个体内在的脑伤、轻微脑功能失调所致；（4）大多数学习障碍儿童在社交技能方面有明显缺陷；（5）需要排除由于智能不足、听觉障碍、视觉障碍、动作障碍等或由于受文化、环境、经济等不利因素的影响，未能接受正规教育的原因所造成的学习方面的障碍。

（三）学习障碍的成因

在内部因素方面，儿童学习障碍的成因包含学习动机、意志力薄弱和归因等三个方面：50%的学习障碍儿童对学习不感兴趣，缺乏正向的学习动机；学习障碍儿童难以克服学习过程中出现的困难，遇到问题容易退缩，缺乏正面应对的勇气；在归因方面，学习障碍儿童常把成功归因于难度低或运气等外部不可控因素，而把失败归因于能力或智力等内部不可控因素，这使其将困难看作是对自身能力的威胁，常常采用逃避的方式处理。

在外部因素方面，儿童学习障碍的成因包含家庭环境、外部态度和社会文化环境等三个方面：一是家庭环境影响，良好的家庭环境和民主的教养方式为儿童提供更多的互动和学习支持，儿童更容易对学习产生浓厚的兴趣，没有厌学情绪，不易出现学习障碍[10]；二是学校教师教学态度和期望的影响，学校环境对儿童产生一定的影响，教师的言行、教学方法对儿童有重要的影响，若教学方法不当，儿童容易丧失学习乐趣[11]；三是社会文化环境，发达地区的学习障碍儿童的数量明显低于文化落后地区儿童的人数，社会文化环境影响儿童的发展[12]。

（四）学习障碍的分类

儿童学习障碍的表现因人而异，不同的儿童表现出不同的学习问题，因此给儿童学习障碍的分类带来一定的困难。到目前为止，学术界尚没有形成一致的分类标准。其中，学术界主要采纳美国学者Kirk在1989年提出的学习障碍的分类。Kirk[13]将儿童学习障碍分为两大类，即发展性学习障碍（Developmental Learning Disabilities）和学业性学习障碍（A-cademic Learning Disabilities）。

发展性学习障碍是指儿童在正常发育过程中在知觉、视觉、听觉和语言功能等方面出现异常，多与大脑信息处理过程的问题有关[14]，包含五种类型：（1）视听觉障碍（Visual Perception or Auditory Perception Disabilities）：听觉障碍影响儿童的阅读、写作和拼写的能力，视觉障碍儿童难以分辨物体形状和颜色的细微差别，无法识别字母和数字。（2）记忆障碍（Memory Disabilities）：再现所见所闻或亲历过的事件时的障碍。（3）运动障碍（Motor Disabilities）：指儿童在身体的协调方面存在问题，包括粗大的运动技能（奔跑、跳跃）和精细的运动技能（写作、绘画）。 （4）认知能力障碍（Cognitive Disability）：指在记忆、语言、计算、视觉空间、理解判断等方面存在一项或多项受损，影响个体学习和日常生活。（5）语言障碍 （Language Disabilities）：儿童的语言能力发育迟缓、复述故事的能力差、言语的流畅度低，在理解词语和句子含义方面存在困难。

学业性学习障碍是指儿童在阅读、写作和计算等能力存在异常，学习障碍儿童的阅读能力、写作能力、计算能力低于正常发展儿童。首先，阅读障碍有两种类型，一种是难以理解字母和单词之间的关系；另一种是无法掌握单词、短语和段落的含义。其次，写作障碍包括两种类型：一种是在形成文字和单词本身方面存在障碍；另一种是在文字意思的表达方面存在障碍。最后，儿童的计算障碍因人而异，一个儿童的计算能力会受到语言学习障碍、视觉障碍或记忆障碍等困难的影响。计算障碍儿童可能在组织数字、操作符号的顺序方面存在困难，例如，儿童在5+5=10和5×5=25这两个算式中的计算符号区别障碍即可能受到视觉障碍的影响。

三、人工智能在儿童学习障碍教育中的应用

学习障碍儿童常常表现为在听、说、读、写、理解、社交等方面存在缺陷，身心处于低能、失能和不能的状态，这不利于他们的学业成绩和核心素养发展。从需求和适配度层面来看，学习障碍儿童在听觉能力、语言理解能力和社交能力等方面的发展，更需要人工智能技术的介入、辅助和支持[15]。认知科学家和人工智能先驱Minsky指出，人工智能可以根据个体特定的情境及其需求开发出个性化的教学机器。这通过与学习障碍儿童进行对话，帮助学习障碍儿童理解问题或达到某个目标[16]。

近年来，人工智能开始应用于儿童学习障碍教育领域中，作为优化和提升学习障碍的诊断、干预、评估和服务四种关键应用的方法和技术，可以促进学习障碍儿童学业成绩的提高，帮助学习障碍儿童核心素养的改善。

（一）诊断

全国健康访问调查（2004年）数据显示，我国约有8%的儿童和青少年存在学习障碍[17]。目前，由于对儿童学习障碍尚没有明确的诊断标准，所以对其的诊断仍是一个难题。美国的心理、教育和医疗领域的工作者主要基于儿童的知识和学业成绩的差异,来评断其是否患有学习障碍。已有研究证明，人工智能技术可以用于儿童学习障碍的诊断，且具有良好的效果。基于国内外相关研究文献分析，本研究发现，儿童学习障碍诊断可采用人工智能技术的算法、应用模型和系统平台进行。

1.提出儿童学习障碍诊断的AI算法，可以提高儿童学习障碍的诊断精度

目前，学术界提出两种儿童学习障碍诊断的AI算法，分别是深度学习算法和支持向量机SVM算法。2008年，Wu和Huang等人提出使用人工神经网络分类器诊断学习障碍，通过实验研究证明，人工神经网络分类器能诊断出超过50%的学习障碍儿童，优于基于统计技术的传统诊断方法[18]。随后，Anuradha等人使用“SVM”人工智能算法开发出更准确、更省时的注意力缺陷多动障碍（ADHD）诊断平台。该平台的SVM模块提供医生用来诊断病症的问卷调查，通过使用SVM算法来诊断儿童是否患有注意力缺陷多动障碍（ADHD）[19]。由此可见，AI算法能够提高学习障碍儿童诊断的精度。

2.构建儿童学习障碍的诊断模型，探索学习障碍儿童智能诊断的新方法

1990年，Geiman和Nolte提出了儿童学习障碍分类的专家系统模型[20]。2008年，Arthi和Tamilarasi报道了一种基于人工神经网络（ANN）技术的自闭症诊断模型，该模型将原始的自闭症数据转换成合适的模糊值，并将这些数据作为神经网络的输入；该诊断模型采用了较为成熟的k-近邻算法，用于预测儿童自闭症的研究中[21]。2013年，徐影、李怀龙和谢家奎等结合学习障碍诊断领域的知识特点、专家问题求解的思维过程和推理过程的特点，开发了适合于学习障碍诊断的推理模型[22]。在该模型中，用户首先输入自己的病症，进入诊断推理程序，接着系统自动将输入的个人症状与专家系统中数据库进行初步匹配，然后向用户呈现诊断结果，包含学习障碍的相关信息，最后向用户推荐对应的干预治疗方法。

3.开发儿童学习障碍诊断的专家系统，学习人类专家诊断学习障碍的思维与经验

2003年，Georgopoulos等人提出特定言语障碍诊断的模糊认知图 （Fuzzy Cognitive Map，FCM）方法。模糊认知图是一种使用符号来描述和建模复杂系统的软计算方法，其目的是为专家医生提供一个特定言语障碍与阅读障碍和自闭症的鉴别诊断。因为在许多情况下，言语障碍具有与其他学习障碍相似的症状而难以辨别。该系统在四个临床病例中进行测试，取得令人满意的结果[23]。2006年，Wu和Meng等人开发了第一个诊断学习障碍的人工智能“专家系统”，其目标是模拟人类专家求解问题的思维过程，以解决学习障碍诊断中的各种问题[24]。2009年，Hernández等人介绍了一个诊断儿童学习困难的专家系统，该系统包括一系列心理学评估策略组成的知识库。研究者试图找出输入变量（年龄，性别，教育水平）和输出变量（精神运动方面、智力方面）之间的关系。该专家系统能为其用户提供认识学生心理素质的可能性，研究结果发现，80%的评估人员认为该系统能高效地诊断儿童的学习障碍[25]。2012年，ElSayed研制了一个用于学习障碍儿童诊断的智能代理分类系统。该系统为提供学生的教育学和心理学特征，也能产生最佳的教育活动解决方案。该系统为班主任提供了讨论心理功能和学习技能的工具，在该系统的语义网络知识库中包含一系列策略支持心理和教学的评估。教师可根据专家分类知识库中获取的样本得到争端经验，对学习障碍儿童进行分类[26]。

（二）干预

一个可靠而有效的诊断是帮助儿童克服困难的第一步，诊断的目的是为了干预过程的开展。干预是学习障碍儿童教育的重要组成部分，因为干预过程能够更加明确地指导学生的学习。目前的一个重要研究方向是使用人工智能技术对学习障碍儿童进行干预教育。研究发现，大部分研究围绕运用人工智能技术开发系统平台对学习障碍儿童进行干预的主题展开。根据学习障碍儿童的分类，我们将系统分为发展性学习障碍干预系统和学业性学习障碍干预系统。

1.发展性学习障碍干预系统解决儿童的视听觉、注意力、认知能力、记忆、言语等发展性障碍问题

2003年，Schipor等人创建了一种基于模糊专家系统的言语治疗（CBST）系统，使用模糊专家系统开发其架构，帮助言语障碍儿童获取最佳治疗方案，向言语障碍儿童提供更多的干预时间[27]。2006年，Sebe等人基于视觉和音频线索实现情绪联合识别，这种人机交互应用系统不仅能够识别六种基本情绪，包括快乐、惊喜、愤怒、厌恶、恐惧和悲伤，而且能识别其它情感状态，包括兴趣、无聊、混乱和沮丧。该研究对患有言语障碍和情绪障碍的自闭症儿童提供积极有效的干预训练[28]。

2007年，Riedl等人设计了一个帮助高功能自闭症谱系障碍儿童学习社交技能的智能系统。该系统通过呈现社交场景游戏，例如，支持儿童以角色扮演的方式完成社会情境中的任务，采用人工智能技术减少专家应用干预策略时手动创作的负担，取得了显著的干预成果[29]。2008年，Drigas等人在实施“Dedalos”项目中，面向以英语为第二语言的听觉障碍儿童，采用智能分类系统评估学生的言语能力，动态设置教学内容，为听觉障碍儿童的学习提供一个完整的支持系统，消除他们的入学障碍[30]。2016年，Galina和Assem等开发了视觉障碍儿童远程智能学习系统，该系统考虑视觉障碍儿童的心理、生理特征和学习信息，采用智能统计方法处理多维数据，为视觉障碍儿童的远程学习提供智能化的学习环境[31]。

2.学业性学习障碍干预系统解决阅读、拼写、书作、数学等学习活动的心理障碍

2001年，Melis等人介绍了一种基于 Web的ActiveMath数学智能辅导系统（ITS），用于数学学习障碍儿童。ActiveMath允许儿童在自己觉得舒适的环境中学习，使用人工智能技术生成自适应课程，学生可以建模、反馈以及互动练习。在ActiveMath中，儿童通过对自己掌握的概念进行自我评估来启动他/她的学生模型，然后选择学习目标和场景，并根据自己掌握程度调节课程，“眼睛追踪器”能详细追踪儿童的注意力和阅读时间。对该系统多年的实验研究证明，智能辅导系统（ITS）在数学学习障碍儿童的学习过程中具有积极的干预作用和效果[32-34]。2010年，Gonzalez等人设计了一个用于检测分析数学问题中错误的自动平台，支持学生个性化反馈。该方法适用于所有学生，尤其是那些有特殊教育需要的学生，如，唐氏综合症患者的加法和减法算术运算。该系统的错误检测算法，能够收集、分析学生和平台之间的交互数据，然后把输出提供给教师。此外，该系统还包含教学策略模型，将学生在练习中所犯的一系列错误返回给学生，帮助学生认识到他们自己的错误。该系统在患有唐氏综合症儿童的实验结果中获得证实，其能帮助学习障碍儿童在数学练习中获得较高的正确率[35]。

2010年，Baschera和Gross开发一款面向拼写障碍儿童的适应性拼写训练系统。该系统基于推理算法观察儿童的错误行为，评估每个规则对学生的难度，引导学生重复训练拼写错误的单词。对该系统在两个大规模的用户研究中进行测试，结果显示，拼写障碍儿童经过一段时间训练后，其拼写错误率显著降低[36]。2013年，Adalberto等人提出了一种旨在使用人工智能技术帮助教师、心理学家和教育家支持阅读障碍儿童学习的方法。该方法可以适应每位儿童的个体需求而产生相应的学习任务。在任务执行的同时，机器学习系统将收集和处理数据，分析学生在阅读和写作时的学习过程，模糊系统将根据机器学习系统收集的数据提出适当的任务，进而输出一个适应性的任务，激励阅读障碍儿童执行相应的阅读任务[37]。

（三）评估

学习障碍会导致儿童难以学习和使用某些技能。调查发现，学习障碍对入学儿童的影响率为15%，因此，对学龄前和学龄期儿童进行学习障碍评估是一项重要且急迫的工作。基于儿童学习障碍的成因和分类，学习障碍儿童的症状具有高度相似性，因此，学习障碍儿童评估需要选择合适的评估工具。文献分析发现，国内外已有学者将AI应用于学习障碍儿童的评估工具中。通过AI评估工具来帮助教师或家长观察孩子的学习水平，能提高教师或家长的评估能力，使学习取得良好的成效。本部分介绍人工智能中算法、模型、系统在学习障碍儿童评估中应用研究。

1.应用人工神经网络（Artificial Neural Network，ANN）评估和预测学习障碍儿童

人工神经网络是20世纪80年代以来人工智能领域兴起的研究热点，在儿童学习障碍评估中应用逐步深化。2008年，Pavlopoulos等采用神经元网络方法支持学生开展自我评估，借助计算机程序逐步优化。在该研究中，记录和分析了学生在虚拟学习环境中单个和多个问题中的答案，评估了五个学习领域的答案：语法/句子结构、阅读、写作、字母识别和字母顺序和拼写/词汇。研究结果发现，应用虚拟学习环境的遗传编程神经网络（GPNN）方法对所有在上述领域存在障碍的学生都是有效的，并且特别适用于身体或感觉障碍的个体[38]。2010年，Kohli提出了一种使用人工神经网络（ANN）识别诵读困难的方法，这是首次尝试人工智能解决儿童阅读障碍识别的应用。该项研究对2003-2007年间潜在阅读障碍学生的评估结果进行测试，测试输出的实验结果发现，使用测试数据获得的初步结果相当准确，该平台能应用于实际的阅读障碍儿童的预测评估[39]。2013年，David和Balakrishnan报道了人工神经网络（Artificial Neural Network，ANN）和自适应神经模糊推理系统 （Adaptive Neuro-Fuzzy Inference System，ANIFS）两种智能方法以预测适龄儿童的学习障碍，并为学习障碍儿童预测开发了有效的工具[40]。

2.基于人工智能构建应用模型开展儿童学习障碍评估

2004年，Rebolledo-Mendez和Freitas提出NeuroSky MindSet （MS） 应用模型，MindSet是美国NeuroSky公司推出的基于其先进的BCI技术的一款“意念耳机”，能适用于所有人群，尤其可被应用于注意力缺陷多动障碍（ADHD）儿童。NeuroSky由带有三个电极的头戴式耳机组成，能够读取儿童脑电信号作为输入以评估儿童的注意力水平。该应用模型在大学一年级本科生的测试结果表明，测量结果和被试自我报告的注意水平之间存在正相关[41-42]。2009年，Jain等人提出了一种基于感知器的学习障碍检测器模型 （Perceptron based Learning Disability Detector，PLEDDOR）。该模型是一个人造神经网络，使用基于课程的测试可以识别儿童的阅读障碍、书写障碍和数学障碍[43]。该系统在印度240名儿童的测试结果表明，该模型能够有效地评估学生的学习障碍。

3.基于人工智能系统收集的学习任务和社交活动数据开展儿童学习障碍评估

2007年，Livne介绍了一种自动评估学生数学问题答案的在线解析系统。在学习期间，学生被要求提供数学问题的答案，解析器分析学生提供的答案，立即反馈他们的错误，并提供准确的评分，该系统适合数学学习困难和学习障碍学生[44]。2009年，Dawn等人提出使用行动研究方法开发了一个基于Web的集体智能应用程序系统（DDtrac）。DDtrac系统允许教师收集学生在学习任务和社交活动中的数据，并分享有关的见解，用于评估学习障碍学生的进步程度和学习支持改善决策。该研究在40名特殊教育专业人员的调查结果表明，与发育障碍人士合作的教育工作者、临床医生、家庭、父母或其他专业人员可以从实时数据跟踪和决策支持中获得由DDtrac应用程序提供的有效教学反馈[45]。

（四）服务

结合学习障碍儿童的学习支持需求，随着移动互联网、云计算和大数据等新技术的发展，人工智能技术应用将依托云计算和大数据向学习障碍儿童、教师和家长提供越来越个性化的学习支持服务。

1.基于云计算的人工智能技术为学习障碍儿童提供更智慧的学习支持服务

基于云计算，利用语音识别技术、图像识别技术和移动APP，人工智能技术能够更好地服务于学习障碍儿童。2010年，基于讯飞开放平台面向阅读障碍的争渡软件，实现通过语音操作电脑，帮助实现读屏功能，在国内供阅读障碍者访问互联网使用；讯飞与香港失明人协进会（NVDA）联合开发的粤语版读屏软件，成为粤语区阅读障碍者的学习软件。2015年，讯飞推出“听见”产品，将老师教学演讲内容完整的转成文字，并在课堂上实时展示，辅助听力障碍儿童更好的理解教学内容。目前，该软件已在多个特殊学校的课堂情境中应用，相较于原来的手语教学，现场语音识别极大地扩展了课堂的信息量，对听力障碍儿童教学提供了沟通与交流的便利。

综上所述，云计算汇聚了人工智能技术的分布式计算能力，共享互联网的海量学习障碍相关资源[46]。在移动网络中某个节点输入学习障碍儿童病症时，基于云计算的人工智能技术能够快速准确的查找出某一类学习障碍儿童的成因和症状，甚至模拟学习障碍儿童的神经系统受损情况，提供与其相匹配的诊断结果和干预方法，为学习障碍儿童的干预训练提供强有力的技术支持。

2.基于大数据的人工智能技术能为学习障碍儿童提供更精准的学习支持服务

目前国内外学者普遍认为，“大数据”是继云计算和物联网之后的IT产业的又一次重大技术变革[47]。在学习障碍儿童的教育中，基于大数据的人工智能技术的应用体现在三个方面：一是根据学习障碍儿童自身的学习需求，基于原始数据提供给儿童适合其能力的学习内容；二是持续采集学习障碍儿童在学习过程中生成的数据，针对儿童在学习过程中的障碍问题，形成适合每位儿童自身发展的干预措施[48]；三是记录儿童在学习过程中的行为数据，这些数据表面看起来毫无规律，但当数据累积到一定程度时，对这些数据进行分析，就能找出学习障碍儿童的行为规律。因此，基于学习障碍儿童的学习行为大数据的挖掘、分析和建模，能够更准确地把握学习障碍儿童的个体特征，从而精准的诊断、干预、评估和服务学习障碍儿童。

四、结论与展望

本研究检索国内外人工智能技术在儿童学习障碍教育中的相关研究文献，分析人工智能技术在学习障碍儿童的诊断、干预、评估、服务四个方面的应用：（1）人工智能中的SVM算法、深度学习算法、诊断模型和专家系统已应用于学习障碍儿童的诊断中，以提高学习障碍儿童诊断的精度。（2）基于人工智能技术的发展性学习障碍干预系统和学业性学习障碍干预系统已得到较多的应用，用于提升学习障碍儿童干预教学的质量和效率。（3）人工神经网络算法、应用模型和智能系统作为儿童学习障碍评估的方法和工具，以增加学习障碍儿童评估的精度。（4）基于云计算和大数据的人工智能技术已被应用于学习障碍儿童学习支持服务中，以提升学习障碍儿童支持服务的智慧度和精准度。由此可见，人工智能技术有助于准确的诊断和预测儿童学习障碍，为学习障碍儿童干预与评估提供智能化和个性化的干预方法[49]，提供更加智慧和精准的学习支持服务。

目前，从人工智能技术在正常发展儿童教育中的应用来看，人工智能技术实现教育教学的自动化、网络化、智能化和个性化的研究越来越多。但是，人工智能技术在儿童学习障碍领域中的研究文献和研究成果相对偏少，研究问题和范围相对较小[50]。鉴于此，未来的研究应将人工智能领域最新的研究方法和技术应用于特定学习障碍儿童中，结合学习障碍儿童的特征和学习需求，优化现有的人工智能算法，深化人工智能技术在特定学习障碍儿童的诊断、干预、评估和服务中的应用研究，优化现有的SVM、ANN和深度学习等算法，设计更有效的诊断、决策和评估模型。基于云计算和大数据研制智能系统，帮助学习障碍儿童克服发展性障碍，并在学业成绩和核心素养方面取得更有效的发展。

[1]Hilles M M，Naser S S A.Knowledge-based Intelligent Tutoring System for Teaching Mongo Database[J].European Academic Research，2017，4（10）：8783-8794.

[2]马玉慧，柏茂林，周政.智慧教育时代我国人工智能教育应用的发展路径探究——美国《规划未来，迎接人工智能时代》报告解读及启示[J].电化教育研究，2017（3）：123-128.

[3]韩晔彤.人工智能技术发展及应用研究综述[J].电子制作，2016，（12）：95.

[4]Drigas Athanasios，Ioannidou Rodi-Eleni.A Review on Artificial Intelligence in Special Education[J].Communications in Computer and Information Science，2013，（278）：385-391.

[5]Julie M D，Balakrishnan K.Significance of Classification Techniques in Prediction of Learning Disabilities[J].International Journal of Artificial Intelligence&Application，2010，1（4）：111-120.

[6]Jordan N C，Kaplan D，Locuniak M N，et al.Predicting First-Grade Math Achievement from Developmental Number Sense Trajectories[J].Learning Disabilities Research&Practice， 2007， 22（1）：36-46.

[7]Kirk S A.Behavioral Diagnosis and Remediation of Learning Disabilities[J].In Proceedings of the Conference on the Exploration into the Problems of the Perceptually Handicapped Child，1963，29（2）：1-7.

[8]杜高明，黄娟.学习障碍的界定及社会建构说[J].中国特殊教育，2008（12）：82-87.

[9][美]罗伯特，威廉特.学习障碍的矫正[M].杨重明译，1967（英文版）.

[10]王道阳，宋冉，殷欣，曹果果.学习障碍成因与干预研究进展[J].教育生物学杂志，2016（1）：39-43.

[11]吴汉荣.儿童学习障碍的预防及矫治[J].中国学校卫生，2003（5）：425-427.

[12]许政援，沈家鲜，吕静，等.儿童发展心理学[M].长春：吉林教育出版社，1996.

[13]Mary S Kelly， Catherine T Best， Ursula Kirk.Cognitive Processing Deficits in Reading Disabilities：A Prefrontal Cortical Hypothesis[J].Brain and Cognition，1989，11（2）：275-293.

[14]梁威.国内外学习障碍研究的探索[J].教育理论与实践，2007（21）：57-60.

[15][50]张坤颖，张家年.人工智能教育应用与研究中的新区、误区、盲区与禁区[J].远程教育杂志，2017（5）：54-63.

[16]Minsky M L， Singh P， Sloman A.The St.Thomas Common Sense Symposium：Designing Architectures for Human-level Intelligence[J].AI Magazine， 2004，25（2）：113-125.

[17]National Health Interview Survey，2006.[EB/OL].[2017-06-01].http：//www.cdc.gov/nchs/data/series/sr_10/sr10_227.pdf，extracted on Jan.16th，2006.

[18]Wu T K，Huang S C，Meng Y R.Evaluation of ANN and SVM Classifiers as Predictors to the Diagnosis of Students with Learning Disabilities[J].Expert Systems with Applications，2008，34（3）：1846-1856.

[19]J Anuradha，Tisha V，Ramachandran，K V Arulalan，B K Tripathy.Diagnosis of ADHD Using SVM Algorithm[C]//The Third Annual ACM Bangalore Conference， 2010：1-4.

[20]R M Geiman，W L Nolte.An Expert System for Learning Disability Diagnosis[C]//1990 IEEE International Conference on Systems Engineering，Pittsburgh，PA，USA，1990：363-366.

[21]Arthi K，Tamilarasi A.Prediction of Autistic Disorder Using Neuro Fuzzy System by Applying ANN Technique[C]//International Journal of Developmental Neuroscience，2008，26（7）：699-704.

[22]徐影，李怀龙，谢家奎.儿童学习障碍诊断专家系统的推理模型设计与系统开发[J].现代教育技术，2013（3）：105-108.

[23]Georgopoulos V C，Malandraki G A，Stylios C D.A Fuzzy Cognitive Map Approach to Differential Diagnosis of Specific Language Impairment[J].Artificial Intelligence in Medicine，2003，29（3）：261-278.

[24]Wu T K，Meng Y R，Huang S C.Application of Artificial Neural Network to the Identification of Students with Learning Disabilities[C]//International Conference on Artificial Intelligence，2006：162-168.

[25]Hernadez J， Mousalli G， Rivas F.Learning Difficulties Diagnosis for Children’s Basic Education using Expert Systems[J].WSEAS Transactions on Information Science and Applications，2009，6（7）：1206-1215.

[26]K N Elsayed.Diagnosing Learning Disabilities in a Special Education by an Intelligent Agent based System[C]//Computer Science and Electronic Engineering Conference（CEEC）， Colchester， 2012：7-12.

[27]Schipor O A，Pentiuc S G，Schipor M D.Improving Computer based Speech Therapy Using a Fuzzy Expert System[J].Computing and Informatics，2003，22：1001-1016.

[28]N Sebe， I Cohen， T Gevers， T S Huang.Emotion Recognition Based on Joint Visual and Audio Cues[C]//Proceedings of the 18th International Conference on Pattern Recognition， 2006：1136-1139.[29]Riedl M，Arriaga R，Boujarwah F，Hong H，Isbell J，Heflin L J.Graphical Social Scenarios：Toward Intervention and Authoring for Adolescents with High Functioning Autism[C]//AAAI Fall Symposium，2007.

[30]Drigas A S，Kouremenos D， Vrettaros J.Teaching of English to Hearing Impaired Individuals Whose Mother Language is the Sign Language[M].Springer Berlin Heidelberg，2008：263-270.

[31]Samigulina G，S Shayakhmetova Assem.Smart-System of Distance Learning of Visually Impaired People based on Approaches of Artificial Intelligence[J].Open Engineering，2016，6（1）.

[32]Melis E,Andres E,Budenbender J,Frischauf A,Goguadze G,Libbrecht P,Polle M,Ullrich C.ACTIVEMATH，A Generic and Adaptive Web-Based Learning Environment[J].International Journal of Artificial Intelligence，2001，24（4）：1-25.

[33]Libbrecht P，Melis E.Methods to Access and Retrieve Mathematical Content in ACTIVEMATH[J].Springer Berlin Heidelberg， 2006：331-342.

[34]Melis E，Siekmann J.ACTIVEMATH：An Intelligent Tutoring Sys-tem for Mathematics[C]//Artificial Intelligence&Soft Computing-icaisc， International Conference，2004：91-101.

[35]Gonzalez C S， Guerra D， Sanabria H， Moreno L， Noda M A，Bruno A.Automatic System for the Detection and Analysis of Errors to Support the Personalized Feedback[J].Expert Systems with Applications， 2010（37）：140-148.

[36]Baschera G M，Gross M.Poisson-Based Inference for Perturbation Models in Adaptive Spelling Training[J].International Journal of Artificial Intelligence in Education， 2010（20）：1-31.

[37]Nadia Milena Arévalo， Sandra Dolores Beltrán，Yuri Lizeth Chavarro， Alix Lorena Medina， Edwin Herazo， Adal-berto Campo-Arias.Prevalence of Alcohol Problem Drinking Among the Indigenous Population in Colombia[J].Revista Colombiana de Psiquiatría，2013，42（4）：320-323.

[38]J Pavlopoulos， J Vrettaros， G Vouros， A S Drigas.The Development of a Self-assessment System for the Learners Answers with the Use of GPNN[C]//World Summit on the Knowledge Society：Emerging Technologies&Information Systems for the Knowledge Society，2008（1）：332-340.

[39]Kohli M，Prasad T V.Identifying Dyslexic Students by Using Artificial Neural Networks[J].Proceedings of the World Congress on Engineering， London， U.K， 2010，2183（1）：118.

[40]David J M，Balakrishnan K.Learning Disability Prediction Tool Using ANN and ANFIS[J].Soft Compute，2014（18）：1093.

[41]Rebolledo-Mendez G，De Freitas S.Attention Modeling Using Inputs from a Brain Computer Interface and User-generated Data in Second Life[C]//The Tenth International Conference on Multimodal Interfaces （ICMI 2008）， Crete， Greece，2008.

[42]Rebolledo-Mendez G， Dunwell I， Martínez-Mirón E A， Vargas-Cerdán M D， de Freitas S， Liarokapis F， García-Gaon a A R.Assessing NeuroSky’s Usability to Detect Attention Levels in an Assessment Exercise[C]//International Conference on Human-computer Interaction，Part I.LNCS， 2009：149-158.

[43]Jain K，Manghirmalani P，Dongardive J，Abraham S.Computational Diagnosis of Learning Disability[J].International Journal of Recent Trends in Engineering 2009，2（3）.

[44]N Livne， L Nava， O Livne， C Wight.Can Automated Scoring Surpass Hand Grading of Students’Constructed Responses and Error Patterns in Mathematics?[J].MERLOT Journal of Online Learning and Teaching， 2007，3（3）.

[45]Dawn G.Developing a Collective Intelligence Application for Special Education[J].Decision Support Systems，2009，47（4）：455-465.

[46]刘成新，张松，苌雨.我国教育技术领域云计算研究现状述评[J].电化教育研究，2014（3）：41-45.

[47]何克抗.大数据面面观[J].电化教育研究，2014（10）：8-16.

[48]祝智庭，沈德梅.基于大数据的教育技术研究新范式[J].电化教育研究，2013（10）：5-13.

[49]Drigas A，Ioannidou R.Artificial Intelligence in Special Education：A Decade Review[J].International Journal of Engineering Education，2012，28（6）：1366-1372.