AI驱动学习分析在应用行为分析疗法中的创新应用与实证研究

《IEEE Transactions on Learning Technologies》：AI-Driven Learning Analytics for Applied Behavior Analysis Therapy

本研究针对特殊教育需求(SEN)学生，特别是自闭症谱系障碍(ASD)和共病智力障碍(ID)患者，在应用行为分析(ABA)疗法中面临的高成本、数据记录繁琐及个性化干预不足等问题，开发并评估了一种AI驱动的学习分析(LA)系统。通过整合生理、环境和行为等多模态数据，该系统实现了学习结果的实时预测（准确率88.83%，精确率86.64%），并在8周自然主义研究中显著提升了学生任务掌握度（效应量d=0.95）。教育者反馈系统能优化干预策略制定，目前已在香港、新加坡和加拿大超1000名SEN学生中应用，为ABA疗法的规模化推广提供了技术支撑。

　　

在当今教育领域，特殊教育需求（SEN）学生，尤其是自闭症谱系障碍（ASD）和智力障碍（ID）患者，面临着巨大的学习挑战。据统计，英国和美国SEN学生占比分别高达17.3%和14.7%，其中全球ASD患病率已升至约1/100儿童。这些学生在身体、智力和沟通能力上的不足，严重影响了其学术和社交发展。应用行为分析（ABA）作为一种证据支持的行为干预方法，虽被广泛证实有效，但其高昂的成本（涉及注册行为技师RBT和行为分析师BCBA的认证）、繁重的数据记录工作以及对专业人员的依赖，限制了其在资源匮乏家庭的普及。如何通过技术手段降低ABA实施门槛，提升干预效率，成为教育工笔者和工程师亟待解决的问题。

在此背景下，香港教育大学特殊教育与辅导学系的Chun Man Victor Wong、Yen Na Yum以及香港中文大学信息工程系的Rosanna Yuen-Yan Chan（IEEE Fellow）团队，在《IEEE Transactions on Learning Technologies》上发表了一项突破性研究。他们开发了一套集成人工智能（AI）与学习分析（LA）的ABA疗法系统，通过实时收集和分析学生的生理（如心率、皮肤电导GSR）、环境（如CO₂浓度、湿度）和行为数据，为治疗师提供个性化干预建议。研究通过三项实验（系统性能评估、学生学习效果检验、教育者反馈收集），验证了该系统在预测准确性、干预有效性及实际应用价值方面的卓越表现。

为构建这一系统，研究人员采用了多项关键技术。首先，通过物联网（IoT）传感器盒（监测环境参数）和Empatica E4腕带（采集生理数据）实现多模态数据流实时采集；其次，利用时间戳对齐和深度神经网络（DNN）进行多模态数据融合与联合表征学习，解决了数据缺失和异构问题；第三，设计端到端的预测算法（Algorithm 1），以ABA标记（如“+”表示正确响应）为监督信号，训练模型输出学习结果预测；最后，在真实教育场景中开展为期8周的ABA干预及6个月后随访测评，结合定量分析（如正确响应百分比CR%）和定性访谈（使用行为干预评定量表BIRS），全面评估系统效能。

系统性能结果

实验1基于3000个样本的数据集显示，AI驱动LA模型的预测准确率达88.83%，精确率86.64%，召回率97.66%，F1分数91.82%。

混淆矩阵表明模型在不同类别间表现均衡。SHAP分析进一步揭示湿度、加速度（上下/左右方向）和光照强度是影响预测的最关键特征，而生理信号（如BVP、皮肤温度）贡献中等。

学生学习效果结果

实验2涉及61名ASD特征学生（实验组31人，对照组30人）。实验组学生在使用系统后，末次训练CR%

（75.35±18.95）较首次训练（54.61±22.40）显著提升（t(32)=8.80, p<0.001, Cohen’s d=0.95）。任务领域分析显示，沟通（CO）和感觉运动（SM）领域掌握率最高（>50%），而社交情绪（SE）领域较低（21%）。

组间比较中，实验组CR%（70.43±22.05）显著高于对照组（63.02±22.05, F(1,59)=5.15, p=0.027），且高参与度学生呈现更高掌握趋势（η2=0.11）。

教育者反馈结果

实验3通过焦点小组访谈收集26名治疗师/教师的意见。多数人肯定系统在数据记录和个性化干预中的价值，如“提供了系统化记录学生学习的方式”。然而，使用过程中存在注意力分散、腕带不适及数据解读复杂性等挑战。治疗师指出，系统尤其适用于新案例或表达困难学生，但长期效果转移至家庭或课堂场景仍需验证。

本研究结论强调，AI驱动LA系统不仅能以高精度预测ABA学习结果，还可通过多模态数据整合显著提升SEN学生的行为掌握度，且受到教育实践者的积极认可。尽管存在样本量限制和非随机化设计等不足，但系统已在香港、新加坡和加拿大超1000名SEN学生中成功应用，证实其在实际场景中的可扩展性。未来工作可聚焦随机对照试验设计、长期效应追踪及跨文化适应性优化，进一步推动AI技术在特殊教育中的深度融合。