一项由纽约州立大学布法罗分校主导的新研究揭示，人工智能驱动的笔迹分析技术或可作为早期筛查儿童阅读障碍（dyslexia）和书写障碍（dysgraphia）的有效工具。该研究成果发表于《SN计算机科学》期刊，旨在补充现有筛查手段——这些传统方法虽有效但成本高昂、耗时较长，且每次只能针对单一病症进行检测。
这种技术有望缓解全美语言病理学家和职业治疗师的短缺现状，这两种专业人员在诊断阅读障碍和书写障碍中扮演关键角色。研究通讯作者Venu Govindaraju教授指出："早期发现这些神经发育障碍对保障儿童及时获得帮助至关重要，我们的目标是优化并普及筛查工具，特别是在医疗资源匮乏地区。"
作为美国国家人工智能特殊教育研究所的研究框架之一，该团队沿用30年前开发的邮件自动分拣技术中的机器学习方法，改进后的模型能识别拼写错误、字母构造异常、书写组织问题等关键指标。区别于传统侧重检测书写障碍（因其笔迹特征明显）的研究，新方法特别强化了对阅读障碍的识别能力——虽然该病症更多体现在阅读与语言处理层面，但特定拼写错误可作为有效线索。
为完善模型训练，研究团队联合内华达大学雷诺分校的Abbie Olszewski教授，收集了雷诺市某小学K-5年级学生的纸质和电子书写样本。这些样本将用于验证《阅读障碍与书写障碍行为指标检查表》（DDBIC）的有效性，并训练AI模型完成自动化筛查。研究设计包括：
- 通过书写速度、压力、笔画轨迹识别运动障碍
- 分析字母大小、间距等视觉特征
- 转化笔迹为文本后检测拼写错误、字母颠倒
- 基于语法和词汇水平识别深层认知问题
最终整合所有模型生成综合评估报告。研究共同作者Sumi Suresh博士强调："这项持续性工作展示了人工智能如何为公共健康创造价值，特别是服务于最需要的人群。"
【全文结束】
