En utilisant l'IA pour analyser les scanneaux cérébraux d'élèves résolvant des problèmes mathématiques, les chercheurs offrent le tout premier aperçu des racines neuronales des troubles d'apprentissage mathématique.
En combinant les pouvoirs de l'intelligence artificielle et de l'imagerie par résonance magnétique fonctionnelle (IRMf), une équipe de chercheurs de l'Université de Stanford a créé des « jumeaux numériques » d'étudiants en mathématiques en difficulté à offrir d'abord des informations sur les fondements neurologiques des troubles d'apprentissage des mathématiques, qui vex sont plus élevés sur 5 étudiants en Amérique.
« Notre étude est née de quelques décennies de travaux de neuroimagerie cognitive comportementale pour essayer de comprendre les bases du cerveau et les fondements cognitifs des troubles d'apprentissage chez les enfants », a déclaré Vinod Menon, professeur de psychiatrie et de sciences comportementales de l'Université de Stanford. « Maintenant, nous avons ces nouveaux outils d'IA qui nous permettent réellement de poser ces questions beaucoup plus profondément, beaucoup plus mécaniquement. »
Dans un article publié dans la revue Avancées scientifiquesMenon et ses co-auteurs, le savant postdoctoral de Stanford Anthony Strock et le chercheur de recherche en sciences sociales Percy Mistry, présentent ce qu'ils appellent des réseaux de neurones profonds personnalisés. Ce sont des «cerveaux jumeaux» numériques efficaces de vrais enfants, des modèles capables d'imiter comment les élèves individuels résolvent les problèmes mathématiques et de démontrer par calcul où les choses tournent mal dans le cerveau des enfants ayant des troubles d'apprentissage des mathématiques.
Au milieu du vacarme
Dans leur étude, les chercheurs ont sélectionné 45 étudiants âgés de 7 à 9 ans, dont 21 avaient des troubles d'apprentissage en mathématiques. Ensuite, les vrais étudiants ont résolu les problèmes de base de l'ajout et de la soustraction tandis que l'IRMf a tracé leur activité cérébrale. Ensuite, ils ont formé des jumeaux numériques, obtenant des réponses similaires à leurs jumeaux du monde réel – juste et mal, à chaque fois – tandis que les modèles d'IA ont simulé leur activité cérébrale.
Menon et ses collaborateurs ont appris que les modèles d'IA pouvaient être réglés pour imiter la précision et la vitesse d'apprentissage de leurs jumeaux réels en ajustant un seul paramètre neurologique connu sous le nom d'excitabilité neuronale, ce qui équivaut à peu près à la force des cellules cérébrales. Ces compréhensions neurologiques ont été difficiles à étudier chez des sujets vivants, nécessitant des électrodes placées dans le cerveau pour mesurer l'activité neuronale. Ainsi, la véritable neurophysiologie de l'apprentissage et des troubles d'apprentissage a été insaisissable pour épingler scientifiquement.
« Contrairement à ce que nous et d'autres attendions, nous avons constaté que trop d'activité neuronale – pas trop peu – est un problème central des difficultés d'apprentissage », a déclaré Menon. « Les enfants qui ont du mal montrent des signes d'hyper-excitabilité dans les régions du cerveau qui sont essentielles à la pensée numérique, et les jumeaux de l'IA ont montré précisément les mêmes modèles. »
L'hypothèse de Menon et de l'équipe est que cette activité excessive conduit à des représentations mentales confinées des problèmes mathématiques, de la confusion et de l'apprentissage plus lent. Ils théorisent que l'hyper-excitabilité conduit à ce qu'ils appellent le chevauchement de représentation: différents problèmes mathématiques produisent des modèles neuronaux trop similaires. Les représentations mathématiques sont mitigées et brouillées, ce qui empêche la résolution précise de problèmes, a déclaré Menon. C'est comme si le cerveau criait sur lui-même et que l'élève ne pouvait pas discerner la bonne réponse au milieu du vacarme.
Espoir renouvelé
Les implications éducatives sont considérables. Les jumeaux numériques permettront aux chercheurs de tester les mécanismes neurologiques de Silico – sur l'ordinateur – dans chaque enfant, offrant une fenêtre sur les causes au niveau du cerveau des luttes d'apprentissage. Menon a souligné que l'étude montre que les jumeaux AI modélisant les troubles d'apprentissage mathématique ont nécessité près de deux fois plus de formation pour atteindre la même précision que les étudiants en mathématiques en développement. Mais, a souligné Menon, « ils finissent par atteindre des performances équivalentes.
Pour les éducateurs, les jumeaux numériques pourraient conduire à des plans d'apprentissage personnalisés adaptés au style d'apprentissage d'un étudiant spécifique et prédire les types d'enseignement qui pourraient mieux fonctionner pour chaque apprenant individuel. Menon et l'équipe étendent maintenant leurs modèles dans de nouvelles directions pour créer des simulations neurologiques encore plus riches de raisonnement mathématique.
Le point de vue de Menon est que les enfants ayant des troubles d'apprentissage peuvent nécessiter une formation supplémentaire importante qui permettra de remédier aux déficits de performance. Néanmoins, Menon protège la prudence de ne pas surdire les résultats. Le modèle a besoin de raffinement. Il y a plus de travail à faire, mais cela souligne dans certaines nouvelles directions prometteuses pour de nouvelles recherches.
« Nous avons maintenant un cadre pour tester des stratégies ciblées – que ce soit cognitif ou neuronal – avant de les essayer dans de vraies salles de classe », a conclu Menon. « Cela pourrait accélérer notre capacité à concevoir des programmes éducatifs efficaces pour les enfants ayant des troubles d'apprentissage et faire de réels progrès pour les vrais enfants qui ont du mal à apprendre les mathématiques. »
