لکنت زبان

*لکنت زبان، انواع لکنت، دلایل و راهکارهای درمانی و نقش هوش مصنوعی در درمان لکنت*

لکنت زبان یک اختلال گفتاری عصبی رشدی گسترده است که در آن فرد از ناهماهنگی در تولید گفتار رنج می برد. به گزارش ساینس دیلی (2018)، بیش از 70 میلیون نفر در سراسر جهان از این لکنت رنج می برند که این یک درصد جمعیت کل جهان است(علاوه بر این، تقریباً 5٪ از بچه های 2 تا 6 سال دچار این اختلال میشوند و حدود 20 درصد آنان با همین لکنت بزرگ میشوند.)
الحربی و همکاران (2018)، بیان می کنند که در 95 درصد کودکان ،اختلال لکنت زبان از چهار سالگی شروع می شود. علاوه بر این، یادگیری ماشینی یک رشته هوش مصنوعی است که به نرم افزار امکان یادگیری و ایجاد پایگاه دانش خود را می دهد
تحقیقات موجود نشان می دهد که در کنار گفتاردرمانی، هوش مصنوعی و اینترنت اشیا (IoT) نقش حیاتی در بهبود این نوع اختلالات دارند.
به کیفیت زندگی مردم به ویژه افراد ناتوان ، توجه کمی شده است جدیدا به عملکرد هوش مصنوعی در تسلط گفتار پرداخت شده است. بنابراین، این مطالعه با هدف بررسی نقش هوش مصنوعی و اینترنت اشیا در بهبود مهارت های ارتباطی برای افرادی که
لکنت زبان دارند پرداخته است.
این مقاله ابتدا انواع، علائم، علل و تکنیک های درمانی در لکنت زبان را بررسی کرده و به دنبال آن نقش هوش مصنوعی را در درمان و ارزیابی لکنت نشان می دهد. این مطالعه برنقش بازخورد شنیداری و یادگیری توسط هوش مصنوعی در بهبود روند نوروژنیک این اختلال نیز تمرکز دارد.

گرچه انواع مختلفی از لکنت وجود دارد، مانند لکنت زبان رشدی، نوروژنیک و روانی (Nall .2012)، اما انواع لکنت علائم مشترک داشته و می تواند تأثیر اجتماعی و روانی در زندگی روزمره فرد داشته باشد. آیمورا و همکاران
(2020) علائم لکنت را به عنوان گیرکردن روی “یک کلمه یا بخشی از کلمه” شناسایی می کنند تکرار با بلوک های خاموش که جریان ریتمیک گفتار را قطع می کنندکه علت آن شامل آناتومیک مغز، ناهنجاری های عملکردی، ناهنجاری فیزیولوژیکی و اختلال عملکردپردازش گفتار حسی می باشند.
النفجان و همکاران. (2018)، بیان کردند که لکنت اختلالی است که تولید گفتار با تکرار ، طولانی شدن، توقف غیرمعمول، یا محاصره گفتگوی آنها باصداها و هجاهای غیر معمول می باشد و این از ویژگی های بارز لکنت کنترل نشده است.
وقفه در جریان طبیعی گفتار (بلوک ها)، تکرارها، طولانی شدن ها مشخصه اصلی لکنت زبان می باشد. و ممکن است شامل پلک زدن، افروخته شدن بینی همراه با ادا و اصول یا شکلک غیرارادی باشد. از سوی دیگر، لکنت تأثیر اجتماعی و آموزشی دارد.الفنجان و همکاران معتقدند که لکنت باعث ایجاد ارتباطات پیچیده شده ومتشکل از عناصر شناختی است که منجر به پیامدهای روانی و اجتماعی می گردد. محققان تاکید می کنند که «لکنت دارای عوارض شدید اجتماعی، آموزشی وپیامدهای ناسازگاری عاطفی”است.
ویلگاس و همکاران (2019) پیشنهاد می کنند که مشکلات تولید گفتار و لکنت در طول رشد فرد می تواند باعث ایجاد احساسات و نگرش های منفی شود و کیفیت زندگی او را تحت تاثیر قرار دهد.
با این حال، تنها لکنت رشدی معمولاً بدون درمان برطرف می شودبه ویژه برای کودکان، در حالی که انواع دیگر اختلالات، مزمن در نظر گرفته می شوند و به درمان و تراپی ،گفتاردرمانی، نیاز دارند.

دلایل لکنت زبان
لکنت رشدی و عصبی بر عملکردهای عصبی انسان تأثیر می گذارد. النفجانو همکاران (2018) بیان می کنند که لکنت زبان رشدی می تواند در دوران کودکی بدون منشا عصبی مشخص ایجاد شود با این حال، کای و همکاران. (2012) شواهدی ارائه می دهند که لکنت با عیوب عملکردی در مدل معکوس مرتبط است که مسئول انتقال اطلاعات شنوایی به دستورات حرکتی گفتاراست. علاوه بر این، سیسلاک و همکاران. (2015) بیان می کنند که لکنت رشدی ناشی از تعیین کننده های ژنتیکی بوده و بر عملکردهای عصبی تاثیر می گذارد. علاوه بر این، سیسلاک و همکاران تغییرات را در ماده سفید مغز بخش گفتاری-حرکتی (WM) با استفاده از تصویربرداری رزونانس مغناطیسی توضیح می دهند.
علاوه بر این، همپتون و همکاران. (2008) رابطه بین فعالیت های عصبی و رفتار را پیدا کردند. آیمورا و همکاران (2020) بیان می کند که علت اصلی لکنت رشدی و عصبی شامل اختلال عملکردبازخورد شنیداری است.
بنابراین، تحریک عملکردهای مغز مانند مدل‌های معکوس ممکن است بهبود لکنت رشدی و عصبی را افزایش دهند.

افزایش بهبود روانی و تاثیر تأخیر بازخورد شنیداری (DAF)

بازخورد شنیداری می تواند مبحث روانی را در لکنت رشدی و عصبی بهبود بخشد.

Reza Sadati, [23/10/1402 10:54 ب.ظ]
DAF در گفتار درمانی می تواند برای تقلید از پدیده ای به نام افکت کرال استفاده شود.تحقیقات نشان داده اند فیدبک شنیداری تغییر یافته AAF یک اصطلاح جمعی برای شرایطی است که شامل تغییر الکترونیکی سیگنال گفتار است بنابراین افراد صدای خود را متفاوت از حالت طبیعی درک می کنند ، از این سیگنال گفتاری تغییر یافته به عنوان سیگنال گفتاری دوم استفاده می شود،تاخیر در فیدبک شنیداری DAF،فیدبک شنیداری بصورت تغییر فرکانس FAF اشکال تغییر گفتار هستند که بطور معمول برای تغییر سیگنال گفتار استفاده میشوند.مطالعات نشان داده است که فرکانس لکنت یا تعداد دفعات لکنت اغلب بلافاصله در پاسخ به AAF کاهش می یابد.اکثر این ابزارها شامل یک پردازشگر سیگنال، هدفون و میکروفون می باشند.
در اینجا ممکن است لکنت کاهش یابد و افراد مبتلا به لکنت روان صحبت کنند.

ون بورسل و همکاران (2003) نتایج تحقیقات آنها نشان داد که تاخیر بازخورد شنوایی (DAF) یک وسیله موثر برای کاهش لکنت زبان است، حتی اگر در خارج از محیط بالینی استفاده شود. علاوه بر این، این تحقیق از DAF به عنوان یک روش درمانی برای
لکنت به مدت سه ماه خارج از محیط بالینی برای 9 مورد بزرگسالان مبتلا به لکنت بین سنین 18 تا 45 سال استفاده کرده است.

علاوه بر این، آرمسون و همکاران. (1998)آزمایشی را برای تأثیر بازخورد تغییر یافته فرکانس (FAF) بر روی
دوازده نفر (PWS) که در دو مهارت خواندن و مهارت تک گویی لکنت دارند طراحی کردنددر نتیجه تعداد رویدادهای فیزیولوژیکی کاهش یافته است در حالی که تعدادهجاهای تولید شده افزایش یافت.
از سوی دیگر، در مهارت های مونولوگ، افزایش معنی دار آماری ظاهر نشد. بنابراین استفاده از DAF در لکنت درمانی تاثیر بیشتری نسبت به FAF دارد.
بازخورد شنیداری تاخیری (DAF) و بازخورد تغییر یافته فرکانس (FAF)، می تواندگزینه های ایده آل برای اجرای درمان باشند. علاوه بر این، شنوایی ماسک(MAF) هنوز هم می تواند برای برخی از افرادی که لکنت زبان دارند مفید باشد، به ویژه آن هاکه مستعد رفتارهای لکنت نامشهود هستند.
آیمورا و همکاران (2020) بیان می کنند که علاوه بر بازخورد شنیداری تغییر یافته، شرایط متعددی مانند فرایند سایه زدن ، سخنرانی گروهی و ترکیبی از این دو نیز بسیار موثر بوده است.
بنابراین، استفاده از فناوری و هوش مصنوعی ممکن است به تقلید بازخورد شنیداری کمک کندو باعث درمان لکنت زبان شوند.

نقش یادگیری عمیق و اینترنت اشیا در بهبود لکنت زبان

یادگیری ماشینی و اینترنت اشیا ممکن است به بهبود روانی بیمار و ارزیابی کمک کنند.
بیشتر تحقیقات هوش مصنوعی بر ارزیابی لکنت تمرکز دارد.
مثلاً گفتار را به دو گروه بلوکی و غیر بلوکی طبقه بندی می کند الحربی و همکاران (2018) یک پیشنهاد جداگانه بصورت تصحیح گفتار دارند ، تحقیقات آنهادر مورد یادگیری تحت نظارت برای اطمینان از خروجی کامل کلمه به کلمه از گفتار فرد دارای لکنت زبان می باشدو به جای طبقه بندی گفتار بر تشخیص گفتار تمرکز دارد.
علاوه بر این،ویلگاس و همکاران (2019) یک سیستم طبقه بندی لکنت ایجاد کردند و بر روی بیوسیگنال های تنفسی برای تشخیص حالت های بلوکی و غیر انسدادی گفتار ازبزرگسالانی که لکنت دارند استفاده کردند(AWSدقت این مدل هوش مصنوعی 82.5 درصد است. بنابراین استفاده از اینترنت اشیا (IoT)ممکن است به جمع‌آوری داده‌های عظیم برای مدل‌های هوش مصنوعی کمک کند، که بر دقت آنها تأثیر می‌گذارد.
در نتیجه، اگرچه تحقیقات موجود نشان می دهد که هوش مصنوعی و
اینترنت اشیا (IoT) در ارزیابی لکنت تاثیر بسزایی دارند اما توجه کمی به آن شده است.

منبع :stuttering overview
november2020
Abdulkarim abdonna