Sistemas Inteligentes para Desenvolvimento de Competências e Diagnóstico de pessoas com o Transtorno do Espectro do Autismo: Uma Revisão Sistemática da Literatura
DOI:
https://doi.org/10.5753/rbie.2022.2535Keywords:
Sistemas Inteligentes para Educação, Inteligência Artificial, Transtorno do Espectro do Autismo, Revisão Sistemática da LiteraturaAbstract
O Transtorno do Espectro do Autismo (TEA) é um tema que pode ser discutido em diversas áreas do conhecimento. Periódicos e conferências científicas importantes incluem temas relacionados ao TEA no seu âmbito de interesse. Neste contexto, a área de Inteligência Artificial (IA), com o seu crescimento rápido e a grande variedade de locais de disseminação, também tem abordado o TEA e o desenvolvimento de tecnologias, o que representa atualmente um desafio aos pesquisadores em manter o acompanhamento das novas descobertas e tendências nesta área. Nesta perspectiva, este trabalho coletou e analisou artigos de pesquisa que abordaram o TEA considerando aplicações de IA para o desenvolvimento de tecnologias no âmbito do treinamento educacional e comportamental, com o objetivo de detectar tendências, padrões, lacunas e oportunidades de pesquisa, proporcionando uma visão detalhada deste campo de pesquisa em um período de 6 anos. Adotou-se a abordagem de Revisão Sistemática da Literatura (RSL) como metodologia para responder importantes questões de pesquisa na área.
Descargas
Citas
Al Banna, M. H., Ghosh, T., Taher, K. A., Kaiser, M. S., & Mahmud, M. (2020). A monitoring system for patients of autism spectrum disorder using artificial intelligence. In International conference on brain informatics (pp. 251–262). doi: 10.1007/978-3-030-59277-6_23. [GS Search]
APA, A. P. A. (2014). Dsm-5: Manual diagnóstico e estatístico de transtornos mentais. Artmed Editora.[GS Search]
Asgari, M., Van Santen, J., & Papadakis, K. (2017). Automatic scoring of a nonword repetition test. Proceedings - 16th IEEE International Conference on Machine Learning and Applications, ICMLA 2017, 2017-Decem(3), 304–308. doi: 10.1109/ICMLA.2017.0-143. [GS Search]
Augusto, D. A. (2015). Entenda o que são modelos computacionais e como o siss-geo os utiliza. Retrieved from [Link]
Baker, R., Isotani, S., & Carvalho, A. (2011, xx xx). Mineração de Dados Educacionais: Oportunidades para o Brasil. Revista Brasileira de Informática na Educação, 19(02), xx. doi: 10.5753/RBIE.2011.19.02.03. [GS Search]
Bardhan, S., Mridha, G. M. M., Ahmed, E., Ullah, M. A., Ahmed, H. U., Akhter, S., . . . Mamun, K. A. A. (2016). Autism Barta - A smart device based automated autism screening tool for Bangladesh. 2016 5th International Conference on Informatics, Electronics and Vision, ICIEV 2016, 602–607. doi: 10.1109/ICIEV.2016.7760073. [GS Search]
Bhuyan, F., Lu, S., Ahmed, I., & Zhang, J. (2017). Predicting efficacy of therapeutic services for autism spectrum disorder using scientific workflows. Proceedings - 2017 IEEE International Conference on Big Data, Big Data 2017, 2018-Janua, 3847–3856. doi: 10.1109/BigData.2017.8258388. [GS Search]
Bowrin, P., & Iqbal, U. (2020). Strengthening behavior and social functioning among persons with autism spectrum conditions using artificial intelligence and behavioral activation: Protocol for the well-being and health for loved ones with asd (whole) psychosocial pilot randomized controlled trial. In Digital personalized health and medicine (pp. 1399–1400). IOS Press. doi: 10.3233/SHTI200461. [GS Search]
Brasil (2008). Parâmetros curiculares nacionais - Terceiro e quarto ciclos do ensino fundamental - Matemática. Ministério da Educação e do Desporto. Secretaria de Educação Fundamental. [GS Search]
Chandler, P., & Sweller, J. (1991). Cognitive load theory and the format of instruction. In L. E. Associates (Ed.), Cognition and instruction (p. 292-332). Taylor and Francis. doi: 10.1207/s1532690xci0804_2. [GS Search]
Clark, C. R., Nguyen, F., & Sweller, J. (2005). Efficiency in learning - evidence- based guidelines to manage cognitive load. San Francisco, CA, USA: Wiley. doi: 10.1002/pfi.4930450920. [GS Search]
Crimi, A., Dodero, L., Murino, V., & Sona, D. (2017). Case-control discrimination through effective brain connectivity. Proceedings - International Symposium on Biomedical Imaging, 970–973. doi: 10.1109/ISBI.2017.7950677. [GS Search]
Dantas, A. C., de Melo, S., Neves, L., Milessi, T., & do Nascimento, M. Z. (2019). Michelzinho: Jogo sério para o ensino de habilidades emocionais em pessoas com autismo ou deficiência intelectual. In Brazilian symposium on computers in education (simpósio brasileiro de informática na educação-sbie) (Vol. 30, p. 644). doi: 10.5753/cbie.sbie.2019.644. [GS Search]
Dawood, A., Turner, S., & Perepa, P. (2018). Affective computational model to extract natural affective states of students with asperger syndrome (AS) in computer-based learning environment. IEEE Access, 6, 67026–67034. doi: 10.1109/ACCESS.2018.2879619. [GS Search]
Deliberato, D., Gonçalves, M. d. J., & Macedo, E. C. d. (2009). Comunicação alternativa: teoria, prática, tecnologias e pesquisa. São Paulo: Memnon. [GS Search]
Farsi, A. A., Doctor, F., Petrovic, D., Chandran, S., & Karyotis, C. (2017). Interval valued data enhanced fuzzy cognitive maps: Torwards an appraoch for autism deduction in toddlers. In 2017 ieee international conference on fuzzy systems (fuzz-ieee) (p. 1-6). doi: 10.1109/FUZZ-IEEE.2017.8015702. [GS Search]
Ghahramani, Z. (2003). Unsupervised learning. In Summer school on machine learning (pp.72–112). doi: 10.1007/978-3-540-28650-9_5. [GS Search]
Kautzmann, T. (2015). Um modelo de agente pedagógico para o treinamento adaptativo da habilidade metacognitiva de monitoramento do conhecimento em sistemas tutores inteligentes. Universidade do Vale do Rio dos Sinos, Programa de Pós-Graduação em Computação Aplicada. doi: 10.5753/cbie.wcbie.2016.51. [GS Search]
Kitchenham, B. (2004). Procedures for performing systematic reviews. [GS Search]
Kitchenham, B., & Charters, S. (2007). Guidelines for performing systematic literature reviews in software engineering. [GS Search]
Lakomy, A. M. (2008). Teorias cognitivas da aprendizagem. São Paulo: IBPEX. [GS Search]
Lara, C. J. G.-M. J., A. C. M.; Espinoza (2016). A fast automated diagnosis system for autism spectrum disorders based on eye tracking technology. doi: 10.13140/RG.2.2.32220.28809. [GS Search]
Liang, S., Sabri, A. Q. M., Alnajjar, F., & Loo, C. K. (2021). Autism spectrum self-stimulatory behaviors classification using explainable temporal coherency deep features and svm classifier. IEEE Access, 9, 34264-34275. doi: 10.1109/ACCESS.2021.3061455. [GS Search]
Lima, B. R. (2021). Desenvolvimento de aplicativo de inteligência artificial para estímulo e aprendizagem de autistas para melhora na comunicação: Estudo de caso apae arujá e poá. Revista Computação Aplicada-UNG-Ser, 9(1), 5–9. doi: 10.33947/2316-7394-v9n1-3527. [GS Search]
Mason, R. (2012). Designing introductory programming courses: the role of cognitive load. Unpublished doctoral dissertation, Southern Cross University, Lismore, AU.[GS Search]
Mellit, A., & Kalogirou, S. A. (2008). Artificial intelligence techniques for photovoltaic applications: A review. Progress in Energy and Combustion Science, 34(5), 574 - 632. Retrieved from [Link]
Mishra, M., & Pati, U. C. (2021). Autism spectrum disorder detection using surface morphometric feature of smri in machine learning. In 2021 8th international conference on smart computing and communications (icscc) (p. 17-20). doi: 10.1109/ICSCC51209.2021.9528240. [GS Search]
Muty, N., & Azizul, Z. (2016). Detecting arm flapping in children with Autism Spectrum Disorder using human pose estimation and skeletal representation algorithms. 4th IGNITE Conference and 2016 International Conference on Advanced Informatics: Concepts, Theory and Application, ICAICTA 2016, 1–6. doi: 10.1109/ICAICTA.2016.7803118. [GS Search]
Noriega, G. (2015). A Neural Model to Study Sensory Abnormalities and Multisensory Effects in Autism. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 23(2), 199–209. doi: 10.1109/TNSRE.2014.2363775. [GS Search]
Noriega, G. (2016). Encoding auditory-visual interactions in a neural model of sensory abnormalities in autism. Proceedings of the International Joint Conference on Neural Networks, 2016-Octob, 2680–2686. doi: 10.1109/IJCNN.2016.7727535. [GS Search]
Nunes, G. M., & Aguiar, Y. P. C. (2020). Emotismo: Um aplicativo para auxiliar crianças no espectro autista a reconhecer e reproduzir emoções. In Anais do xxxi simpósio brasileiro de informática na educação (pp. 692–701). doi: 10.5753/cbie.sbie.2020.692. [GS Search]
Onzi, F. Z., & Gomes, R. F. (2015). Transtorno do espectro autista: a importância do diagnóstico e reabilitação (third ed., Vol. 12). Lajeado: Caderno pedagógico. [GS Search]
Palestra, G., Carolis, B. D., & Esposito, F. (2017). Artificial intelligence for robot-assisted treatment of autism. In D. Impedovo & G. Pirlo (Eds.), Proceedings of the workshop on artificial intelligence with application in health co-located with the 16th international conference of the italian association for artificial intelligence (ai*ia 2017), bari, italy, november 14, 2017 (Vol. 1982, pp. 17–24). CEUR-WS.org. Retrieved from [Link] [GS Search]
Pan, Y., Hirokawa, M., & Suzuki, K. (2015). Measuring K-degree facial interaction between robot and children with autism spectrum disorders. Proceedings - IEEE International Workshop on Robot and Human Interactive Communication, 2015-Novem, 48–53. doi: 10.1109/ROMAN.2015.7333683. [GS Search]
Pancerz, K., Paja, W., & Gomula, J. (2016). Random forest feature selection for data coming from evaluation sheets of subjects with ASDs. Proceedings of the 2016 Federated Conference on Computer Science and Information Systems, FedCSIS 2016, 8, 299–302. doi: 10.15439/2016F274. [GS Search]
Penchina, B., Sundaresan, A., Cheong, S., & Martel, A. (2020). Deep lstm recurrent neural network for anxiety classification from eeg in adolescents with autism. In International conference on brain informatics (pp. 227–238). doi: 10.1007/978-3-030-59277-6_21. [GS Search]
Pontes, A. N., Cerqueira, T. M. G., Lima, N. M. L., de Brum, E. H. M., & Brunoni, D. (2020). Triagem do transtorno do espectro do autismo em escolares: uso da inteligência artificial. MEMNON EDIÇÕES CIENTÍFICAS LTDA., 51. [GS Search]
Proença, M. F. R., de Moraes Filho, I. M., Santos, C. C. T., Rodrigues, T. P. R., Cangussu, D. D. D., & de Souto, O. B. (2019). A tecnologia assistiva aplicada aos casos de transtorno do espectro do autismo (tea). Revista Eletrônica Acervo Saúde(31), e541–e541. doi: 10.25248/reas.e541.2019. [GS Search]
Rabbi, M. F., Hasan, S. M. M., Champa, A. I., & Zaman, M. A. (2021). A convolutional neural network model for early-stage detection of autism spectrum disorder. In 2021 international conference on information and communication technology for sustainable development (icict4sd) (p. 110-114). doi: 10.1109/ICICT4SD50815.2021.9397020. [GS Search]
Rapin, I., & Tuchman, R. F. (2009). Onde estamos: Visão geral e definições. Autismo: Abordagem Neurobiológica. Porto Alegre: Artmed. Retrieved from [Link]
Richit, L. A., Kobiyama, M., & Silva, R. V. d. (2017). Uma revisão de modelos computacionais (softwares) para a simulação de fluxo de detritos. Simpósio Brasileiro de Recursos Hídricos (22.: Florianópolis, 2017). Anais [recurso eletrônico].[Porto Alegre: ABRH, 2017]. [GS Search]
Saranya, A., & Anandan, R. (2021). Autism spectrum prognosis using worm optimized extreme learning machine (woem) technique. In 2021 international conference on advance computing and innovative technologies in engineering (icacite) (p. 636-641). doi: 10.1109/ICACITE51222.2021.9404729. [GS Search]
Seffrin, H., Rubi, G. L., & Jaques, P. A. (2013). Uma Rede Bayesiana aplicada à Modelagem do Conhecimento Algébrico do Aprendiz. In M. C. C. Baranauskas, R. Bonacin, M. A. F. Borges, & C. G. da Silva (Eds.), Simpósio brasileiro de informática na educação (pp. 597–606). Campinas: SBC. doi: 10.5753/CBIE.SBIE.2013.597. [GS Search]
Shahamiri, S. R., & Thabtah, F. (2020). Autism AI: a New Autism Screening System Based on Artificial Intelligence. Cognitive Computation, 12(4), 766–777. doi: 10.1007/s12559-020-09743-3. [GS Search]
Simão, L. M. (2002). Noção de objeto, concepção de sujeito: Freud, piaget e boesch. Casa do Psicólogo. [GS Search]
Takçı, H., & Ye ̧silyurt, S. (2021). Diagnosing autism spectrum disorder using machine learning techniques. In 2021 6th international conference on computer science and engineering (ubmk) (p. 276-280). doi: 10.1109/UBMK52708.2021.9558975. [GS Search]
Thabtah, F., Kamalov, F., & Rajab, K. (2018). A new computational intelligence approach to detect autistic features for autism screening. International Journal of Medical Informatics, 117, 112-124. Retrieved from [Link]
Tummala, S. (2021). Deep learning framework using siamese neural network for diagnosis of autism from brain magnetic resonance imaging. In 2021 6th international conference for convergence in technology (i2ct) (p. 1-5). doi: 10.1109/I2CT51068.2021.9418143. [GS Search]
Vijayan, A., Janmasree, S., Keerthana, C., & Syla, L. B. (2018). A Framework for Intelligent Learning Assistant Platform Based on Cognitive Computing for Children with Autism Spectrum Disorder. 2018 International CET Conference on Control, Communication, and Computing, IC4 2018, 361–365. doi: 10.1109/CETIC4.2018.8530940. [GS Search]
Zanon, A. B. C., Regina Basso (2016). Bases teóricas do desenvolvimento pré-linguístico: ImplicaÇões para o diagnóstico precoce do autismo. Departamento de Psicologia do Desenvolvimento e da Personalidade Núcleo de Estudos e Pesquisas em Transtornos do Desenvolvimento (NIEPED) Universidade Federal do Rio Grande do Sul–UFRGS, RS, 33. doi: 10.5902/1984686X41167. [GS Search]
Zhang, L., Wade, J., Swanson, A., Weitlauf, A., Warren, Z., & Sarkar, N. (2015). Cognitive state measurement from eye gaze analysis in an intelligent virtual reality driving system for autism intervention. 2015 International Conference on Affective Computing and Intelligent Interaction, ACII 2015, 532–538. doi: 10.1109/ACII.2015.7344621. [GS Search]
Zhao, J., Nguyen, T., Kopel, J., Koob, P. B., Adieroh, D. A., & Obafemi-Ajayi, T. (2019). Genotype Combinations Linked to Phenotype Subgroups in Autism Spectrum Disorders. 2019 IEEE Conference on Computational Intelligence in Bioinformatics and Computational Biology, CIBCB 2019. doi: 10.1109/CIBCB.2019.8791461. [GS Search]
Zheng, Z., Young, E. M., Swanson, A. R., Weitlauf, A. S., Warren, Z. E., & Sarkar, N.(2016). Robot-Mediated Imitation Skill Training for Children with Autism. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 24(6), 682–691. doi: 10.1109/TNSRE.2015.2475724. [GS Search]
Archivos adicionales
Published
Cómo citar
Issue
Section
Licencia
Derechos de autor 2022 Nathália Assis Valentim, Valéria Peres Asnis, Nassim Chamel Elias, Fabiano Azevedo Dorça
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
