Self-Supervised Speech Representations Track Spoken Language Convergence to Adult Models in Infants and Children Who Are Deaf/Hard-of-Hearing
تُظهر هذه الدراسة أن تمثيلات الكلام ذاتية الإشراف يمكنها تتبع تقارب أنماط اللغة المنطوقة بفعالية بين الأطفال الصم أو ضعاف السمع ومقدمي الرعاية لهم باستخدام تسجيلات صوتية يومية، مما يوفر بديلاً قابلاً للتوسع ومحايداً لغوياً لطرق التقييم التقليدية.
المؤلفون الأصليون:L. Choy, A. S. Khan, S. Patrizi, D. Ye, J. Gross, M. Cychosz
اللغة كائن حي ينمو ويتغير، تشكله الأصوات التي يسمعها الطفل كل يوم. لعقود من الزمن، عرف العلماء أن الأطفال يتعلمون تدريجياً التحدث مثل البالغين من حولهم، وهي عملية تسمى "التقارب". تقليدياً، كان تتبع هذا المسير البطيء نحو لغة البالغين مهمة شاقة تتطلب جهداً كبيلاً؛ حيث كان على الباحثين الجلوس لساعات مع تسجيلات صوتية، وتفريغ كل كلمة وصوت يصدر عن الطفل يدوياً، وهي عملية تتطلب معرفة خبيرة ولا يمكن القيام بها إلا لجزء ضئيل جداً من لغات العالم. هذا العائق جعل فهم كيفية تطور الأطفال، وخاصة أولئك الذين يعانون من صعوبات في السمع، أمراً بطيئاً وصعب القياس. ومع ذلك، ظهر نهج جديد يتجاوز الحاجة إلى التفريغ البشري تماماً، من خلال النظر بدلاً من ذلك في الأنماط الصوتية الخام للكلام لمعرفة مدى قرب صوت الطفل من أصوات مقدمي الرعاية له.
في دراسة حديثة، طبق باحثون من جامعة ستانفورد هذا الأسلوب الجديد على مجموعة من الأطفال الصم أو ضعاف السمع. يستخدم هؤلاء الأطفال، الذين تتراوح أعمارهم من مرحلة الرضاعة إلى ما قبل المدرسة، السماعات الطبية أو زراعة القوقعة للوصول إلى الصوت، لكن مسارهم نحو اللغة قد يكون غير مستوٍ ومليئاً بالتحديات. أراد الفريق معرفة ما إذا كان بإمكانهم قياس مدى قدرة هؤلاء الأطفال على اللحاق بأنماط كلام البالغين بمجرد تحليل الموجات الصوتية لحياتهم اليومية، دون الحاجة إلى معرفة الكلمات المحددة التي تُقال. وللقيام بذلك، زودوا 34 طفلاً بجهاز تسجيل متخصص يُرتدى في القميص، والذي سجل ما يصل إلى 16 ساعة من الصوت في المرة الواحدة بينما يمارس الأطفال روتينهم المعتاد. في المجمل، جمع الفريق أكثر من 925 ساعة من التسجيلات، مما خلق مكتبة ضخمة من الأصوات اليومية للأطفال والنساء البالغات اللواتي يرعينهم.
استخدم الباحثون نموذجاً حاسوبياً مدرباً على فهم بنية الكلام البشري، وهو أداة تحول الصوت إلى تمثيل رياضي يسمى "التضمين" (embedding). فكر في هذه العملية كأنها وضع كل صوت يصدره الشخص في خريطة واسعة وغير مرئية، حيث تقع الأصوات المتشابهة قريبة من بعضها البعض والأصوات المختلفة بعيدة عن بعضها. قام الفريق برسم خرائط للأصوات التي يصدرها الأطفال وقارنوها بخريطة مركزية للأصوات التي تصدرها النساء البالغات في التسجيلات. وقاسوا المسافة بين أصوات الطفل وأصوات البالغين على هذه الخريطة. كانت الفكرة الجوهرية بسيطة: مع تعلم الطفل التحدث، يجب أن يصبح صوته أكثر شبهاً بصوت البالغ، مما يعني أن المسافة بين أصواته على هذه الخريطة يجب أن تتقلص.
أكدت النتائج أن هذه المسافة تتقلص بالفعل مع اكتساب الأطفال لمزيد من الخبرة في السمع. وقد قامت الدراسة بقياس "العمر السمعي"، وهو المدة التي قضتها الطفلة في الوصول إلى الصوت المضخم من خلال أجهزتها، بدلاً من مجرد تاريخ ميلادها. أظهر التحليل نمطاً واضحاً: كلما زادت المدة التي استخدم فيها الطفل سماعاته الطبية أو زراعاته، اقترب كلامه من الأصوات التي تصدرها البالغون من حوله. حدث هذا التقارب حتى عندما راعى الباحثون عوامل أخرى، مثل طبقة صوت الطفل أو طول مدة أصواته. وتشير النتائج إلى أن النموذج الحاسوبي نجح في التقاط الطرق الدقيقة التي تنضج بها بنيات كلام الأطفال بمرور الوقت، منتقلة من الأصوات المبكرة الأقل تنظيماً نحو الأنماط المعقدة لكلام البالغين.
بعيداً عن مجرد تتبع مرور الوقت، اختبر الباحثون ما إذا كان هذا المقياس لتشابه الأصوات يمكن أن يتنبأ بمدى جودة أداء الطفل في اختبارات اللغة القياسية. وقارنوا المسافة على خريطة الصوت الخاصة بهم مع الدرجات المستمدة من اختبارات تقيس حجم المفردات والقدرة على نطق الأصوات الساكنة بدقة. وجدت الدراسة أن الأطفال الذين كانت أصواتهم أقرب إلى نموذج البالغين على الخريطة، مالوا أيضاً لامتلاك حصيلة لغوية أكبر ومهارات نطق أفضل. وكان هذا صحيحاً بالنسبة للكلمات التي يفهمها الأطفال والكلمات التي يستطيعون نطقها على حد سواء. وكان المقياس قوياً بشكل خاص في التنبؤ بمدى قدرة الطفل على تشكيل الأصوات الساكنة، وهو معلم رئيسي في تطور الكلام. والأهم من ذلك، اختبر الباحثون موثوقية طريقتهم من خلال محاكاة الأخطاء التي قد تحدث عندما يحاول الحاسوب التمييز بين صوت طفل وصوت بالغ في غرفة صاخبة. وحتى عندما أدخلوا هذه الأخطاء المحاكية، ظل الاستنتاج الرئيسي ثابتاً، مما يشير إلى أن الطريقة قوية بما يكفي للعمل مع التسجيلات الواقعية المليئة بالضجيج.
لا تدعي الدراسة أن هذا المقياس الجديد يمكن أن يحل محل العمل الدقيق لأخصائيي التخاطب أو أنه يمكنه تشخيص اضطرابات لغوية محددة بمفرده. ويلاحظ الباحثون بحذر أن طريقتهم تقيس البنية الصوتية للكلام، وهي مرتبطة بتعقيد اللغة الكامل ولكنها ليست مطابقة له. لا يمكنها بعد أن تخبرنا ما إذا كان الطفل يفهم قاعدة نحوية معينة أو إذا كان بإمكانه إنتاج نوع معين من الكلمات. ومع ذلك، فإن هذا العمل يقدم أداة قوية لمراقبة تطور اللغة بطريقة قابلة للتوسع ومحايدة لغوياً. ومن خلال إزالة الحاجة إلى التفريغ المكلف واللغويين الخبراء، يفتح هذا النهج الباب لمراقبة تقدم عدد أكبر من الأطفال، وخاصة أولئك الذين يعانون من فقدان السمع، باستخدام الأصوات الطبيعية لحياتهم اليومية. وهذا يشير إلى أن الطريق لفهم كيفية تعلم الأطفال التحدث قد لا يوجد فقط في الكلمات التي يقولونها، بل في الشكل الذي تصنع به أصواتهم.
ملخص تقني: تتبع تقارب اللغة المنطوقة في تمثيلات الكلام ذاتي الإشراف لدى الرضع والأطفال من ذوي الصمم أو ضعف السمع
بيان المشكلة يعتمد القياس التقليدي لتطور اللغة على النسخ اليدوي الذي يتطلب جهداً كبيراً وخبرة لغوية متخصصة، مما يخلق عائقاً أمام التوسع عبر اللغات والمجتمعات المتنوعة. وبينما يوفر التعرف التلقائي على الكلام (ASR) مساراً للقياسات الموضوعية، إلا أن التسجيلات الطبيعية التي تركز على الطفل تطرح تحديات كبيرة، بما في ذلك الضوضاء في الخلفية، وتداخل الكلام، وأخطاء تقسيم المتحدثين (speaker diarization). كما واجهت المقاييس غير الخاضعة للإشراف، مثل الإنتروبيا المستمدة من وحدات الكلام المقطعة، صعوبة في الحفاظ على المتانة في البيئات الواقعية المليئة بالضجيج. علاوة على ذلك، بالنسبة للأطفال الذين يعانون من الصمم أو ضعف السمع (DHH)، يصعب إجراء التقييمات السريرية المتكررة والموثوقة، لا سيما للرضع والأطفال الصغار، مما يخلق فجوة في الأدوات القابلة للتوسع لمراقبة تطور النطق واللغة بعد التدخل العلاجي.
المنهجية يقترح المؤلفون إطار عمل ينمذج التطور اللغوي باعتباره المسافة المستمرة بين كلام الطفل وكلام مقدم الرعاية داخل فضاء التضمين (embedding space)، متجاوزين الحاجة إلى النسخ النصي أو الوحدات اللغوية المنفصلة.
جمع البيانات: استخدمت الدراسة 925 ساعة من التسجيلات الصوتية طويلة المدى، المتمحورة حول الطفل، من 34 طفلاً يعانون من فقدان سمع ثنائي الجانب متوسط إلى شديد (متوسط العمر الزمني 36.2 شهراً، بانحراف معياري قدره 14.4) ومقدمي الرعاية البالغين من الإناث. تم التقاط التسجيلات باستخدام أجهزة LENA في بيئات منزلية طبيعية.
المعالجة المسبقة: تم تقسيم الصوت إلى أصوات المتحدثين (الطفل مقابل الأنثى البالغة) باستخدام تسميات تقسيم المتحدثين المملوكة لشركة LENA.
استخراج الميزات: تم استخراج تضمينات الكلام باستخدام نموذج HuBERT-BASE، وهو نموذج ذاتي الإشراف مدرب مسبقاً على كلام البالغين. وتحديداً، تم أخذ التضمينات من الطبقات 7-9، والتي تشير الأبحاث السابقة إلى أنها تشفر البنية الصوتية البارزة.
بناء المقياس:
تم حساب مركز ثقل عالمي (global centroid) من جميع أصوات الإناث البالغات (مقدمي الرعاية) عبر مجموعة البيانات.
لكل تسجيل للطفل، تم أخذ عينة من 200 تضمين لصوت الطفل ودمجها (mean-pooling) لحساب المسافة الإقليدية (Euclidean distance) إلى مركز ثقل مقدم الرعاية العالمي.
المتغيرات المصاحبة: لعزل التقارب اللغوي عن النضج الصوتي، تحكمت النماذج في التردد الأساسي (f0، المستخرج عبر PYIN) وطول الصوت، وكلاهما يتغير مع النمو التشريحي والعمر.
التحقق والمتانة: استخدمت الدراسة إعادة أخذ العينات بطريقة "بوتستراب" (1,000 تكرار) لإنشاء فترات الثقة. ومن الأهمية بمكان إجراء تحليل حساسية يحاكي أخطاء تقسيم المتحدثين عن طريق استبدال أصوات الأطفال تدريجياً بأصوات من فئات متحدثين أخرى (0-100% تلوث) لاختبار ما إذا كانت العلاقات الملحوظة هي نتاج خطأ في التصنيف.
مقاييس النتائج: تم ربط مقياس مسافة التضمين مع التقييمات المعيارية:
المفردات: MB-CDI (تقرير الوالدين)، PPVT-4 (الاستيعاب)، و EVT-2 (التعبير).
النطق: اختبار جولدمن-فريستو للنطق-2 (GFTA-2).
المسار التنموي: عمر السمع (الوقت منذ الزراعة/التضخيم).
المساهمات الرئيسية
مقياس المسافة في فضاء التضمين: قدم مقياساً خفيف الحوسبة مشتقاً مباشرة من تمثيلات الصوت الخام، والذي يلتقط التغيرات التنموية الدقيقة في بنية الكلام بالنسبة لنماذج البالغين دون الحاجة إلى نسخ نصي.
الصلاحية التنبؤية: أثبت أن هذا المقياس يتنبأ بشكل كبير بنتائج النطق واللغة في عينة الدراسة (متوسط العمر 36.2 شهراً)، بما في ذلك حجم المفردات ودقة نطق الحروف الساكنة.
المتانة تجاه الضوضاء: أظهرت تحليلات الحساسية أن المقياس يعطي تقديرات مستقرة حتى في ظل وجود اضطرابات كبيرة في المدخلات (أخطاء تقسيم المتحدثين المحاكية)، مما يشير إلى أن الإشارة ليست معتمدة كلياً على التصنيف المثالي للمتحدث.
النتائج
التقارب مع الخبرة: انخفضت مسافة التضمين بشكل ملحوظ مع زيادة "عمر السمع" (β=−0.50,p<.001). وهذا يشير إلى أنه مع تراكم الخبرة السمعية، تتقارب أنماط كلام الأطفال نحو أنماط البالغين في فضاء التضمين. وقد فسر المقياس 11.30% إضافية من التباين في عمر السمع بخلاف الضوابط الأساسية.
الارتباط بالمفردات: تنبأ انخفاض مسافة التضمين بشكل كبير بحجم أكبر للمفردات عبر جميع المقاييس:
MB-CDI (تقرير الوالدين): β=−0.35,p<.001.
PPVT-4 (الاستيعاب): β=−0.29,p<.001.
EVT-2 (التعبير): β=−0.24,p<.001. بينما فسر المقياس تبايناً إضافياً (3.51–9.47%)، إلا أنه لم يحسن دائماً ملاءمة النموذج الإجمالية للاختبارات المعيارية، مما يشير إلى وجود تداخل جزئي مع العمر والمتغيرات الصوتية المصاحبة.
الارتباط بالنطق: تنبأت المسافات الأصغر بشكل قوي بمهارات أفضل في نطق الحروف الساكنة (GFTA-2)، حيث بلغت β=−0.41,p<.001. وقد فسر المقياس 14.33% من التباين الإضافي في درجات النطق.
المتانة: في تحليلات الحساسية، ظل المعامل المعياري لمسافة التضمين مستقراً من حيث الاتجاه حتى مع زيادة مستويات الخطأ في تصنيف المتحدثين المحاكية. واستمر المقياس في تحسين ملاءمة النموذج لعمر السمع والمفردات المبلغ عنها من قبل الوالدين (MB-CDI) عبر معظم مستويات التلوث، رغم تضاؤل التأثيرات عند مستويات التلوث العالية.
الأهمية والادعاءات يدعي البحث تقديم مسار نحو التقييم القابل للتوسع لتطور اللغة المنطوقة المستمد مباشرة من الحياة اليومية للأطفال. ومن خلال الاستفادة من التمثيلات ذاتية الإشراف، يتجنب هذا النهج تكاليف النسخ اليدوي والخبرة اللغوية. ويؤكد المؤلفون أن هذا المقياس يلتقط التباين المتعلق بالتقارب اللغوي بشكل متميز عن مجرد النضج التشريحي (الذي تم التحكم فيه عبر التردد الأساسي f0 وطول الصوت).
ومع ذلك، يحافظ المؤلفون على موقف متواضع فيما يتعلق بفائدة المقياس وقابليته للتعميم:
مكمل وليس بديلاً: صرحوا صراحة بأن هذا المقياس يهدف إلى تكملة التحليل السريري والتوصيف المهني لأنماط اللغة، وليس استبداله.
القيود: لا يلتقط المقياس بعد جوانب محددة من التطور اللغوي (مثل الإنتاجية المورفولوجية)، كما أن فائدته التشخيصية لم تثبت بعد. وهو يشير بشكل غير مباشر إلى القدرات الاستيعابية من خلال بيانات الإنتاج.
القيود اللغوية: تعتمد النتائج الحالية على نموذج HuBERT-BASE المدرب مسبقاً على اللغة الإنجليزية (LibriSpeech)، مما يعني أن التمثيلات المتعلمة تعكس التعرض للغة الإنجليزية أحادية اللغة بدلاً من التعرض متعدد اللغات. ويشير المؤلفون إلى أنه من الضروري تقييم أداء مقياس مسافة التضمين في لغات إضافية ممثلة تمثيلاً ناقصاً في بيانات تدريب النموذج الأساسي، وكذلك كيفية امتداد هذا النهج ليشمل الأطفال الذين يكتسبون لغات مختلفة أو مزيجاً من اللغات.
باختصار، توضح الدراسة أن مقياس مسافة بسيط في فضاء تضمين ذاتي الإشراف يمكنه تتبع تقارب كلام الأطفال من ذوي الصمت أو ضعف السمع مع نماذج البالغين، ويرتبط بالخبرة السمعية والنتائج اللغوية المعيارية، حتى في البيئات الطبيعية المليئة بالضجيج ومع وجود تقسيم غير دقيق للمتحدثين.