基于无监督学习的特定语言失能多维分析
计算与语言
2025-06-09 v1 机器学习
摘要
特定语言失能（SLI）影响约7%的儿童，表现为正常认知能力、感觉系统和支持环境下的孤立语言缺陷。传统诊断方法常依赖标准化评估，可能忽略细微的发展模式。本研究旨在使用无监督机器学习技术识别儿童（带SLI与否）的自然语言发展轨迹，为早期识别和针对性干预提供见解。对1,163名年龄在4-16岁之间的儿童的叙事样本进行分析，分别来自Conti-Ramsden 4、ENNI和Gillam三个语料库，采用主成分分析（PCA）和聚类。评估了64个语言特征，以揭示发展轨迹并区分语言轮廓。最终发现两个主要簇：（1）高语言生产，SLI患病率较低；（2）生产有限但句法复杂度较高，SLI患病率较高。此外，边界案例表现出中间特征，支持语言能力的连续模型。研究结果表明，SLI主要通过生产能力减少来表现，而非句法复杂度缺陷。结果挑战了分类诊断框架，突显了无监督学习技术在细化诊断标准和干预策略方面的潜力。
引用
@article{arxiv.2506.05498,
title = {Multidimensional Analysis of Specific Language Impairment Using Unsupervised Learning Through PCA and Clustering},
author = {Niruthiha Selvanayagam},
journal= {arXiv preprint arXiv:2506.05498},
year = {2025}
}
备注
14 pages, 3 figures, 16 tables