ľ�ϸ���Ӱ��

Op basis van een video voorspellen of een kind te maken heeft met internaliserende of externaliserende problemen. Niilo Valtakari is hiermee bezig: “Mijn onderzoek laat zien hoe machine learning in combinatie met psychologie nieuwe inzichten geven over gedrag.” Met een achtergrond in psychologie, maakte hij de overstap naar de faculteit bètawetenschappen. In zijn onderzoek traint hij een classificatiesysteem die op basis van video, angstklachten kan herkennen.

Waar gaat je onderzoek over?

"Het doel van mijn project was om kinderen automatisch te beoordelen op probleemgedrag op basis van video's. Probleemgedrag gaat aan de ene kant over externaliserende symptomen, gedrag dat meer naar buiten gericht is, zoals woede-uitbarstingen. Aan de andere kant gaat het ook over internaliserende symptomen, gedrag dat meer naar binnen gericht is, zoals piekeren of somberheid. Ik werk met een YOUth-dataset waarin kinderen en ouders met elkaar communiceerden via schermen in dezelfde ruimte. Ik gebruik video-opnames van hun gezichten, audio-opnames en opnames van hun kijkgedrag (eye-trackinggegevens). Aan de kinderen en hun ouders werd gevraagd om een gesprek te voeren over iets waarover ze onlangs ruzie hadden gehad. Of juist om een gesprek te voeren dat samenwerking stimuleert, zoals het plannen van een verjaardagsfeestje."

Hoe analyseer je die video's precies?

"Of iemand boos, blij of verdrietig is, kun je vaak zien aan iemands gezicht. In de jaren zeventig wilden onderzoekers deze uitdrukkingen nauwkeuriger begrijpen en ontwikkelden een taxonomisch systeem om elke kleine gezichtsbeweging te beschrijven. Met software voor gezichtsgedragsanalyse, zoals PyAFAR en OpenFace, kun je gezichts- en hoofdbewegingen rechtstreeks uit video-opnames detecteren. 

Toen we aan de slag gingen met de video's, vonden we een aantal gedragingen belangrijk. Zoals hoe vaak de kinderen en ouders hun hoofd bewogen, naar elkaar keken en glimlachten tijdens de video. We onderzochten ook een aantal complexere gedragingen, bijvoorbeeld of kinderen wegkeken nadat ze hadden geglimlacht. 

We combineerden de gedragsmaatstaven die uit de video’s kwamen, met scores uit een vragenlijst over externaliserend en internaliserend probleemgedrag. Vervolgens voerden we deze informatie in een machine learning-classificatiesysteem. Met driekwart van de gegevens trainden we het systeem. Met de resterende kwart testten we hoe goed het classificatiesysteem de symptoomscores van de kinderen kon voorspellen. Het doel van ons onderzoek was om een classificator te trainen om probleemgedrag te voorspellen zoals gemeten door de vragenlijst.”

Wat hebben jullie ontdekt?

"We ontdekten dat dit niet werkte voor alle symptoomscores die we probeerden te voorspellen, maar wel voor angstscores. Toen we eenmaal wisten dat angstscores het best konden worden voorspeld, hebben we ons gericht op de specifieke gedragingen die het angstklachten het best konden voorspellen.

We ontdekten een reeks specifieke gedragingen die erg belangrijk waren voor het voorspellen van angstscores. Het gedrag dat het meest bijdroeg, was oprechte glimlachen van de ouder terwijl het kind niet terugglimlachte. Andere belangrijke gedragingen waren het schudden van het hoofd door het kind, de ouder die naar het gezicht van het kind en het kind dat kijkt naar het gezicht van de ouder."

Waarom is het belangrijk om hier onderzoek naar te doen?

“Omdat het laat zien hoe je deze machine learning-methoden kunt combineren met psychologie om een beter inzicht te krijgen in gedrag. We leren de interacties tussen ouders en kinderen beter begrijpen. Het stellen van een diagnose kost veel tijd en dit zou het proces mogelijk kunnen helpen. We kunnen het nog niet gebruiken om angstige kinderen te classificeren, maar het is een stap in de goede richting. Er bestaat ook nog veel onzekerheid over psychische gezondheidsproblemen bij kinderen: de symptomen die ze vertonen, verschillen vaak van die bij volwassenen. We hopen meer informatie te krijgen over hoe angst zich manifesteert in het gedrag van kinderen.