Sentiment Analysis e Natural Language Processing nella diagnosi e nella valutazione dei disturbi di linguaggio in bambini con Disturbo dello Spettro Autistico: uno studio pilota

Background: People with Autism Spectrum Disorder (ASD) often experience difficulties in social and communicative interactions, including narrative abilities. Research has revealed that individuals with ASD use fewer words with emotional connotations. Nowadays the evaluation of narrative skills requires a significant amount of manual work, but softwares can automate and accelerate the process, enabling an objective and efficient evaluation. Fondazione Paideia and Università degli Studi di Torino collaborated to develop a software called Talkidz for the evaluation of children's language, going beyond the limitations of traditional tests. Objective: This pilot study aims to quantify differences in emotional connotations (positive, negative, or neutral) in spoken language between children with ASD and typically developing peers (TD), highlighting the hypothesis of significant differences in narrative performance between the two groups. In order to reach this results, Talkidz was developed to automatically classify children's statements based on their emotional connotation using Sentiment Analysis (SA). Methods: In this pilot study, 5 Italian children with ASD, aged between 5 years and 6 months and 6 years and 5 months, with a normal intelligence quotient (IQ>80), were involved. All participants were male and received speech therapy at a rehabilitation facility in Turin. Those who did not have an updated cognitive evaluation underwent a specific evaluation. Subsequently, 42 illustrations were used to collect language samples from the participants. Audio-video recordings were made during the test and later transcribed into digital format. The data were processed using the "Talkidz" software, which converted the transcriptions into symbols of the International Phonetic Alphabet (IPA) and created a "Codes for the Human Analysis of Transcript" (CHAT) file. Manual checks were performed to ensure data accuracy. A machine learning algorithm was used to assign an emotional label to each statement. Finally, the data were analyzed using descriptive statistical tools. Results: Children with ASD use fewer statements with a positive connotation compared to their TD peers ('pos score manual' t-test= 3.33 p-value=.01) ('pos score post' first comparison 5:20: Mann-Whitney U test= 11.5 p-value=.01; 'pos score post' second comparison 20:20: Cohen’s d= -1.78 p-value=.02), instead showing a preference for statements with a neutral connotation ('neut score manual' t-test= -2.41 p-value=.03). Furthermore, the group of children with ASD tends to use fewer statements with a negative connotation compared to the TD group. These results indicate a significant disparity in the number of words with emotional connotations, especially positive ones, between children with ASD and those with TD. Conclusions: The results support the use of SA for the automated assessment of narrative skills in children with ASD. These techniques prove a better understanding of emotional and communicative expressions, thereby contributing to an improved comprehension of social interactions and emotions expressed by children with ASD.

Background: Le persone con Disturbo dello Spettro Autistico (ASD) spesso presentano difficoltà nelle interazioni sociali e comunicative, inclusa la narrazione. La ricerca ha rivelato che le persone con ASD usano meno parole con connotazioni emotive. Attualmente, la valutazione delle abilità narrative richiede molto lavoro manuale, ma alcuni software possono automatizzare e accelerare il processo, permettendo una valutazione oggettiva ed efficiente. La Fondazione Paideia e l'Università di Torino hanno collaborato per sviluppare un software denominato “Talkidz” per valutare il linguaggio infantile, superando le limitazioni dei test tradizionali. Obiettivo: Questo studio pilota mira a quantificare le differenze nelle connotazioni emotive (positiva, negativa o neutra) del linguaggio orale tra bambini con ASD e coetanei con sviluppo tipico (TD), sottolineando l'ipotesi di differenze significative nelle prestazioni narrative tra i due gruppi. Per far ciò si è utilizzato “Talkidz” e si è cercato di addestrarlo a classificare automaticamente gli enunciati dei bambini in base alla loro connotazione emotiva attraverso l'utilizzo della Sentiment Analysis (SA). Metodi: In questo studio pilota, sono stati coinvolti 5 bambini italiani con ASD, di età compresa tra 5 anni e 6 mesi e 6 anni e 5 mesi, con un quoziente intellettivo normale (QI>80). Tutti i partecipanti erano di sesso maschile e ricevevano trattamento logopedico presso una struttura riabilitativa di Torino. A coloro che non avevano una valutazione del livello cognitivo aggiornata è stata somministrata un'apposita valutazione. Successivamente, sono state utilizzate 42 illustrazioni per raccogliere campioni di linguaggio dai partecipanti. Le registrazioni audio-video sono state effettuate durante il test e successivamente trascritte in formato digitale. I dati sono stati poi elaborati utilizzando il software "Talkidz", che ha convertito le trascrizioni in simboli dell'International Phonetic Alphabet (IPA) e creato un file "Codes for the Human Analysis of Transcript" (CHAT). Un controllo manuale è stato eseguito per garantire la precisione dei dati. Un algoritmo di machine learning è stato utilizzato per assegnare un'etichetta emotiva a ciascun enunciato. Infine, i dati sono stati analizzati mediante strumenti di statistica descrittiva. Risultati: I bambini con ASD utilizzano meno enunciati con connotazione positiva rispetto ai coetanei con TD (“pos score manuale” t-test= 3.33 p-value=.01) (“pos score post” primo confronto 5:20: Mann-Whitney U test= 11.5 p-value=.01; “pos score post” secondo confronto 20.20: Cohen’s d= -1.78 p-value=.02), mostrando invece una preferenza per enunciati con connotazione neutra (“neut score manuale” t-test= -2.41 p-value=.03). Inoltre, il gruppo di bambini con ASD tende a utilizzare meno enunciati con connotazione negativa rispetto al gruppo con TD. Questi risultati indicano una significativa disparità nel numero di parole con connotazioni emotive, specialmente quelle positive, tra i bambini con ASD e quelli con TD. Conclusioni: I risultati supportano l'uso della SA per valutare in modo automatizzato le abilità narrative nei bambini con ASD. Queste tecniche si rivelano utili nel comprendere meglio le espressioni emotive e comunicative, contribuendo a migliorare la comprensione delle interazioni sociali e delle emozioni espresse dai bambini con ASD.