Η έγκαιρη διάγνωση της Διαταραχής Αυτιστικού Φάσματος (ΔΑΦ) αποτελεί καθοριστικό παράγοντα για την αποτελεσματικότητα της παρέμβασης και τη συνολική ποιότητα ζωής των παιδιών. Παρότι η διεθνής επιστημονική κοινότητα συμφωνεί ότι η αναγνώριση των ενδείξεων πριν από την ηλικία των τριών ετών μπορεί να οδηγήσει σε σαφώς καλύτερα αναπτυξιακά αποτελέσματα, στην πράξη η διάγνωση συχνά καθυστερεί. Στην Ελλάδα, η μέση ηλικία διάγνωσης κυμαίνεται γύρω στα έξι με επτά έτη, με ακόμη μεγαλύτερες καθυστερήσεις σε οικογένειες χαμηλότερου κοινωνικοοικονομικού επιπέδου ή σε απομακρυσμένες περιοχές.
Ένας από τους βασικούς λόγους αυτής της καθυστέρησης είναι ότι η αξιολόγηση του αυτισμού βασίζεται σε χρονοβόρες και απαιτητικές διαδικασίες, οι οποίες προϋποθέτουν εξειδικευμένο προσωπικό και πολυεπίπεδη κλινική παρατήρηση. Παράλληλα, τα γλωσσικά χαρακτηριστικά των παιδιών με ΔΑΦ –ιδίως σε πιο ήπιες μορφές– μπορεί να μην είναι άμεσα εμφανή στους γονείς ή στους εκπαιδευτικούς, ιδιαίτερα όταν το παιδί έχει επαρκές λεξιλόγιο ή καλή μορφοσυντακτική δομή λόγου.
Τα τελευταία χρόνια, η ραγδαία ανάπτυξη της Τεχνητής Νοημοσύνης (ΤΝ) και της Μηχανικής Μάθησης (Machine Learning, ML) ανοίγει νέους δρόμους για πιο αντικειμενικές, γρήγορες και προσβάσιμες μεθόδους πρώιμου εντοπισμού της ΔΑΦ. Ιδιαίτερο ενδιαφέρον παρουσιάζει η ανάλυση της αφήγησης (narrative analysis), δηλαδή του τρόπου με τον οποίο ένα παιδί αφηγείται μια ιστορία, για παράδειγμα με τη βοήθεια εικόνων.
Η αφήγηση αποτελεί μια φυσική και καθολική μορφή λόγου, λιγότερο εξαρτημένη από πολιτισμικές προκαταλήψεις σε σχέση με τα τυποποιημένα τεστ. Μέσα από μια αφήγηση μπορούν να αξιολογηθούν πολλαπλά επίπεδα γλώσσας: το λεξιλόγιο, η γραμματική, η συνοχή της ιστορίας, η χρήση αντωνυμιών, αιτιολογικών συνδέσμων, καθώς και όροι που δηλώνουν συναισθήματα ή εσωτερικές καταστάσεις (π.χ. «σκέφτηκε», «φοβήθηκε»).
Έρευνες δείχνουν ότι τα παιδιά με ΔΑΦ παρουσιάζουν συστηματικές δυσκολίες τόσο στη μικροδομή της αφήγησης (μορφοσύνταξη, λεξιλόγιο) όσο και στη μακροδομή (οργάνωση της ιστορίας, αιτιότητα, πραγματολογική επάρκεια), ακόμη και όταν οι βασικές γλωσσικές δεξιότητες φαίνεται να είναι καλές.
Πρόσφατες μελέτες αξιοποίησαν εργαλεία Επεξεργασίας Φυσικής Γλώσσας (Natural Language Processing, NLP) και σύγχρονα γλωσσικά μοντέλα, όπως τα BERT embeddings, για να αναλύσουν αυτόματα αφηγήσεις παιδιών με και χωρίς ΔΑΦ. Μέσα από την εξαγωγή εκατοντάδων γλωσσικών δεικτών –που αφορούν το λεξιλόγιο, τη σύνταξη, τη σημασιολογία και την πραγματολογία– εκπαιδεύτηκαν μοντέλα Μηχανικής Μάθησης ικανά να διακρίνουν με υψηλή ακρίβεια τα παιδιά με ΔΑΦ από τα τυπικώς αναπτυσσόμενα παιδιά.
Τα αποτελέσματα είναι ιδιαίτερα ενθαρρυντικά: συγκεκριμένοι αλγόριθμοι πέτυχαν ακρίβεια που αγγίζει το 96%, με ελάχιστες λανθασμένες ταξινομήσεις. Αυτό υποδηλώνει ότι ο συνδυασμός αφηγηματικών και λεξιλογικών δεικτών μπορεί να λειτουργήσει ως αξιόπιστος «δείκτης κινδύνου» για τη ΔΑΦ.
Σήμερα η πρακτική σημασία αυτής της προσέγγισης είναι μεγάλη. Ένα ψηφιακό, αυτοματοποιημένο εργαλείο που βασίζεται στην αφήγηση θα μπορούσε να χρησιμοποιηθεί ως συμπληρωματικό μέσο πρώιμου ελέγχου, δίπλα σε καθιερωμένα διαγνωστικά εργαλεία όπως το ADOS ή το ADI-R. Η χρήση ενός tablet ή υπολογιστή για την καταγραφή και ανάλυση της αφήγησης μειώνει τον χρόνο αξιολόγησης, αυξάνει την αντικειμενικότητα και διευκολύνει την πρόσβαση οικογενειών που δυσκολεύονται να φτάσουν σε εξειδικευμένες υπηρεσίες.
Συμπερασματικά, η ενσωμάτωση της Τεχνητής Νοημοσύνης στη γλωσσική αξιολόγηση παιδιών δεν αντικαθιστά τον κλινικό ειδικό, αλλά τον ενισχύει. Η ανάλυση αφήγησης μέσω ML μπορεί να λειτουργήσει ως ένα ισχυρό, επιστημονικά τεκμηριωμένο εργαλείο πρώιμης ανίχνευσης, συμβάλλοντας σε πιο έγκαιρες παρεμβάσεις και καλύτερες αναπτυξιακές προοπτικές για τα παιδιά με αυτισμό.