NeuroBridge: Using Generative AI to Bridge Cross-neurotype Communication Differences through Neurotypical Perspective-taking
作者: Rukhshan Haroon, Kyle Wigdor, Katie Yang, Nicole Toumanios, Eileen T. Crehan, Fahad Dogar
分类: cs.HC, cs.AI
发布日期: 2025-09-27
💡 一句话要点
NeuroBridge：利用生成式AI和神经典型视角弥合跨神经类型沟通差异
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 神经多样性 自闭症 大型语言模型 人机交互 沟通障碍
📋 核心要点
- 自闭症个体与神经典型个体间存在沟通障碍，主要原因是双方对彼此沟通方式缺乏理解，而现有方法难以有效弥合这种差异。
- NeuroBridge利用大型语言模型模拟自闭症个体的直接沟通风格，并创建跨神经类型沟通场景，让神经典型个体体验和反思。
- 用户研究表明，NeuroBridge能有效提高神经典型个体对自闭症沟通方式的理解，并认为AI反馈具有建设性，但需注意AI可能造成的误导。
📝 摘要（中文）
自闭症个体和神经典型个体之间的沟通挑战源于彼此对对方独特且通常对比鲜明的沟通风格缺乏理解。然而，自闭症个体通常被期望适应神经典型规范，这使得互动变得不真实且精神上令人疲惫。为了帮助纠正这种不平衡，我们构建了NeuroBridge，一个在线平台，它利用大型语言模型（LLMs）来模拟：（a）一个直接且字面的AI角色，这是许多自闭症个体常见的风格，以及（b）四个跨神经类型沟通场景，通过该角色与神经典型用户之间进行反馈驱动的对话。通过NeuroBridge，神经典型个体可以亲身体验自闭症沟通，并反思他们在塑造跨神经类型互动中的作用。在一项包含12名神经典型参与者的用户研究中，我们发现NeuroBridge提高了他们对自闭症患者如何以不同方式解读语言的理解，所有人在完成模拟后都将自闭症描述为一种“需要他人理解”的社会差异。参与者重视其个性化、互动式的形式，并将AI生成的反馈描述为“建设性的”、“逻辑性的”和“非评判性的”。大多数人认为模拟中对自闭症的描绘是准确的，这表明用户可能很容易接受AI生成的对残疾的（错误）表述。最后，我们讨论了AI中残疾表征的设计含义，使NeuroBridge更加个性化的需求，以及LLM在模拟复杂社会场景中的局限性。
🔬 方法详解
问题定义：论文旨在解决神经典型个体难以理解自闭症个体沟通方式的问题。现有方法通常要求自闭症个体适应神经典型规范，忽略了神经典型个体理解和适应自闭症沟通方式的需求，导致沟通不畅和不平等。
核心思路：论文的核心思路是利用大型语言模型（LLMs）模拟自闭症个体的沟通风格，创建一个沉浸式互动平台，让神经典型个体通过与AI角色的互动，亲身体验和理解自闭症个体的沟通方式，从而促进跨神经类型沟通的理解和尊重。
技术框架：NeuroBridge平台包含以下主要模块：1) AI角色模拟模块：使用LLM模拟具有直接、字面沟通风格的自闭症个体；2) 场景生成模块：创建多个跨神经类型沟通场景，例如日常对话、工作沟通等；3) 互动模块：神经典型用户与AI角色进行对话互动；4) 反馈模块：AI角色根据用户输入提供反馈，解释自闭症个体可能的理解和反应；5) 评估模块：收集用户反馈，评估NeuroBridge的效果和用户体验。
关键创新：该论文的关键创新在于利用生成式AI技术，特别是大型语言模型，来模拟自闭症个体的沟通风格，并创建一个互动平台，让神经典型个体能够以一种沉浸式和个性化的方式体验和理解自闭症沟通。与传统的教育或培训方法相比，NeuroBridge提供了一种更具互动性和参与性的学习方式。
关键设计：在AI角色模拟方面，论文可能使用了prompt工程来引导LLM生成具有特定沟通风格的文本。例如，prompt中可能包含“直接”、“字面”、“避免隐喻”等关键词。在场景设计方面，论文可能考虑了不同类型的沟通场景，例如日常对话、工作沟通、社交互动等，以提供更全面的学习体验。此外，反馈模块的设计也至关重要，需要确保AI提供的反馈是准确、建设性和非评判性的。
🖼️ 关键图片
📊 实验亮点
研究结果表明，NeuroBridge显著提高了神经典型个体对自闭症沟通方式的理解。所有参与者在完成模拟后都将自闭症描述为一种“需要他人理解”的社会差异，并认为AI生成的反馈具有建设性和逻辑性。大多数参与者认为模拟中对自闭症的描绘是准确的，表明用户容易接受AI对残疾的模拟。
🎯 应用场景
NeuroBridge具有广泛的应用前景，可用于提高神经典型个体对自闭症的理解和尊重，促进更有效的跨神经类型沟通。该平台可应用于教育、职场、社交等多个领域，帮助构建更包容和友好的社会环境。未来，该研究可扩展到其他神经多样性群体，例如ADHD、阅读障碍等。
📄 摘要（原文）
Communication challenges between autistic and neurotypical individuals stem from a mutual lack of understanding of each other's distinct, and often contrasting, communication styles. Yet, autistic individuals are expected to adapt to neurotypical norms, making interactions inauthentic and mentally exhausting for them. To help redress this imbalance, we build NeuroBridge, an online platform that utilizes large language models (LLMs) to simulate: (a) an AI character that is direct and literal, a style common among many autistic individuals, and (b) four cross-neurotype communication scenarios in a feedback-driven conversation between this character and a neurotypical user. Through NeuroBridge, neurotypical individuals gain a firsthand look at autistic communication, and reflect on their role in shaping cross-neurotype interactions. In a user study with 12 neurotypical participants, we find that NeuroBridge improved their understanding of how autistic people may interpret language differently, with all describing autism as a social difference that "needs understanding by others" after completing the simulation. Participants valued its personalized, interactive format and described AI-generated feedback as "constructive", "logical" and "non-judgmental". Most perceived the portrayal of autism in the simulation as accurate, suggesting that users may readily accept AI-generated (mis)representations of disabilities. To conclude, we discuss design implications for disability representation in AI, the need for making NeuroBridge more personalized, and LLMs' limitations in modeling complex social scenarios.