Acortando el Inventario de Desarrollo Comunicativo de MacArthur-Bates utilizando Pruebas Adaptativas Computarizadas Basadas en Aprendizaje Automático (ML-CAT) | JoVE Visualize

Área de la Ciencia:

Psicología del desarrollo Psicología del desarrollo.
La lingüística computacional es la lingüística computacional.
Aprendizaje automático Aprendizaje automático.

Sus antecedentes:

La identificación temprana de los trastornos del desarrollo en bebés y niños pequeños es crucial para una intervención efectiva y la reducción de costos.
El Inventario de Desarrollo Comunicativo MacArthur-Bates (MB-CDI) es una herramienta estándar para evaluar el desarrollo léxico temprano, pero es largo y requiere mucho tiempo.
Los métodos de evaluación existentes enfrentan limitaciones en cuanto a eficiencia y adaptabilidad.

Objetivo del estudio:

Desarrollar una versión abreviada del MB-CDI utilizando el aprendizaje automático y las pruebas adaptativas computarizadas (ML-CAT).
Evaluar la precisión y eficiencia del ML-CAT en la predicción de las puntuaciones de desarrollo léxico.
Para comparar el rendimiento de ML-CAT con los métodos existentes, incluida la Teoría de Respuesta a Elementos (IRT).

Principales métodos:

Utilizó un enfoque de aprendizaje automático combinado con pruebas adaptativas computarizadas (ML-CAT).
Adaptado la secuencia de palabras presentadas en función de las respuestas individuales del sujeto para acortar la evaluación.
Valido el ML-CAT en cinco idiomas diferentes.

Principales resultados:

ML-CAT predice de manera confiable las puntuaciones H-MB-CDI utilizando un promedio de solo 10 palabras con una precisión del 94% al 96%.
ML-CAT demostró un rendimiento superior en comparación con los métodos no adaptativos y los modelos basados en IRT.
ML-CAT mostró una mejor precisión en el manejo de hablantes atípicos (excepcionales) en comparación con los métodos IRT.

Conclusiones:

ML-CAT ofrece un método más eficiente y confiable para evaluar el desarrollo léxico en bebés y niños pequeños.
La duración más corta de la evaluación reduce la carga sobre los sujetos y los cuidadores, lo que potencialmente aumenta la confiabilidad.
ML-CAT facilita el cribado comunitario más amplio y más frecuente para los trastornos del desarrollo.