通过使用人工智能从眼动和人口统计数据中识别学校学生的阅读障碍

科学领域:

• 神经科学是一个神经科学.
• 计算机科学 计算机科学
• 发展心理学 发展心理学

背景情况:

• 以前的阅读障碍检测方法通常依赖于有限的数据集.
• 对于阅读障碍研究的现有数据集缺乏多源集成和足够的细节性.

研究的目的:

• 引入一个新的,大规模的,多来源的数据集,用于识别阅读障碍.
• 开发和评估基于人工智能 (AI) 的解决方案,用于检测小学学生的阅读障碍.
• 利用人工智能调查阅读障碍症识别中的各种特征的心理语言学意义.

主要方法:

• 收集并注释了一个新的,有史以来最大的眼动在阅读期间数据集,结合人口统计和非语言情报数据.
• 制定了作为分类和回归任务的阅读障碍预测,评估了12种分类和8种回归模型.
• 利用贝叶斯优化进行超参数调整,并执行分层十倍交叉验证.

主要成果:

• 综合的多来源数据集在可靠的阅读障碍检测方面显著优于单个数据源.
• 多层感知子,随机森林,梯度增强和k-最近邻近模型展示了最可接受的性能.
• 确定的主要预测特征包括智商,性别,年龄和y轴眼睛固定模式.

结论:

• 一个新的,全面的数据集和人工智能方法为阅读障碍的检测提供了一个强大的解决方案.
• 整合多种数据来源 (眼动,人口统计) 对于准确的阅读障碍识别至关重要.
• 功能重要性分析提供了关于阅读障碍的心理语言基础的见解.