С помощью нового метода дислексию можно обнаружить за минуты

Ученые из НИУ ВШЭ разработали новый метод выявления дислексии у детей младшего школьного возраста. Он основан на сочетании алгоритмов машинного обучения, технологии записи движений глаз при чтении и демографических данных. Новый метод позволяет более точно и быстро выявить нарушения, в том числе на начальной стадии, чем традиционные методы диагностики. Результаты работы опубликованы в PLOS ONE.

Дислексия — состояние, характеризующееся нарушением навыков чтения при нормальном интеллекте и языковых способностях. Это не болезнь, а особенность мозга, и избавиться от нее нельзя. Дислексия является вызовом и для ребенка, который по-другому воспринимает информацию, и для родителей, и для учителей.

Существующие методы обнаружения дислексии сложны и требуют от ребенка немалых усилий. Они предполагают использование долгих языковых тестов, которые дети не всегда способны выдержать целиком. Ученые Центра языка и мозга, Центра искусственного интеллекта и факультета компьютерных наук НИУ ВШЭ предложили сосредоточиться на других параметрах: движении глаз при чтении и демографических характеристиках. Они также применили алгоритмы машинного обучения для обработки информации, чтобы ускорить процесс выявления дислексии.

В исследовании использовались данные более 300 детей младшего школьного возраста, для которых русский язык является единственным родным. На основе стандартизированной методики исследования навыков чтения участников разделили на 3 группы: типичные, с риском развития дислексии, с развитой дислексией. Затем дети читали текст, а ученые с помощью специального оборудования (айтрекера) отслеживали движения их глаз во время чтения.

Основное различие между детьми с дислексией и типично читающими детьми — в длительности и месте фиксаций в словах. Фиксации длятся меньше секунды, заметить их очень сложно, но при записи движений глаз с помощью технологии айтрекинга эта задача становится понятной и выполнимой.

Ольга Драгой
Один из авторов исследования, директор Центра языка и мозга НИУ ВШЭ

В ходе исследования впервые был собран и размечен массив данных о движении глаз у русскоязычных детей.

Мы специально подготовили данные для машинной обработки и анализа с помощью ИИ, что позволит значительно продвинуться в области изучения дислексии. И особенно ценно, что мы делаем это на материале русского языка.

Анастасия Лопухина
Один из авторов статьи, научный сотрудник Royal Holloway (Лондонский университет)

В результате удалось научить искусственный интеллект определять вероятность наличия дислексии у ребенка на основе информации о движении глаз при чтении и демографических характеристик. По мнению авторов статьи, именно сочетание этих параметров дает максимально точный и быстрый результат. В ходе работы ученые протестировали большое количество существующих алгоритмов машинного обучения — 12 классификационных и 8 регрессионных моделей — и выбрали 4 самые точные и быстрые. Результаты, полученные с помощью этих четырех моделей, совпали с результатами традиционной диагностики.

Самыми важными параметрами для определения дислексии оказались пол, IQ и возраст ребенка. В паттернах движения глаз перемещение вверх-вниз важнее движения взгляда по строкам. Стандартное отставание показателей чтения ребенка с дислексией от типичного ребенка составляет 3 класса школы.

У подхода с использованием машинного обучения огромный потенциал. Он удешевляет и упрощает процесс диагностики дислексии. Благодаря искусственному интеллекту эксперты смогут обнаружить дислексию за 10–30 минут, а освободившееся время уделить работе с ребенком, помочь ему в адаптации к образовательной системе. Сейчас одни специалисты с подозрением относятся к развитию машинных методов, другие возлагают на искусственный интеллект неправильные ожидания. Наша лаборатория работает над созданием быстрых, надежных и точных инструментов диагностики, работающих в интересах специалистов и детей.

Соруш Шалилех
Один из авторов исследования, заведующий Научно-учебной лабораторией моделирования зрительного восприятия и внимания НИУ ВШЭ

Несмотря на плюсы использования демографических данных, исследователи отмечают, что необходимо сократить их объем, чтобы сделать метод еще более точным и доступным.

Большое количество качественных данных очень помогает машинному обучению, но это предъявляет повышенные требования к аппарату диагностики и вынуждает семьи раскрывать дополнительную личную информацию или проходить больше тестов. Мы будем стремиться получить точные результаты, основываясь только на информации о движении глаз и скорости чтения.

Дмитрий Игнатов
Один из авторов статьи, заведующий Научно-учебной лабораторией моделей и методов вычислительной прагматики ФКН НИУ ВШЭ

На основе нового метода разработано приложение «Дислектор» для настольных компьютеров с операционными системами Windows и MacOS и мобильных устройств на основе Android и iOS. Приложение доступно к скачиванию по запросу.

IQ

April 04