引言
阅读障碍是一种普遍存在的学习障碍,严重损害儿童理解书面单词和短语的能力(Zoccolotti & Friedmann, 2010)。患有阅读障碍的儿童通常难以处理符号表征,如字母和数字,表现出字母反转、倒着读单词和书写顺序混乱等症状(Petretto & Masala, 2017)。这些挑战可能导致在关键早期学习阶段的扭曲理解,损害儿童的自尊和潜力(Child Assessment Service, 2017)。不幸的是,阅读障碍往往直到小学阶段才被发现,打断了教育的连续性(Smyrnakis et al., 2017)。因此,开发有效的筛查工具用于早期检测和干预是当代教育的关键。
仅依赖标准化测试来早期识别阅读障碍儿童特别具有挑战性,尤其是对那些智力平均或以上水平的儿童而言(Spoon et al., 2019)。传统筛查方法通常侧重于行为评估,如阅读和书写能力及智商测试(Alkhurayyif & Sait, 2024)。这些评估通常使用标准化测试和检查表来帮助教育工作者和家长识别阅读障碍症状。然而,这种方法可能耗时,并且由于阅读障碍表现形式的差异性,可能会遗漏病例。
除了行为评估外,神经影像技术也已被用于通过揭示独特的脑部信号来识别阅读障碍。功能性磁共振成像(fMRI)(Zahia et al., 2020, Vandermosten et al., 2016)、脑磁图(MEG)(Beach et al., 2022)和脑电图(EEG)(Kaisar, 2020)等方法提供了对阅读障碍神经模式的独特见解。最近的系统综述还强调了视觉功能障碍在阅读障碍和注意缺陷多动障碍中的频繁共病,强调了需要整合的跨诊断方法(Chung et al., 2026)。虽然这些技术为阅读障碍的神经模式提供了宝贵的见解,但它们需要受过训练的专业人员和专用设备,使其成本高且不便于广泛使用。最近的机器学习方法在比传统方法更高效地识别阅读障碍症状方面显示出前景(Jothi Prabha and Bhargavi, 2019, Kaisar, 2020)。手写识别、眼动追踪和MRI扫描等技术利用机器学习,但往往因样本量小或测试结果不足等局限性而无法实现可靠检测(Raatikainen et al., 2021)。这些局限性凸显了需要高级解决方案,如深度学习技术,以增强早期阅读障碍识别的准确性。
最近的研究表明,深度学习方法是一种简洁且高效的阅读障碍检测方法(Alqahtani et al., 2023, Kothapalli et al., 2024)。特别是,手写识别已成为一个领先领域,因为它不需要专业技能、重型机械或高昂成本。将手写作为分析工具的关注点得到了阅读障碍认知模型的充分支持。阅读障碍不再被认为是一种纯粹的语音障碍,因为它通常与程序性学习、自动化和视觉运动整合方面的困难同时出现(Nicolson and Fawcett, 1990, Nicolson and Fawcett, 2011)。手写可以被视为一种复杂的、高度自动化的程序性技能,涉及正字法、语音和图形运动信息的整合。其中任何方面的困难都会导致书写输出的一致性中断。因此,患有阅读障碍的人通常表现出可量化的特定手写异常。CNN等图像识别AI的进步已证明其能够区分阅读障碍与非阅读障碍的手写(Spoon et al., 2019, Alqahtani et al., 2023)。然而,许多深度学习模型的不透明性引发了对其决策过程方面的担忧。在此背景下,可解释人工智能(XAI)至关重要,因为它有助于利益相关者——包括教育工作者、家长和临床医生——理解和信任模型的推理过程。这种理解在阅读障碍检测等敏感应用中尤为关键,因为误分类的后果可能是严重的。
本研究的目标是开发和评估一种基于学龄儿童手写样本分析的阅读障碍自动筛查深度学习模型。特别是,本研究旨在引入一种新颖的深度学习模型,用于早期识别和分类阅读障碍手写,为该领域树立新标准。我们的自定义模型结合了卷积神经网络(CNN)、门控循环单元(GRU)和注意力机制。自定义CNN是主要组件,专门训练用于检测复杂的阅读障碍模式。GRU和注意力机制处于次要位置,专注于捕获时间模式并强调手写中最相关的部分。经过调整以适应网站需求,该模型允许用户上传其手写并接收基于AI的筛查结果。此外,还采用了几种XAI技术来阐明筛查背后的推理过程,增强了用户信任和可理解性。这一创新方法代表了阅读障碍检测的重大进步,将前沿技术与实用可用性融为一体。
需要明确本研究范围的重要说明。虽然长期目标是支持早期阅读障碍筛查,但当前数据集由12-15岁的初中学生的手写样本组成,这些学生已获得正式阅读障碍诊断。因此,本研究并未直接测试模型在年轻、未诊断儿童中识别阅读障碍的能力。相反,它初步展示了手写中包含判别性信息且深度学习模型能够捕获。未来的工作需要将这种方法在更年轻的人群和实际筛查环境中进行验证,才能就早期检测提出主张。
本研究的主要贡献包括:
- 1.
提出了一种新颖的深度学习模型,用于早期检测阅读障碍手写的潜在症状。
- 2.
开发了三种先进的可解释AI可视化技术,为用于阅读障碍检测的AI模型的推理过程提供了前所未有的见解。
- 3.
分析了所提出的可解释AI深度学习模型在个体阅读障碍检测中的应用。
本文其余部分组织如下:第2章对相关研究进行综述,第3章讨论所采用的方法,第4章呈现案例研究,第5章讨论发现及其意义并讨论局限性,第6章总结研究并提出未来研究的可能方向。
STURM Leo Matthias|Justin LAU|Yuk Ming Tang|M.W. Geda