《Expert Systems with Applications》:Explainable AI in Dyslexia Diagnosis and Intervention: A Systematic Review and a Novel Conceptual Multimodal Framework
编辑推荐:
•首个关于阅读障碍诊断中可解释人工智能的系统性综述。•分析了基于可解释AI的研究,涵盖脑电图、磁共振成像、眼动追踪和书写多模态数据。•比较了显式和嵌入式可解释AI技术在性能与信任度方面的表现。•提出了一种新颖的多模态可解释AI框架,用于诊断和个性化干预。引言阅读障碍是一种基于
- •
首个关于阅读障碍诊断中可解释人工智能的系统性综述。
- •
分析了基于可解释AI的研究,涵盖脑电图、磁共振成像、眼动追踪和书写多模态数据。
- •
比较了显式和嵌入式可解释AI技术在性能与信任度方面的表现。
- •
提出了一种新颖的多模态可解释AI框架,用于诊断和个性化干预。
引言
阅读障碍是一种基于语言的学习障碍,主要表现为拼写、书写和发音方面的问题,最常见的症状为阅读困难。尽管阅读障碍在性别和种族间患病率相当,但其影响在个体一生中会发生变化,往往阻碍在传统学习环境中取得学业进步,在严重情况下则需要特殊教育项目或学习便利措施Ebere (2016)。
近期研究表明,阅读障碍的患病率在不同地区存在显著差异。在海湾合作委员会(GCC)国家,患病率尤其高。Aldakhil 2024年的荟萃分析估计,海湾阿拉伯国家约24%的小学生患有阅读障碍,几乎是海外国阿拉伯地区13%患病率的两倍Aldakhil (2024)。在全球范围内,美国报告超过4000万成年美国人患有阅读障碍,其中仅有200万人得到诊断Elias (2025);英国估计约为10%,其中约4%属于重度;澳大利亚报告的数据相似,约10%的人口受影响。加拿大的患病率估计为5%–10% Diena (2025),而中国报告小学生全国阅读障碍率为11% Cai (2018)。在韩国,包括阅读障碍在内的学习障碍仍存在诊断不足的情况,截至2019年,学校中仅有1.5%被正式确诊Shin & Choi (2022)。在非洲,估计数据差异较大:南非报告为3%–7%,而尼日利亚的倡导组织估计高达20% Altin, Geertsema, le Roux, & Graham (2023)。这些发现表明,虽然全球患病率通常介于5%–15%之间,但GCC地区的报告患病率最高,这既凸显了区域性诊断工作的重要性,也强调了需要更多标准化、跨国家的筛查实践。
传统诊断依赖标准化测试和主观评估,可能导致延迟或错误的检测。早期准确的检测对于提供及时、个性化的干预以改善学习成果至关重要。Rauschenberger, Baeza-Yates, & Rello (2022) 强调了人工智能在创建可及且有趣的早期诊断工具方面的潜力。人工智能被开发为基于书写、眼动追踪、神经影像及其他多模态数据进行阅读障碍筛查和诊断的有前景的途径。基于AI的解决方案能够检测到细微的模式(例如书写或眼动缺陷),这些模式在 traditional 测试中不易被察觉。然而,大多数AI模型是"黑箱"——它们提供预测但不给出可理解的解释。这种缺乏可解释性在教育与医疗领域是一个问题,因为在这些领域中,理解模型为何做出某项决策对于建立信任和道德使用至关重要 Yap, Aruthanan, & Chin (2025a)。可解释AI(XAI)技术是指使决策过程对人类透明且可理解的AI方法。XAI在复杂的AI模型与人类理解之间架起了一座桥梁。在阅读障碍的诊断与干预中,XAI可以帮助教育工作者和临床医生可视化或解释模型的决策,确保AI推理与临床知识一致,并支持用户对模型的信任。例如,基于梯度的类别激活映射(Grad-CAM)可视化可以突出阅读障碍诊断中关键的书写特征,使利益相关方能够看到模型的关注焦点,从而促进AI辅助筛查的透明度和信心。XAI的作用不仅是提高模型的透明度,还通过定位模型识别出的具体缺陷(如语音意识问题或视觉追踪问题)来指导个性化干预Robaa, Balat, Awaad, Omar, & Aly (2024)。
章节摘要
动机与研究问题
尽管人们对AI在阅读障碍中的应用越来越感兴趣,但尚未有关于可解释性总体应用及其对诊断和干预结果影响方面开展系统性综述。先前的综述将阅读障碍中的AI作为一个整体类别,或专注于特定技术如眼动追踪,但尚未有综述系统地评估阅读障碍中可解释AI(XAI)方法的应用。这一空白值得开展一项专门的系统性综述,以汇集当前关于阅读障碍XAI应用的证据,并识别最佳实践与挑战。
检索研究
我们在多个数据库中进行了广泛的文献检索,以识别相关研究:IEEE Xplore、Scopus、PubMed、Web of Science和ACM数字图书馆。我们还检索了Google Scholar和arXiv以获取灰色文献或预印本,从而实现全面覆盖。使用与阅读障碍、AI和可解释性相关的术语结合布尔运算符进行检索。应用的检索式为:("dyslexia"或"reading disorder"或"learning disability")AND("machine
阅读障碍中AI与XAI方法分类体系(Q1)
本节呈现了阅读障碍研究中使用的AI与可解释AI方法的系统化分类。该分类体系按模型类型(传统AI与XAI)、可解释性策略(显式与嵌入式)和数据模态(如眼动追踪、脑电图、神经影像、书写)对先前的研究进行分类。这一组织方式提供了一个清晰的概念框架,用于综合已审查的文献。
XAI技术与应用领域(Q2/Q3)
表3展示了本次系统性综述中所有最终纳入研究的详细信息。在我们系统性综述确定的26篇文章中,大多数——几乎全部——明确聚焦于XAI在阅读障碍检测、筛查或诊断中的应用,而非干预。这种不平衡可能反映了XAI方法在阅读障碍干预中应用的初级阶段,后者通常需要更复杂、纵向的数据集和更为细致的
数据集相关挑战
将XAI应用于阅读障碍的一个重要局限性在于可用数据集的稀缺性和异质性。所审查的大多数研究使用的样本量相对较小,通常少于100名参与者,这可能限制了模型结果的外推性和稳健性。此外,数据集通常存在不平衡问题,往往阅读障碍参与者数量远少于对照组。这种不平衡可能导致模型偏向有偏差的预测,并降低其
XAI在阅读障碍诊断与干预中的未来方向(Q5)
基于本次系统性综述获得的见解,我们提出以下几项明确且具有可操作性的建议,为未来利用XAI增强阅读障碍诊断与干预过程的研究方向提供参考:
总结与结论
本次系统性综述探讨了可解释人工智能(XAI)与阅读障碍检测、诊断及干预的交叉领域,综合了24项选用研究的见解,这些研究应用了多种机器学习和XAI方法。一个主要发现是,大多数——几乎全部——这些研究明确涉及阅读障碍检测、筛查或诊断,而非干预工具。这种显著的不平衡可能反映了其固有的复杂性,纵向
资金
本出版物由卡塔尔多哈大学高影响力基金(HIG)Cycle 08-QUHI-CENG-25/26-665资助。本文中的声明仅为作者的独立责任。
作者贡献声明
Afnan Al-Ali:概念化、方法论、形式分析、数据管理、撰写—原稿、撰写—审阅与编辑、可视化。
Moutaz Saleh:概念化、方法论、指导、撰写—审阅与编辑、项目管理、经费获取。
Somaya Al Maadeed:概念化、指导、撰写—审阅与编辑、项目管理。
Jayakanth Kunhoth:方法论、形式分析、撰写—审阅与编辑、可视化。
利益冲突声明
作者声明不存在利益冲突。
作者声明不存在已知的竞争性财务利益或个人关系,这些关系可能影响本文所报告的工作。
Afnan Al-Ali|Moutaz Saleh|Somaya Al Maadeed|Jayakanth Kunhoth