Assessing Dyslexia with Machine Learning: A Pilot Study Utilizing Google ML Kit

تهدف هذه الدراسة إلى تقييم فعالية Google ML Kit في الكشف المبكر عن عُسر القراءة (الديسلكسيا) لدى الأطفال الناطقين باللغة التركية. تم جمع بيانات تتبع الوجه من مجموعتين: 49 طفلًا يعانون من عسر القراءة و22 طفلًا طبيعيًّا.

تم تطوير تطبيق خاص يُدعى Eyezenith يستخدم تقنية تتبع ملامح الوجه عبر هاتف ذكي يعمل بنظام أندرويد. يُطلب من الأطفال قراءة قصة قصيرة بينما يتم تسجيل حركات الوجه والعينين باستخدام Google ML Kit.

خطوات المنهجية:

تم استخراج 288 ميزة لكل تسجيل، تشمل مواقع الوجه، الزوايا، ملامح العين والفم، واحتمالية الابتسامة.

تم استخدام تقنيات تعلم آلي مثل: SVM، Random Forest، وArtificial Neural Networks (ANN) لتدريب نماذج التنبؤ.

تم معالجة البيانات باستخدام تقنيات التوازن والتقسيم العشوائي بين بيانات التدريب والاختبار بنسبة 80:20 و70:30 للتحقق من الاتساق.

النتائج:

أظهر نموذج Random Forest أعلى دقة بلغت 99.81%، بينما حقق نموذج ANN دقة بلغت 97.66%.

كانت نتائج النماذج متفوقة على دراسات سابقة استخدمت بيانات تتبع العين فقط.

أظهرت الدراسة أن استخدام ملامح الوجه مع التعلم الآلي يقدم طريقة فعّالة وغير جراحية للكشف عن عسر القراءة.

الاستنتاج:

تبرز الدراسة إمكانيات Google ML Kit كأداة قوية ودقيقة للكشف المبكر عن عسر القراءة بطريقة سهلة ومناسبة للتطبيقات التعليمية والسريرية. تقدم هذه المنهجية حلاً فعالًا يسهم في التدخل المبكر وتحسين التجربة التعليمية للأطفال الذين يعانون من هذه الحالة.