کاربرد الگوریتم های یادگیری عمیق در تشخیص زودهنگام اختلالات یادگیری

اختلالات یادگیری به عنوان یکی از چالش های بنیادین در نظام های آموزشی و سلامت روان کودکان، در صورت عدم شناسایی به موقع، پیامدهای جبران ناپذیری در مسیر تحصیلی و رشد عاطفی-اجتماعی فراگیران بر جای می گذارد؛ از این رو، جست وجو برای روش های تشخیصی دقیق تر، سریع تر و عینی تر همواره در کانون توجه پژوهشگران حوزه علوم تربیتی و فناوری آموزشی قرار داشته است. پژوهش حاضر با هدف تبیین کاربرد الگوریتم های یادگیری عمیق در تشخیص زودهنگام اختلالات یادگیری، به بررسی تحلیلی قابلیت های مدل های پیشرفته ای چون شبکه های عصبی کانولوشنی برای پردازش داده های تصویری نظیر نمونه های نوشتاری و شبکه های عصبی بازگشتی برای تحلیل داده های سری زمانی از قبیل حرکات چشم و سیگنال های الکتروانسفالوگرافی پرداخته است. در این راستا، با بهره گیری از داده های عصبی-رفتاری و الگوهای تعاملی دانش آموزان در محیط های آموزشی هوشمند، عملکرد این الگوریتم ها در شناسایی ریزنشانه های مرتبط با نارساخوانی، نارسانویسی و اختلال ریاضی مورد ارزیابی قرار گرفت. یافته ها حاکی از آن است که مدل های یادگیری عمیق با توانایی استخراج خودکار ویژگی های پنهان و الگوهای پیچیده از داده های چندمنبعی، قادرند با دقتی فراتر از روش های سنتی مبتنی بر قضاوت انسانی، فرآیند غربالگری را تسهیل نموده و پنجره مداخله زودهنگام را گسترش دهند. با این وجود، تحقق کامل این پتانسیل در محیط های واقعی مستلزم تلفیق هوشمندانه فناوری با تخصص متخصصان بالینی، طراحی زیرساخت های مناسب جمع آوری داده و رعایت دقیق اصول اخلاقی و حریم خصوصی فراگیران است؛ بنابراین، به کارگیری یادگیری عمیق نه به عنوان جایگزین، بلکه به مثابه ابزاری مکمل در خدمت تصمیم گیری آموزشی می تواند گامی موثر در جهت عدالت آموزشی و ارتقای کیفیت یادگیری برای همه دانش آموزان باشد.

کلیدواژه ها:

یادگیری عمیق ، اختلالات یادگیری ، تشخیص زودهنگام ، هوش مصنوعی در آموزش ، شبکه های عصبی مصنوعی ، داده کاوی آموزشی ، نارساخوانی.