تحلیل هوشمند کارکردهای اجرایی مغز کودکان نوازنده و غیرنوازنده با استفاده از مدلهای Ensemble Learning

پژوهش حاضر با هدف طراحی و ارزیابی یک چارچوب هوشمند مبتنی بر یادگیری ماشین برای تحلیل و مقایسه کارکردهای اجرایی مغز در کودکان نوازنده و غیرنوازنده انجام شده است. این مطالعه از نوع علی–مقایسه ای بوده و بر روی ۱۲۰ کودک ۱۲ ساله شهر شیراز شامل ۶۰ کودک با سابقه شش سال آموزش منظم موسیقی و ۶۰ کودک بدون آموزش رسمی موسیقی صورت گرفت. دو گروه از نظر سن، بهره هوشی و وضعیت اجتماعی–اقتصادی همتاسازی شدند. مولفه های بازداری پاسخ، حافظه کاری و انعطاف پذیری شناختی با استفاده از آزمون های استاندارد استروپ، ویسکانسین و فراخنای ارقام وکسلر استخراج و به عنوان ورودی های یک سیستم هوشمند تحلیل شناختی مورد استفاده قرار گرفتند. در مرحله نخست، تحلیل های آماری کلاسیک تفاوت های معناداری را به نفع کودکان نوازنده در تمامی مولفه های کارکردهای اجرایی نشان دادند (p < ۰.۰۵) که در برخی شاخص ها با اندازه اثر بسیار بزرگ (|d| > ۲) همراه بود. در گام بعد، به منظور مدل سازی الگوهای چندبعدی، افزایش قدرت تعمیم و پیش بینی گروهی، از یک مدل Ensemble Learning مبتنی بر الگوریتم Bagging استفاده شد. نتایج اعتبارسنجی متقاطع نشان داد که سیستم پیشنهادی قادر است دو گروه را با دقت ۹۳.۷۵٪ و مقدار AUC برابر با ۰.۹۹۱ طبقه بندی کند. افزون بر این، تحلیل اهمیت ویژگی ها بر اساس معیارهای درخت محور، مولفه های مرتبط با دقت پاسخ و کاهش خطاهای شناختی را به عنوان مهم ترین عوامل تمایز شناسایی کرد. این یافته ها نشان می دهد که تلفیق داده های روان سنجی با سیستم های هوش مصنوعی توضیح پذیر می تواند بستری موثر برای تحلیل تحول شناختی، پیش بینی عملکرد اجرایی و پشتیبانی از تصمیم گیری هوشمند در آموزش دیجیتال و مداخلات شناختی مبتنی بر داده فراهم آورد.

کلیدواژه ها:

هوش مصنوعی ، کارکردهای اجرایی مغز ، آموزش موسیقی ، حافظه کاری ، بازداری ، انعطاف پذیری شناختی ، یادگیری گروهی ، شاخص جینی