طراحی یک مدل مفهومی مبتنی بر هوش مصنوعی برای کمک به معلمان ابتدایی در شناسایی و غربالگری اولیه نشانه های اختلال طیف اتیسم (ASD) و اختلال نقص توجه/بیش فعالی (ADHD)

اختلال طیف اتیسم (ASD) و اختلال نقص توجه/بیش فعالی (ADHD) از شایع ترین اختلالات عصبی-تحولی دوران کودکی هستند. تشخیص زودهنگام این اختلالات، نقش حیاتی در بهبود پیش آگهی و اثربخشی مداخلات درمانی دارد. معلمان ابتدایی به دلیل تماس روزانه با دانش آموزان، در خط مقدم شناسایی نشانه های اولیه قرار دارند، اما از آموزش تخصصی لازم بی بهره اند. این پژوهش با هدف طراحی یک مدل مفهومی مبتنی بر هوش مصنوعی برای غربالگری اولیه ASD و ADHD از طریق تحلیل رفتار کلاسی انجام شده است. مدل پیشنهادی از چهار لایه تشکیل شده است: جمع آوری داده های چندوجهی (دوربین، میکروفون، تبلت و گزارش معلم)، استخراج ویژگی های رفتاری، تحلیل با الگوریتم های یادگیری ماشین (Random Forest، CNN+LSTM و XGBoost)، و ارائه بازخورد تفسیرپذیر به معلم. مرور پژوهش ها نشان می دهد که این الگوریتم ها می توانند ASD را با دقت ۹۸٪ و ADHD را با دقت ۸۵٪ تشخیص دهند. مدل با تاکید بر تفسیرپذیری، هزینه کم و قابلیت استقرار در محیط های کم منبع طراحی شده است. یافته ها می تواند به طراحی سیستم های غربالگری هوشمند و مقرون به صرفه در مدارس ابتدایی کمک کند.

کلیدواژه ها:

اختلال طیف اتیسم ، اختلال نقص توجه/بیش فعالی ، هوش مصنوعی ، غربالگری ، تحلیل رفتار کلاسی ، معلمان ابتدایی ، یادگیری ماشین