مرور نظام مند بر تاثیر فناوری های تشخیصی مبتنی بر یادگیری ماشین بر شناسایی زودهنگام اختلالات یادگیری در دانش آموزان دوره ابتدایی

اختلالات یادگیری خاص، یکی از شایع ترین چالش های نظام های آموزشی هستند که تشخیص دیرهنگام آن ها، پیامدهای جبران ناپذیری بر عملکرد تحصیلی و سلامت روان دانش آموزان بر جای می گذارد. پژوهش حاضر با هدف مرور نظام مند پژوهش های انجام شده درباره کاربرد فناوری های مبتنی بر یادگیری ماشین در شناسایی زودهنگام اختلالات یادگیری (به ویژه نارساخوانی و دیس کلکولیا) در دانش آموزان دوره ابتدایی انجام شده است. این مطالعه با رویکرد مرور نظام مند و با پیروی از دستورالعمل پریزما (PRISMA) انجام شد. جستجوی سیستماتیک در پایگاه های معتبر علمی شامل Web of Science، Scopus، PubMed، ERIC، SID، مگیران و گوگل اسکالر برای مقالات منتشرشده بین ژانویه ۲۰۱۸ تا ژوئن ۲۰۲۶ صورت گرفت. از کلیدواژه های ترکیبی شامل "learning disabilities"، "dyslexia"، "dyscalculia"، "machine learning"، "early diagnosis" و معادل های فارسی آن ها استفاده شد. کیفیت مقالات با استفاده از چک لیست CASP ارزیابی و داده ها به صورت تحلیلی-توصیفی استخراج گردید. از میان ۴۸۷ مقاله اولیه، پس از اعمال معیارهای ورود و خروج، ۳۴ مقاله برای تحلیل نهایی انتخاب شدند. فناوری های تشخیصی به چهار دسته اصلی تقسیم شدند: (۱) سیستم های مبتنی بر ردگیری حرکات چشم، (۲) ابزارهای تحلیل گفتار و آواشناسی، (۳) الگوریتم های پردازش تصویر برای تشخیص مشکلات نوشتاری، و (۴) پلتفرم های مبتنی بر بازی برای ارزیابی شناختی. بیشترین دقت تشخیص (بالای ۹۰٪) مربوط به ترکیب داده های حرکات چشم و پردازش گفتار بود. مهم ترین چالش های اجرایی شامل هزینه های بالا، نیاز به زیرساخت فنی و کمبود داده های آموزشی متناسب با بافت فرهنگی ایران بود.نتایج نشان داد فناوری های یادگیری ماشین پتانسیل بالایی برای تشخیص زودهنگام اختلالات یادگیری در دوره ابتدایی دارند، اما برای پیاده سازی موثر در نظام آموزشی ایران، نیاز به بومی سازی ابزارها، توسعه داده های آموزشی متناسب با زبان فارسی و توانمندسازی معلمان برای استفاده از این فناوری ها ضروری است.

کلیدواژه ها:

اختلالات یادگیری ، یادگیری ماشین ، تشخیص زودهنگام ، نارساخوانی ، دوره ابتدایی.