شخصی سازی مداخلات نارساخوانی با هوش مصنوعی از طریق نوروفیدبک: مروری بر یکپارچه سازی یادگیری تقویتی عمیق و پاسخ های عصبی بلادرنگ

نارساخوانی با شیوع جهانی حدود ۷% و پیامدهای گسترده در حوزه های تحصیلی، روانی و شغلی، نیاز به مداخلات شخصی سازی شده و موثر را برجسته می ساخت. هدف این مطالعه، بررسی یکپارچه سازی فیدبک EEG بلادرنگ به عنوان ورودی حالت در سیستم های یادگیری تقویتی عمیق (Deep RL) برای تنظیم پویای مداخلات نارساخوانی و مقایسه کارآیی آن با پروتکل های سنتی بود. برای این منظور، یک مرور نظام مند در پایگاه های علمی (۲۰۲۰–۲۰۲۵) با معیارهای شمول و عدم شمول انجام شد و ۲۴ مقاله مرتبط برای تحلیل انتخاب گردید. یافته ها نشان داد که سیستم های حلقه بسته مبتنی بر Deep RL (مانند استفاده از مولفه P۳۰۰ و نسبت آلفا/تتا به عنوان ورودی حالت) به طور معناداری بهبود نتایج یادگیری (افزایش ۲۲% دامنه P۳۰۰، دوبرابر شدن سرعت خواندن) و تغییرات نوروفیزیولوژیک (کاهش ۱۷% توان آلفا) را در مقایسه با مداخلات ثابت، ارائه کردند. همچنین، این سیستم ها میزان مشارکت کاربر را افزایش و خستگی را کاهش دادند. با این حال، محدودیت هایی مانند حجم نمونه کوچک، ناهمگونی پروتکل ها و کمبود داده های بلندمدت، اثربخشی کامل را محدود کرد. مرور حاضر نشان داد که ادغام فیدبک EEG بلادرنگ در چارچوب Deep RL، پتانسیل بالایی برای مداخلات شخصی سازی شده نارساخوانی دارد، اما نیاز به مطالعات تطبیقی مستقیم، استانداردسازی نشانگرها و اعتبارسنجی در جمعیت های متنوع وجود دارد.

کلیدواژه ها:

پاسخ های عصبی بلادرنگ ، شخصی سازی ، نارساخوانی ، نوروفیدبک ، یادگیری تقویتی عمیق