پیام خود را بنویسید
پاییز 1405(آذر)،                   برگشت به فهرست مقالات | برگشت به فهرست نسخه ها


XML English Abstract Print


گروه روان‌شناسی، دانشکده روان‌شناسی و علوم تربیتی، دانشگاه شهید بهشتی، تهران، ایران. ، m-charifi@sbu.ac.ir
چکیده:   (115 مشاهده)
زمینه: نارساخوانی، شایع‌ترین دسته از انواع اختلالات یادگیری خاص است که می‌تواند پیامدهای نامطلوبی بر عملکرد تحصیلی و فرایند یادگیری دانش‌آموزان داشته باشد. علی‌رغم محدودیت روش‌های متداول غربال‌گری و نیاز به ابزارهای ساده، در دسترس و قابل استفاده در مقیاس وسیع، مطالعات مرتبط با تحلیل صوت برای ارزیابی مهارت‌های خواندن در ایران بسیار محدود هستند.
هدف: هدف این پژوهش، طراحی و ارزیابی یک ابزار غربال‌گری اولیۀ اختلال خواندن بر اساس تحلیل خواندن شفاهی با استفاده از یادگیری ماشین بود.
روش: روش این پژوهش، توصیفی- تحلیلی از نوع علی- مقایسه‌ای بود. جامعۀ آماری پژوهش شامل تمامی دانش‌آموزان پایه‌های اول تا سوم ابتدایی شهر‌های تهران، زاهدان، مشهد، اراک، کرمانشاه و قم در سال تحصیلی 1404-1403 بود. گروه نمونه، شامل ۵۸۶ دانش‌آموز بود که با روش نمونه‌گیری هدفمند، از بین دانش‌آموزان مدارس عادی و مراکز جامع سنجش، آموزش و توانبخشی شهرهای مذکور انتخاب شدند. قابل ذکر است که سه گروه اصلی پژوهش شامل دانش‌آموزان عادی، دارای دشواری خواندن و نارساخوان بودند. در پژوهش حاضر برای هر یک از پایه‌های تحصیلی اول تا سوم، یک متن مجزا بر پایه کتاب‌ها و متون متناسب با پایۀ تحصیلی آماده شد و هر یک از شرکت‌کنندگان ابن متون را با صدای بلند خوانده و فایل‌های صوتی حاصل، مبنای استخراج ویژگی‌های مرتبط با زمان، روانی و میزان انطباق خواندن با متن قرار گرفت. هم‌چنین عملکرد مدل‌ها بر اساس دقت، صحت، حساسیت، اختصاصی بودن و سطح زیر منحنی مشخصه عملکرد گیرنده (AUC) سنجیده شد و تفاوت ویژگی‌های صوتی بین گروه‌ها با آزمون کروسکال- والیس در نرم‌افزار SPSS نسخۀ 27 تحلیل شدند.
یافته ­ها: نتایج آزمون کروسکال- والیس نشان داد بین سه گروه عادی، دارای دشواری خواندن و نارساخوان در تمامی ویژگی‌های صوتی تفاوت معناداری وجود دارد (۰۰۱/۰>P). هم‌چنین، هر چهار الگوریتم در هر سه پایه عملکرد قابل‌قبولی در تمایز دانش‌آموزان نشان دادند و عملکرد کلی مدل‌ها در پایۀ دوم بالاتر بود. رگرسیون لجستیک در هر سه پایه، عملکردی پایدار و مطلوب داشت و با AUC برابر با 96/0، و 99/0 و 99/0 به ‌ترتیب در پایه‌های اول، دوم و سوم به ‌عنوان مدل منتخب انتخاب شد. هم‌چنین در بررسی ترتیب اهمیت ویژگی‌ها در بهبود عملکرد مدل، زمان هر کلمه، زمان خواندن، تشابه محتوایی و تشابه زبانی، در اغلب پایه‌ها در بین مهم‌ترین ویژگی‌ها قرار داشتند. هم‌چنین، در تحلیل تجمیعی داده‌ها، زمان هر کلمه بیشترین سهم را در عملکرد مدل داشته است.
نتیجه‌گیری: بر اساس یافته‌های این پژوهش، به‌کارگیری روش‌های یادگیری ماشین در تحلیل الگوهای صوتی خواندن، رویکردی عملی برای غربال‌گری اولیۀ اختلال خواندن در زبان فارسی است. این رویکرد می‌تواند در صورت توسعه و غنی‌سازی داده‌ها و بهره‌گیری از مدل‌های چندوجهی، به ‌عنوان یکی از ابزارهای مؤثر در طراحی سامانه‌های هوشمند، بومی و قابل ‌اعتماد در حوزۀ تشخیص زودهنگام نارساخوانی مورد استفاده قرار گیرد.
شماره‌ی مقاله: 1
     
نوع مطالعه: پژوهشي | موضوع مقاله: تخصصي
دریافت: 1405/7/8 | پذیرش: 1405/5/15 | انتشار: 1405/9/1

فهرست منابع
1. دلاوریان، مونا و افروز، غلامعلی (1399). بررسی دقت و حساسیت سامانه هوشمند غربالگر در پیش‌بینی کودکان مستعد اختلالات عصبی- تحولی (نقص توجه- بیش‌فعالی و نارساخوانی). ناتوانی‌های یادگیری، 10(1)، 109–87. https://doi.org/10.22098/jld.2020.1046
2. زارعی، منا؛ محبی، مریم؛ غلامعلی‌نژاد، فاطمه و رستمی، رضا (۱۴۰۰). تشخیص نارساخوانی با استفاده از تحلیل پتانسیل‌های برانگیختۀ مغزی مبتنی بر تکنیک‌های یادگیری ماشین. پنجمین کنفرانس بین‌المللی مهندسی برق، کامپیوتر و مکانیک، تهران. https://civilica.com/doc/1452409
3. سلیمی‌تیموری، بهمن (۱۳۸۶). تأثیر روش عصبی درمانی دالکاتو بر نارساخوانی رشدی دانش‌آموزان دختر مقطع ابتدایی شهرستان بروجرد در سال تحصیلی 85–86 پایان‌نامه کارشناسی ارشد، دانشگاه تربیت معلم، تهران، ایران.
4. نویسی، زهر؛ شیری، محمد‌ابراهیم و بیدگلی، بهروز (۱۳۹۷). طراحی یک بازی رایانه‌ای هوشمند برای پیش‌بینی نارساخوانی بر مبنای علوم شناختی. نشریه علمی فناوری آموزشی، ۱۲(۳)، 219–229. https://doi.org/10.22061/jte.2018.2148.1732
5. American Psychiatric Association. (2022). Diagnostic and statistical manual of mental disorders. American Psychiatric Association Publishing. https://doi.org/10.1176/appi.books.9780890425787
6. Asghari Tolami, F. A., Khorasani, M., Kahani, M., Yazdi, S. A. A., & Ghalenoei, M. A. (2021, October). An intelligent linguistic error detection approach to automated diagnosis of dyslexia disorder in Persian speaking children. In 2021 11th International Conference on Computer Engineering and Knowledge (ICCKE) (pp. 393–398). IEEE. https://doi.org/10.1109/ICCKE54056.2021.9721446
7. Catts, H. W., Haynes, C. W., & Joshi, R. M. (2026). Defining dyslexia: 2025 revision. Annals of Dyslexia, 1–29. https://doi.org/10.1007/s11881-026-00363-4
8. Delavarian, M. and Afrooz, G. (2020). Investigating the accuracy and sensitivity of the intelligent screener system to predict children at risk of neurodevelopmental disorders (attention deficit-hyperactivity disorder and dyslexia). Journal of Learning Disabilities, 10(1), 87–109. [In Persian] https://doi.org/10.22098/jld.2020.1046
9. Dostálová, N., & Plch, L. (2023). A scoping review of webcam eye tracking in learning and education. Studia paedagogica, 28(3), 113–131. https://doi.org/10.5817/SP2023-3-5
10. Erbeli, F., He, K., Cheek, C., Rice, M., & Qian, X. (2023). Exploring the machine learning paradigm in determining risk for reading disability. Scientific Studies of Reading, 27(1), 5–20. https://doi.org/10.1080/10888438.2022.2115914
11. Flores-Reyes, M. (2023). The Effectiveness of Dyslexia Interventions: A Systematic Review. Senior Honors Thesis, School of Education. The University of North Carolina at Chapel Hill. https://doi.org/10.17615/c0gf-6c29
12. Hussein, A., Abdulameer, A. T., Abdulkarim, A., Husni, H., & Al-Ubaidi, D. (2024). Classification of dyslexia among school students using deep learning. Journal of Techniques, 6(1), 85–92. https://doi.org/10.1080/10888438.2022.2115914
13. Jing, W., Yu, E. L. X., & Motevalli, S. (2023). A Comparison Between Cognitive Assessment and Neurobiology Technology Assessment of Dyslexia: A. literature review. International Journal of Academic Research in Business and Social Sciences, 13(4), 976–986. https://doi.org/10.6007/IJARBSS/v13-i4/16632
14. Kaisar, S. (2020). Developmental dyslexia detection using machine learning techniques: A survey. ICT Express, 6(3), 181–184. https://doi.org/10.1016/j.icte.2020.05.006
15. Khan, R. U., Cheng, J. L. A., & Bee, O. Y. (2018). Machine learning and Dyslexia: Diagnostic and classification system (DCS) for kids with learning disabilities. International Journal of Engineering & Technology, 7(3.18), 97–100. https://doi.org/10.14419/ijet.v7i3.18.19022
16. Khanzadi, M., Veisi, H., Alinaghizade, R., & Soleymani, Z. (2022). Persian phoneme and syllable recognition using recurrent neural networks for phonological awareness assessment. Journal of AI and Data Mining, 10(1), 117–126. https://doi.org/10.22044/jadm.2022.11185.2268
17. Nevisi, Z., Shiri, M. E., & Minaei, B. (2017). Designing an intelligent computer game for prediction of dyslexia based on cognitive science. Technology of Education Journal (TEJ), 12(3), 219–229. [In Persian] https://doi.org/10.22061/jte.2018.2148.1732
18. Radford, J., Richard, G., Richard, H., & Serrurier, M. (2021, January). Detecting Dyslexia from Audio Records: An AI Approach. In HEALTHINF (pp. 58–66). https://doi.org/10.5220/0010196000580066
19. Ribeiro, F.M., Pereira, A.R., Paiva, D.M.B., Alves, L.M., Bianchi, A.G.C. (2021). Extraction of Speech Features and Alignment to Detect Early Dyslexia Evidences. In International Conference on Enterprise Information Systems (pp. 317-335). Cham: Springer International Publishing. https://doi.org/10.1007/978-3-030-75418-1_15
20. Richard, G., & Serrurier, M. (2020). Dyslexia and Dysgraphia prediction: A new machine learning approach. arXiv preprint arXiv:2005.06401. https://doi.org/10.48550/arXiv.2005.0640
21. Rogers, H. P., Hseu, A., Kim, J., Silberholz, E., Jo, S., Dorste, A., & Jenkins, K. (2024). Voice as a biomarker of pediatric health: a scoping review. Children, 11(6), 684. https://doi.org/10.3390/children11060684
22. Salimi-Teimouri, B (2007). The Effect of the Delacato Neuro-Therapy Method on Developmental Dyslexia in Female Elementary School Students in Borujerd County during the 2006–2007 Academic Year. [Master's thesis, Tarbiat Moallem University, Tehran, Iran]. [In Persian]
23. Smyrnakis, I., Andreadakis, V., Selimis, V., Kalaitzakis, M., Bachourou, T., Kaloutsakis, G., ... & Aslanides, I. M. (2017). RADAR: A novel fast-screening method for reading difficulties with special focus on dyslexia. PloS one, 12(8), e0182597. https://doi.org/10.1371/journal.pone.0182597
24. Taş, T., Bülbül, M. A., Haşimoğlu, A., Meral, Y., Çalişkan, Y., Budagova, G., & Kutlu, M. (2023). A machine learning approach for dyslexia detection using Turkish audio records. Turkish Journal of Electrical Engineering and Computer Sciences, 31(5), 892–907. https://doi.org/10.55730/1300-0632.4024
25. Tsolia, M., Zygouris, N. C., Kamnis, S., Styliaras, S. K., Beazidou, E., & Stamouli, V. (2026). AI-Assisted Screening of Oral Reading in Primary School: Using Short Recordings to Flag Reading Difficulty in Greek Pupils. Digital, 6(1), 15. https://doi.org/10.3390/digital6010015
26. Yang, L., Li, C., Li, X., Zhai, M., An, Q., Zhang, Y., ... & Weng, X. (2022). Prevalence of developmental dyslexia in primary school children: A systematic review and meta-analysis. Brain sciences, 12(2), 240. https://doi.org/10.3390/brainsci12020240
27. Žabkar, J., Urankar, T., Javornik, K., & Babuder, M. K. (2023). Identifying reading fluency in pupils with and without dyslexia using a machine learning model on texts assessed with a readability application. Center for Educational Policy Studies Journal, 13(4), 233–256. https://doi.org/10.26529/cepsj.1367
28. Zarei, M., Mohebbi, M., Gholamalinejad, F; and Rostami, R (2021). Diagnosis of dyslexia using brain evoked potential analysis based on machine learning techniques. The 5th International Conference on Electrical, Computer and Mechanical Engineering, Tehran. [In Persian] https://civilica.com/doc/1452409
29. Zingoni, A., Taborri, J., & Calabrò, G. (2024). A machine learning-based classification model to support university students with dyslexia with personalized tools and strategies. Scientific reports, 14(1), 273. https://doi.org/10.1038/s41598-023-50879-7

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
این مقاله تحت شرایط مجوز کرییتیو کامنز (CC BY-NC-ND) قابل بازنشر است.

کلیه حقوق این وبگاه متعلق به مجله علوم روانشناختی است.

طراحی و برنامه‌نویسی : یکتاوب افزار شرق

© 2026 CC BY-NC-ND 4.0 | Journal of Psychological Science

Designed & Developed by : Yektaweb

Creative Commons License
This work is licensed under the Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0)