Early screening of dyslexia using a language-independent content game and machine learning

Abstract

Els nens amb dislèxia tenen dificultats per aprendre a llegir i escriure. Sovint se'ls diagnostica després de fallar a l'escola, encara que la dislèxia no estigui relacionada amb la intel·ligència general. En aquesta tesi, presentem un enfocament per a la selecció prèvia de la dislèxia mitjançant un joc independent del llenguatge en combinació amb models d’aprenentatge automàtic formats amb les dades d’interacció. Abans volem dir abans que els nens aprenguin a llegir i escriure.

Per assolir aquest objectiu, vam dissenyar el contingut del joc amb el coneixement de l'anàlisi de paraules d'error de persones amb dislèxia en diferents idiomes i els paràmetres relacionats amb la dislèxia com la percepció auditiva i la percepció visual. Amb els nostres dos jocs dissenyats (MusVis i DGames) vam recollir conjunts de dades (313 i 137 participants) en diferents idiomes (principalment espanyols i alemanys) i els vam avaluar amb classificadors d'aprenentatge automàtic. Per a MusVis utilitzem principalment contingut que fa referència a un únic indicador acústic o visual, mentre que el contingut de DGames fa referència a diversos indicadors (també contingut genèric). El nostre mètode proporciona una precisió de 0,74 per a l'alemany i 0,69 per a espanyol i una puntuació de F1 de 0,75 per a alemany i de 0,75 per a espanyol a MusVis quan s'utilitzen arbres extraestats. DGames es va avaluar principalment amb alemany i obté la màxima precisió de 0,67 i la màxima puntuació de F1 de 0,74. Els nostres resultats obren la possibilitat de la dislèxia de detecció precoç a baixos costos ia través del web.

Children with dyslexia have difficulties in learning how to read and write. They are often diagnosed after they fail in school, even though dyslexia is not related to general intelligence. In this thesis, we present an approach for earlier screening of dyslexia using a language-independent game in combination with machine learning models trained with the interaction data. By earlier we mean before children learn how to read and write.

To reach this goal, we designed the game content with knowledge of the analysis of word errors from people with dyslexia in different languages and the parameters reported to be related to dyslexia, such as auditory and visual perception. With our two designed games (MusVis and DGames) we collected data sets (313 and 137 participants) in different languages (mainly Spanish and German) and evaluated them with machine learning classifiers. For MusVis we mainly use content that refers to one single acoustic or visual indicator, while DGames content refers to generic content related to various indicators. Our method provides an accuracy of 0.74 for German and 0.69 for Spanish and F1-scores of 0.75 for German and 0.75 for Spanish in MusVis when Random Forest and Extra Trees are used in . DGames was mainly evaluated with German and reached a peak accuracy of 0.67 and a peak F1-score of 0.74. Our results open the possibility of low-cost and early screening of dyslexia through the Web.

Los niños con dislexia tienen dificultades para aprender a leer y escribir. A menudo se les diagnostica después de fracasar en la escuela, incluso aunque la dislexia no está relacionada con la inteligencia general. En esta tesis, presentamos un enfoque para la detección temprana de la dislexia utilizando un juego independiente del idioma en combinación con modelos de aprendizaje automático entrenados con los datos de la interacción. Temprana aquí significa antes que los niños aprenden a leer y escribir.

Para alcanzar este objetivo, diseñamos el contenido del juego con el conocimiento del análisis de las palabras de error de las personas con dislexia en diferentes idiomas y los parámetros reportados relacionados con la dislexia, tales como la percepción auditiva y la percepción visual. Con nuestros dos juegos diseñados (MusVis y DGames) recogimos conjuntos de datos (313 y 137 participantes) en diferentes idiomas (principalmente español y alemán) y los evaluamos con clasificadores de aprendizaje automático. Para MusVis utilizamos principalmente contenido que se refiere a un único indicador acústico o visual, mientras que el contenido de DGames se refiere a varios indicadores (también contenido genérico). Nuestro método proporciona una exactitud de 0,74 para alemán y 0,69 para español y una puntuación F1 de 0,75 para alemán y 0,75 para español en MusVis cuando se utilizan Random Forest y Extra Trees. DGames fue evaluado principalmente con alemán y obtiene una exactitud de 0,67 y una puntuación F1 de 0,74. Nuestros resultados abren la posibilidad de una detección precoz y de bajo coste de la dislexia a través de la Web