[論文レビュー] Dyslexia and Dysgraphia prediction: A new machine learning approach

Gilles Richard, Mathieu Serrurier|arXiv (Cornell University)|Apr 15, 2020

Text Readability and Simplification参考文献 15被引用数 8

ひとこと要約

本稿では、手書きのテキスト画像と単語の読み上げ音声記録からの簡単な特徴量を用いて、非侵襲的な機械学習手法により読み書き障害（ディスレクシアおよびディスグラフィー）を予測する手法を提案する。32名の子供を対象に訓練したモデルは、SVMを用いて78.5％の正答率を達成し、低コストでスケーラブルなスクリーニングツールの可能性を示している。

ABSTRACT

Learning disabilities like dysgraphia, dyslexia, dyspraxia, etc. interfere with academic achievements but have also long terms consequences beyond the academic time. It is widely admitted that between 5% to 10% of the world population is subject to this kind of disabilities. For assessing such disabilities in early childhood, children have to solve a battery of tests. Human experts score these tests, and decide whether the children require specific education strategy on the basis of their marks. The assessment can be lengthy, costly and emotionally painful. In this paper, we investigate how Artificial Intelligence can help in automating this assessment. Gathering a dataset of handwritten text pictures and audio recordings, both from standard children and from dyslexic and/or dysgraphic children, we apply machine learning techniques for classification in order to analyze the differences between dyslexic/dysgraphic and standard readers/writers and to build a model. The model is trained on simple features obtained by analysing the pictures and the audio files. Our preliminary implementation shows relatively high performances on the dataset we have used. This suggests the possibility to screen dyslexia and dysgraphia via non-invasive methods in an accurate way as soon as enough data are available.

研究の動機と目的

• 機械学習を用いて、低コストで非侵襲的なスクリーニングツールを開発すること。
• 人間の専門家による長時間にわたる、高コストで精神的負担の大きい評価に依存するのを減らすこと。
• 手書きのテキストおよび音声記録からの簡単な特徴量を活用して、早期発見を実現すること。
• 特に支援が不足している地域のコミュニティを含め、広範な人口にわたる学習障害のスクリーニングのアクセス性を向上させること。
• 最小限のデータと標準的なデバイスを用いた自動化された事前評価の実現可能性を検討すること。

提案手法

• ディスレクシア／ディスグラフィーを有する子供および標準的な読書者を含む32名の子供から、手書きのテキスト画像および単語の読み上げ音声記録を収集した。
• 画像（手書きのパターン）および音声ファイル（発音、読みやすさ）から、簡単で手作業による特徴量を抽出した。
• 二値分類アルゴリズムとしてサポートベクターマシン（SVM）を適用し、ディスレクシア／ディスグラフィーを有する子供と標準的な子供を区別した。
• 実世界の90対10の人口比とは対照的に、ディスレクシアと非ディスレクシアの子供を50対50のバランスの取れた分割で訓練した。
• 特徴量工学、モデル訓練、および評価の標準的な機械学習パイプラインを用い、正答率、適合率、再現率、F1スコアを用いて評価した。
• 低コストのデバイスへの展開を可能にするために、最小限の前処理に焦点を当て、複雑なディープラーニングや侵襲的な神経画像法を避けることを目指した。

実験結果

リサーチクエスチョン

• RQ1 手書きおよび音声データのみを用いて、機械学習がディスレクシア／ディスグラフィーを有する子供と標準的な子供を正確に区別できるか？
• RQ2 侵襲的または専門家による評価と比較して、単純な特徴量ベースの機械学習モデルはどの程度効果的か？
• RQ3 非侵襲的で低コストなスクリーニングシステムは、早期発見において臨床的に意味のある正答率を達成できるか？
• RQ4 バランスの取れたデータセットと実世界の人口比の両方で訓練した場合、モデルの性能にどのような差が生じるか？
• RQ5 神経画像法や眼動追跡を用いずに、手書きおよび発話の簡単な特徴量が学習障害をどの程度正確に予測できるか？

主な発見

• 提案された機械学習モデルは、32名のバランスの取れたデータセット上で78.5％の正答率を達成し、適合率、再現率、F1スコアともに0.78であった。
• 一部の神経画像法ベースのモデルよりも正答率は低かったが、EEG や fMRI などの侵襲的手段に比べて実用性とコストの点で優れていた。
• 手書きおよび音声記録からの簡単な特徴量が、ディスレクシア／ディスグラフィーを有する子供と標準的な子供との違いを効果的に捉えられることを示唆している。
• EEG や神経画像法に比べて著しく侵襲的でないため、大規模なスクリーニング用途に適している。
• バランスの取れたデータセットで訓練したモデルの性能は、事前スクリーニングの強力な可能性を示しているが、実世界の90対10の人口比への一般化は依然として課題である。
• データ拡張やディープラーニングの活用による今後の改善で、さらなる正答率の向上とスケーラビリティの向上が期待できる。