[논문 리뷰] Dyslexia and Dysgraphia prediction: A new machine learning approach

Gilles Richard, Mathieu Serrurier|arXiv (Cornell University)|2020. 04. 15.

Text Readability and Simplification참고 문헌 15인용 수 8

한 줄 요약

이 논문은 손글씨 이미지와 단어 읽기 음성 녹음에서 간단한 특징을 사용하여 비침습적인 기계학습 기반 접근법을 제안한다. 이는 난독증과 난독성을 예측하기 위한 것이다. 32명의 어린이로 구성된 데이터셋으로 훈련된 모델는 SVM를 사용하여 78.5%의 정확도를 달성하였으며, 저비용이고 확장 가능한 筛查 도구의 잠재력을 보여주었다.

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.

연구 동기 및 목표

• 기계학습을 활용해 난독증과 난독성에 대한 저비용, 비침습적 선별 도구를 개발하기 위해.
• 인간 전문가가 수행하는 장기적이고 비용이 많이 들며 정서적으로 부담스러운 평가에 대한 의존도를 줄이기 위해.
• 조기 발견을 위해 손글씨 및 음성 녹음에서 유도된 간단한 특징을 활용하기 위해.
• 특히 취약한 지역 사회에서 학습장애 선별의 접근성을 향상시키기 위해.
• 최소한의 데이터와 일반 장치를 사용한 자동화된 사전 평가의 가능성 탐색을 위해.

제안 방법

• 난독증/난독성 환자 및 표준 독자 포함 32명의 어린이로부터 손글씨 이미지와 단어 읽기 음성 녹음을 수집하였다.
• 이미지에서 특징(손글씨 패턴)과 음성 파일에서 특징(발음, 독서 유창성)을 간단하고 수작업으로 추출하였다.
• 이중 분류 알고리즘으로서 지지벡터기계(SVM)를 적용하여 난독증/난독성 어린이와 표준 어린이를 구분하였다.
• 실제 세계의 90/10 인구 비율과는 다르게, 난독증 및 비난독증 어린이를 50/50 비율로 균형 잡힌 데이터셋으로 모델을 훈련시켰다.
• 정확도, 정밀도, 재현율, F1 점수를 사용한 평가를 포함한 표준 기계학습 파ip라인(특징 공학, 모델 훈련, 평가)을 적용하였다.
• 저비용 장치에의 구현을 가능하게 하기 위해 복잡한 딥러닝이나 침습적인 뇌영상 기법을 피하기 위해 최소한의 전처리에 집중하였다.

실험 결과

연구 질문

• RQ1 기계학습이 손글씨 및 음성 데이터만을 사용하여 난독증/난독성 어린이와 표준 어린이를 정확히 구분할 수 있는가?
• RQ2 침습적이거나 전문가 기반 평가에 비해 단순한 특징 기반 기계학습 모델은 얼마나 효과적인가?
• RQ3 비침습적, 저비용의 선별 시스템이 조기 발견을 위한 임상적으로 유의미한 정확도를 달성할 수 있는가?
• RQ4 균형 잡힌 데이터셋으로 훈련한 모델의 성능은 실제 인구 비율(90/10)에 비해 어떻게 달라지는가?
• RQ5 뇌영상이나 눈동자 추적 기술 없이도 손글씨 및 언어 특징의 단순한 특징이 학습장애를 얼마나 잘 예측할 수 있는가?

주요 결과

• 제안된 기계학습 모델은 32명의 어린이로 구성된 균형 잡힌 데이터셋에서 78.5%의 정확도를 달성하였으며, 정밀도, 재현율, F1 점수 모두 0.78였다.
• 일부 뇌영상 기반 모델보다 정확도는 낮지만, EEG나 fMRI와 같은 침습적인 방법에 비해 실용성과 비용 측면에서 뛰어나다.
• 손글씨 및 음성 녹음에서 유도된 단순한 특징이 난독증/난독성 어린이와 표준 어린이 간의 차이를 효과적으로 포착할 수 있다.
• EEG나 뇌영상에 비해 훨씬 비침습적이므로, 대규모 선별 응용에 더 적합하다.
• 균형 잡힌 데이터셋에서의 모델 성능은 사전 선별에 강력한 잠재력을 보이며, 실제 90/10 인구 비율로의 일반화는 여전히 도전 과제이다.
• 데이터 확장 및 딥러닝을 통한未래 개선을 통해 정확도와 확장성을 더욱 향상시킬 수 있다.