بررسی دقت و حساسیت سامانه هوشمند غربالگر در پیش‌بینی کودکان مستعد اختلالات عصبی-تحولی (نقص توجه-بیش‌فعالی و نارساخوانی)

نویسندگان

1 دانشکده روانشناسی دانشگاه تهران

2 استاد ممتاز روان‌شناسی کودکان استثنایی، دانشگاه تهران

10.22098/jld.2020.1046

چکیده

هدف از این پژوهش بررسی دقت، حساسیت و اختصاصی بودن سامانه غربالگر هوشمند طراحی شده برای پیش‌بینی کودکان پیش‌دبستانی مستعد اختلالات عصبی-تحولی رایج (نقص توجه-بیش‌فعالی و نارساخوانی) است. برای جمع‌آوری داده، از روش پژوهش پیمایشی از نوع ارزیابی و تشخیص استفاده شد. بدین منظور کودکان پیش‌دبستانی به روش خوشه‌ای تصادفی انتخاب شدند و برنامة رایانه‌ای عصبی-شناختی طراحی شده توسط دلاوریان و همکاران را انجام دادند. داده‌های مربوط به هر یک از نمونه‌ها به مدت دو سال تا تشخیص قطعی، در فایل‌های اکسل ذخیره شد. این داده‌ها برای طراحی شبکه غربالگر هوشمند با استفاده از الگوریتم شبکة عصبی چند لایة پرسپترون استفاده شدند. در نهایت دقت سامانه هوشمند طراحی شده، 94% و حساسیت و اختصاصی بودن آن در غربالگری کودکان مستعد اختلالات مذکور به ترتیب، 45/93% و 27/95% به­دست آمد. با توجه به دقت و حساسیت بالایِ کسب شده می‌توان از این غربالگر با اطمینان بالا، جهت تشخیص زودهنگام کودکان مستعد اختلالات مذکور پیش از ورود به دبستان استفاده کرد.

کلیدواژه‌ها

عنوان مقاله [English]

Investigating the accuracy and sensitivity of the intelligent screener system to predict children at risk of neurodevelopmental disorders (attention deficit-hyperactivity disorder and dyslexia)

نویسندگان [English]

  • M Delavarian 1
  • Gh Afrooz 2
1 PhD in Psychology, Post doc in Neuropsychology , Tehran university
2 Distinguished Professor of Exceptional Child psychology, Tehran university
چکیده [English]

The aim of this research was toinvestigate the accuracy, sensitivity and specificity of the designed intelligent screener system to predict pre-schoolers at risk of common neurodevelopmental disorders (attention deficit-hyperactivity disorder and dyslexia). For data collection, survey research method of evaluation and diagnosis was used.To do so, preschool children were selected by random cluster sampling and the computerized neuro-cognitive program designed by Delavarian et al. was applied for data collection. The data related to each sample was saved for two years, until the definite diagnosis was determined. These data was applied in designing an intelligent screener. Multilayer perceptron artificial neural network was appliedfor designing this screener. Finally, the average accuracy of this intelligent screener obtained 94 % and the sensitivity and specificity in screening at risk pre-schoolers reached 93.45% and 95.27%, respectively. According to the acquired high accuracy, sensitivity and specificity, this screener could be used in prediction of pre-schoolers at risk of the mentioned disorders before entering to elementary school.

کلیدواژه‌ها [English]

  • dyslexia
  • attention deficit-hyperactivity disorder
  • artificial neural network
  • neuro-cognitive program
  • screening

مراجع

افروز، غلامعلی. (1392). اختلالات یادگیری. چاپ پانزدهم، انتشارات دانشگاه پیام نور، تهران، ایران.
دلاوریان، مونا؛ نایبی، الهه؛ دیباج‌نیا، پروین؛ افروز، غلامعلی؛ غریب‌زاده، شهریار و توحیدخواه، فرزاد. (1394). طراحی سیستم افتراق دهنده دقیق کودکان با اختلال نقص توجه-بیش فعالی از کودکان با اختلال رفتار مقابله‌ای با استفاده از شبکه عصبی مصنوعی. فصلنامه طب توانبخشی، 4 (2)، 90-98.
توحیدخواه، فرزاد و یاوری، فاطمه. (1393). کاربرد فناوری اطلاعات در پزشکی. انتشارات دانشگاه صنعتی امیرکبیر (پلی‌تکنیک تهران)، تهران، ایران.
دلاوریان، مونا؛ افروز، غلامعلی؛ توحیدخواه، فرزاد و رسول زاده طباطبایی، سیدکاظم. (1393). طراحی برنامة عصبی شناختی رایانه- محور جهت اندازه‌گیری و بررسی حافظه فعال با هدف غربالگری کودکان در معرض اختلال خواندن یا دیسلکسیا، فصلنامه. علمی-پژوهشی طب توانبخشی، (3) 5، 83-75.
دلاوریان، مونا؛ افروز، غلامعلی؛ توحیدخواه، فرزاد و رسول­زاده طباطبایی، سیدکاظم (1394). مقایسة حافطة فعال دیداری و شنیداری کودکان مستعد دیسلکسیا با کودکان بهنجار: توسط برنامة عصبی-شناختی طراحی شده. مجله­ی ناتوانی‌های یادگیری، (2)5، 43-53.
رجبی، سعید؛ ابوالقاسمی، عباس؛ نریمانی، محمد و قائمی، فاطمه. (1391). اثربخشی آموزش کنترل تکانه بر خودکارآمدی و ابعاد آن در دانش‌آموزان دارای نشانه های ADHD. مجله­ی روان شناسی مدرسه، 1(4)، 57-33.
زاغیان، مهشید؛ عابدی، احمد و فرامرزی، سالار. (1391). مقایسه نیمرخ حافظه فعال دانش‌آموزان عادی با دانش‌آموزان دارای ناتوانی یادگیری خواندن و اختلال نقص توجه-بیش فعالی. چهارمینهمایش بین  المللیروانپزشکیکودکانونوجوانان.
زارع، حسین؛ امیری آهویی؛ فرزانه و تاراج، شیرین. (1388). تأثیر بازی‌های آموزشی بر حافظه کوتاه مدت و املای دانش‌آموزان پایه ابتدایی با ناتوانیی‌های ویژه یادگیری. فصلنامه کودکان استثنایی، 9 (4)، 367-374.
شکوهی یکتا، محسن؛ لطفی، صلاح‏الدین؛ رستمی، رضا؛ ارجمندنیا، علی‏اکبر؛ معتمد یگانه، نگین و شریفی، علی. (1393). اثربخشی تمرین رایانه‌ای شناختی بر عملکرد حافظة فعال کودکان نارساخوان. شنوایی‌شناسی، (3) 23، 56-46.
کیانی، بهناز و هادیان فرد، حبیب. (1395). تأثیر درمان مبتنی بر آموزش مراقبه ذهن آگاهی بر بی نظمی هیجانی در نوجوانان ADHD غیر بالینی. مجله­یروان شناسی مدرسه، 5(1)، 138-118.
غیاثی گیشی، مهدی؛ مشهدی، علی و غنائی چمن آباد، علی. (1397). اثربخشی آموزش کنش‌های اجرایی و نوروفیدبک بر ارتقاء عملکرد تحصیلی دانش‌آموزان. مجله­ی روان شناسی مدرسه، 7(2)، 177-195.
مرادیان، زهرا؛ مشهدی، علی؛ آقامحمدیان، حمیدرضا و اصغری نکاح، سید محسن. (1393). اثربخشی قصه درمانی مبتنی بر کنش‌های اجرایی بر بهبود بازداری و برنامه‌ریزی/سازماندهی دانش‌آموزان مبتلا به اختلال نارسایی توجه/فزون‌کنشی. مجله­ی روان شناسی مدرسه، 3(2)، 186-204.
نریمانی، محمد؛ سلیمانی، اسماعیل و تبریزچی، نرگس. (1394). بررسی تأثیر توانبخشی شناختی بر بهبود نگهداری توجه و پیشرفت تحصیلی ریاضی دانش آموزان دارای اختلال ADHD. مجله‌ی روان شناسی مدرسه، 4(2)، 134-118.
نریمانی، محمد؛ شاهعلی، اعظم و کیامرثی، آذر. (1393). اثربخشی آموزش مدیریت والدین بر انگیزش تحصیلی دانش‌آموزان مبتلا به اختلال بیش فعالی/کم توجهی. مجله­ی روان شناسی مدرسه، 3(4)، 142-128.
Altay, O. & Ulas, M. (2018). Prediction of the autism spectrum disorder diagnosis with linear discriminant analysis classifier and K-nearest neighbor in children. In 2018 6th International Symposium on Digital Forensic and Security (ISDFS) (pp. 1-4). IEEE.
American psychiatric Association (2013). Diagnostic and Statistical Manual of Mental Disorders, Fifth Edition (DSM-V).
Afrooz, G. A. (2014). Learning Disorders. 15 th. Payam Noor, Tehran, Iran. (Persian).
Bayram, S. Camnalbur, M. & Esgin, E. (2012). Analysis of dyslexic students’ reading disorder with eye movement Tracking. Cypriot Journal of Educational Sciences, 7(2), 129-148.
Biswas, S. D. Chakraborty, R. & Pramanik, A. (2020). A Brief Survey on Various Prediction Models for Detection of ADHD from Brain-MRI Images. In Proceedings of the 21st International Conference on Distributed Computing and Networking, 1-5.
Carnine, L & Carnine, C. (2004). The interaction of reading skills and science content knowledge when teaching struggling secondary students. Reading & Writing Quarterly, 20, 203–218.
Chiappedi, M. Zoppello, M. Rossi, R. Scarabello, EM & Piazza, F. (2007). Specific learning disabilities and psychopathological aspects: the importance of early diagnosis. Minerva Pediatrica, 59 (3), 281-287.
Christo, C. Davis, J.M. & Brock, S.E. (2009). Identifying, assessing and treating dyslexia at school. Springer Verlag.
Delavarian, M. Afrooz, G. Towhidkhah, F. & Rasoolzadeh Tabatabaei, K. (2016). Designing a computer-based neuro-          cognitive program for measurement and evaluation of working memory to screen children at risk for reading disorder. The Scientific Journal of Rehabilitation Medicine, 5(3), 75-83. (Persian).
Delavarian, M. Afrooz, G. Towhidkhah, F. & Rasoolzadeh Tabatabaei, K (2016). The comparison of visual and auditory working memory between children at risk of dyslexia and normal readers: through designed neuro-cognitive program, Journal of Learning Disabilities, 5(2), 43-53. (Persian).
Delavarian, M. Nayebi, E. Dibajnia, P. Afrooz, G. A. Gharibzadeh, S. & Towhidkhah, F. (2015). Designing an accurate          system for differentiating children with attention deficit-hyperactivity disorder from oppositional defiant disorder by using artificial neural network. The Scientific Journal of Rehabilitation Medicine, 4(1), 90-98. (Persian.)
Delavarian, M. Towhidkhah, F. Gharibzadeh, S & Dibajnia, P. (2011). Automatic classification of hyperactive children: comparing multiple artificial intelligence approaches. Neuroscience Letters, 12, 498(3), 190-193.
Delavarian, M. Towhidkhah, F. Dibajnia, P & Gharibzadeh, S. (2012). Designing a decision support system for distinguishing ADHD from similar children behavioral disorders. Journal of Medical Systems, 36(3), 1335-1343.
Dreyfus G. (2005). Neural networks: an overview. Neural networks methodology and applications (EBook), 497.
Facoetti, A. Paganoni, P. Turatto, M. Marzola, V. & Mascetti, G. G. (2000). Visual-spatial attention in developmental dyslexia. Cortex, 36 (1), 109-123.
Frieden, L. (2004). Improving outcomes for students with disabilities. Washhington, DC: National Council on Disabilities.
Ghiyasi, M., Mashhadi, A. & Ghanaei Chaman Abad, A. (2018). The effectiveness of executive-function training and neuro-feedback on improving students’ academic performance. Journal of School Psychology, 7(2), 177-195. (Persian).
Glazzard, J. (2010). The impact of dyslexia on pupils’ self-esteem. Support for learning, 25 (2), 63-69.
Jamhar, M. A. Salwana, E. Zulkifli, Z. Nayan, N. M. & Abdullah, N. (2019). Prediction of Learning Disorder: A-Systematic Review. In International Visual Informatics Conference, 429-440.
Kecman, V. (2001). Learning and soft computing: support vector machines, neural networks, and fuzzy logic models. MIT     press.
Kiani, B. & Hadianfard, H. (2016). The impact of therapy based on mindfulness meditation training on emotion dysregulation in subclinical ADHD adolescents. Journal of School Psychology, 5(1), 118-138. (Persian).
Kershner, J. R. (2015). A Mini-Review: Toward a Comprehensive Theory of Dyslexia, Journal of Neurology and      Neuroscience.
Manghirmalani, P. More, D. & Jain, K. (2012). A fuzzy approach to classify learning disability. International journal of advanced research in artificial intelligence, 1(2).
Manghirmalani, P. Panthaky, Z. Jain, K. (2011). Learning disability diagnosis and classification- a soft computing approach. IEEE World Congress on Information and Communication Technologies (WICT).
Murias, M. Swanson, J. M. & Srinivasan, R. (2007). Functional connectivity of frontal cortex in healthy and ADHD children reflected in EEG coherence. Cerebral Cortex, 17(8), 1788-1799.
Moradian, Z., Mashhadi, A., Aghamohammadian, H., Asghari Nekah, M. (2014). The effectiveness of narrative therapy based on executive functions on the improvement of inhibition and planning/organizing performance of student with ADHD. Journal of School Psychology, 3(2), 186-204. (Persian).
Narimani, N., Shahali, A. & Kiamarsi, A. (2015). The effectiveness of parent management training on educational motivation in students with attention deficit / hyperactivity disorder. Journal of School Psychology, 3(4), 128-142. (Persian).
Narimani, M., Soleymani, E. & Tabrizchi, N. (2015). The effect of cognitive rehabilitation on attention maintenance and math achievement in ADHD students. Journal of School Psychology, 4(2), 118-134. (Persian).
Nayan, N. M. & Abdullah, N. (2019). Prediction of Learning Disorder: A-Systematic Review. In Advances in Visual          Informatics: 6th International Visual Informatics Conference, IVIC 2019, Bangi, Malaysia, November 19–21, 2019, Proceedings, 429.
Nik Mat, N.S.F. Nor Wan Shamsuddin, S. Husain, R. Makhtar, M. Wan Isa, W.M & Susilawati Mohamad, F. (2014). A Conceptual Framework for Designing a Computer-based Dyslexia Screening Test. Proceedings of the Third               International Conference on Informatics & Applications, Kuala Terengganu, Malaysia.
Özyılmaz L. & Yıldırım T. (2003). Artificial Neural Networks for Diagnosis of Hepatitis Disease. In International Joint          Conference on Neural Networks, 1, 586–589.
Pierce, J. S. Hostutler, C & Watson, T. S. (2012). A pilot study using a computer-based rule following task to distinguish adolescents with and without a behavior disorder. Computers in Human Behavior, 28, 1103–1108
Price, R. K. Spitznagel, E. L. Downey, T. J. Meyer, D. J. Risk, N. K. & El-Ghazzawy, O. G. (2000). Applying artificial neural network models to clinical decision making. Psychological Assessment, 12, 40–51.
Protopapas, A. Skaloumbakas, C. & Bali, P. (2008). Validation of Unsupervised Computer-Based Screening for Reading          Disability in Greek Elementary Grades 3 and 4. Learning Disabilities: A Contemporary Journal, 6(1), 45-69.
Rajabi, S., Abolghasemi, A., Narimani, M. & Ghaemi, F. (2013). The effectiveness of impulse control training on the selfefficacy of students with ADHD symptoms. Journal of School Psychology, 1(4), 57-73. (Persian).
Roid G. H, Tipish A, Pamplin, Z. & Master, F. J. (2011). A review of Stanford-Binet intelligence scales, 5th Ed for use with learning disabilities children. The Journal of Social Psychology, 36(29), 296-302.
Rutter, M. (1967). A children's behaviour questionnaire for completion by teachers: preliminary findings. Journal of Child Psychology and Psychiatry, 8, 1-11
Sadock, B. J. & Sadock, V. A. (2011). Kaplan and Sadock's synopsis of psychiatry: Behavioral sciences/clinical psychiatry. Lippincott Williams & Wilkins.
Shokoohi-Yekta, M. Salahadin Lotfi, S. Reza Rostami, R. Akbar Arjmandnia, A. Motamed-Yeganeh, N. & Sharifi, A. (2014). The effectiveness of computerized cognitive training on the working memory performance of children with dyslexia. Audiol, 23(3), 46-56. (Persian).
Singleton, C. H. Vincent, D. (2004). Assessing literacy: current challenges and issues. Journal of Research in Reading, 27, 113-117.
Towhidkhah, F. & Yavari, F. (2014). Application of Information Technology in Medicine. Publication of University of  Amirkabir (Tehran Polytechnic), Tehran, Iran.
Underwood, E. (2013). Family Brain Connections in Dyslexia. Science, 1126.
Van Dyke, J. A. Johns, C.L. & Kukona, A. (2014). Low working memory capacity is only spuriously related to poor reading comprehension. Cognition, 131, 373–403.
Vidyasagar, N & Bhogle, S. (2015). ART: A Cognitive Screening Tool for Reading and Arithmetic Difficulties. The International Journal of Indian Psychology, 2(4), 7-19
Wu, T. K. Meng, Y. R. & Huang, S. C. (2006). Identifying & Diagnosing Students with LD Using ANN &SVM. IEEE International Joint Conference on Neural Networks, Vancouver, BC.
Yazdani, F. Akbarfahimi, M. Hassani Mehraban, A. Jalaei, Sh. & Torabi-nami, M. (2015). A computer-based selective visual attention test for first-grade school children: design, development and psychometric properties. Medical journal of Islamic Repulic of Iran, 29, 184-195.
Zaghian, M. Tofighi, Z. & Azad, M. A. (2015). Effectiveness of Working Memory Training on the Reading Performance of Elementary Students with Learning Disabilities in Reading, 3(2), 112-119. MAGNT Research Report. (Persian).
Zeiger, V.M. (2008). Screening for autism spectrum disorders pediatric eight years after publication of practice guidelines. Doctoral Dissertation: Indiana university of Pennsylvania.
Zare, H. Amiri, F. Taraj. Sh. (2010). The effect of educational games on short-term memory and dictation of Primary school students with specific learning disabilities. Journal of Exceptional Children, 9(4), 367-374. (Persian).

 

 

فایل ها

هم رسانی

ارجاع به این مقاله

آمار