AI: Οφθαλμική Ιχνηλάτηση για τον Εντοπισμό της Δυσλεξίας
Η δυσλεξία αποτελεί μία από τις πιο συχνές μαθησιακές δυσκολίες, επηρεάζοντας περίπου το 5–10% του μαθητικού πληθυσμού παγκοσμίως. Πρόκειται για μια νευροβιολογικής φύσης διαταραχή η οποία συνδέεται με δυσκολίες στην αναγνώριση λέξεων, την ορθογραφία και την ανάγνωση.
Ένα από τα βασικά προβλήματα στον χώρο της εκπαίδευσης είναι ο έγκαιρος εντοπισμός της, καθώς πολλοί μαθητές διαγιγνώσκονται σε μεγαλύτερες τάξεις, όταν οι δυσκολίες έχουν ήδη επηρεάσει την αυτοπεποίθηση και την πρόοδό τους.
Τα τελευταία χρόνια, η ΑΙ (Artificial Intelligence) και η οφθαλμική ιχνηλάτηση (eye-tracking) προσφέρουν καινοτόμες μεθόδους για τον εντοπισμό της δυσλεξίας. Πράγματι, η μελέτη των οφθαλμικών κινήσεων κατά την ανάγνωση δίνει πολύτιμες πληροφορίες για τον τρόπο με τον οποίο ο εγκέφαλος επεξεργάζεται τη γλώσσα. Έτσι, η συνδυαστική αξιοποίηση αυτών των δεδομένων με αλγορίθμους μηχανικής μάθησης ενδέχεται να αποτελέσει μια επαναστατική προσέγγιση στην εκπαιδευτική διάγνωση.
Η κίνηση των ματιών ως «παράθυρο» στη γνωστική επεξεργασία
Κατά την ανάγνωση, τα μάτια δεν κινούνται ομαλά, αλλά εναλλάσσονται μεταξύ μικρών σταθερών σημείων εστίασης (fixations) και γρήγορων κινήσεων (saccades). Στους τυπικούς αναγνώστες, οι κινήσεις αυτές ακολουθούν ένα σχετικά προβλέψιμο μοτίβο: σύντομες εστιάσεις, σταθερός ρυθμός και περιορισμένες επιστροφές σε προηγούμενες λέξεις.
Αντίθετα, οι μαθητές με δυσλεξία συχνά παρουσιάζουν περισσότερες και μεγαλύτερης διάρκειας εστιάσεις, ακανόνιστες γρήγορες κινήσεις και αυξημένες επιστροφές στις προηγούμενες λέξεις.
Η χαρτογράφηση αυτών των κινήσεων ενδέχεται να αποκαλύψει τις δυσκολίες στην αποκωδικοποίηση του κειμένου και να λειτουργήσει ως δείκτης πιθανών αναγνωστικών δυσκολιών. Οι οφθαλμικές κινήσεις καθιστούν, επομένως, ορατές τις διαδικασίες οι οποίες διαφορετικά θα παρέμεναν «αόρατες» στους εκπαιδευτικούς.
Η Χρήση της AI
Η AI προσφέρει τη δυνατότητα επεξεργασίας ενός τεράστιου όγκου δεδομένων τα οποία προέρχονται από τις οφθαλμικές κινήσεις. Μέσω των αλγορίθμων μηχανικής μάθησης, είναι εφικτό να αναγνωριστούν μοτίβα οφθαλμικών κινήσεων τα οποία σχετίζονται με τη δυσλεξία.
Για παράδειγμα, τα συστήματα βαθιάς μάθησης (deep learning) μπορούν να εκπαιδευτούν με δεδομένα οφθαλμικής ιχνηλάτισης από μαθητές με και χωρίς δυσλεξία, ώστε στη συνέχεια να «προβλέπουν» την πιθανότητα ύπαρξης της διαταραχής στους μικρούς μαθητές.
Μελέτες έχουν δείξει ότι τέτοιες προσεγγίσεις επιτυγχάνουν ποσοστά ακρίβειας άνω του 80%. Η διαδικασία είναι ταχύτερη και λιγότερο επεμβατική σε σύγκριση με τις παραδοσιακές μεθόδους διάγνωσης, που συχνά απαιτούν μια χρονοβόρα ψυχομετρική αξιολόγηση.
Έτσι, η AI μπορεί να λειτουργήσει ως εργαλείο πρώιμου εντοπισμού, επιτρέποντας στους εκπαιδευτικούς και στους γονείς να δράσουν προληπτικά.
Τα Οφέλη για το Εκπαιδευτικό Σύστημα
Η εφαρμογή της AI έχει πολλαπλά οφέλη:
1. Πρώιμη διάγνωση: Οι μαθητές μπορούν να εντοπιστούν από τις πρώτες τάξεις του δημοτικού, προτού οι δυσκολίες συσσωρευτούν.
2. Εξατομικευμένη διδασκαλία: Οι εκπαιδευτικοί λαμβάνουν πολύτιμα δεδομένα που τους βοηθούν να σχεδιάσουν στοχευμένες παρεμβάσεις.
3. Μείωση των ανισοτήτων: Σε περιοχές με περιορισμένη πρόσβαση σε ειδικούς, η χρήση αυτοματοποιημένων εργαλείων μπορεί να λειτουργήσει υποστηρικτικά.
4. Ενίσχυση της αυτοπεποίθησης: Η έγκαιρη υποστήριξη επιτρέπει στους μαθητές να αποφύγουν αισθήματα αποτυχίας.
Προκλήσεις και Προβληματισμοί
Παρά τις δυνατότητες, υπάρχουν σημαντικά ζητήματα που πρέπει να ληφθούν υπόψη:
- Αξιοπιστία και εγκυρότητα: Οι αλγόριθμοι πρέπει να εκπαιδεύονται σε αντιπροσωπευτικά δείγματα, ώστε να μην οδηγούν σε εσφαλμένες διαγνώσεις.
- Ηθικές διαστάσεις: Η χρήση βιομετρικών δεδομένων, όπως η κίνηση των ματιών, εγείρει ζητήματα προστασίας των προσωπικών δεδομένων.
- Εκπαιδευτική προσαρμογή: Η τεχνολογία πρέπει να ενσωματωθεί με τρόπο που να υποστηρίζει τον/την εκπαιδευτικό και να μην τον/την αντικαθιστά.
- Κόστος εξοπλισμού: Παρόλο που οι συσκευές κίνησης των ματιών γίνονται ολοένα και πιο προσιτές, η γενικευμένη εφαρμογή απαιτεί επενδύσεις.
Συμπεράσματα
Ο εντοπισμός της δυσλεξίας μέσα από την ανάλυση της κίνησης των ματιών με τη βοήθεια της AI αποτελεί μια από τις πιο υποσχόμενες εξελίξεις στην ειδική αγωγή και την εκπαιδευτική τεχνολογία.
Με τον σωστό συνδυασμό της επιστημονικής εγκυρότητας, των ηθικών προδιαγραφών και της πρακτικής εφαρμογής, η μέθοδος αυτή μπορεί να αλλάξει ριζικά τον τρόπο με τον οποίο εντοπίζονται και υποστηρίζονται οι μαθητές/μαθήτριες με μαθησιακές δυσκολίες.
Το μέλλον δείχνει ότι η εκπαίδευση θα γίνει πιο «έξυπνη» και συμπεριληπτική, δίνοντας σε όλους τους μαθητές/τις μαθήτριες, τις ίσες ευκαιρίες που αξίζουν.
Βιβλιογραφία
Benfatto, M. N., Seimyr, G. Ö., Ygge, J., Pansell, T., Rydberg, A., & Jacobson, C. (2016). Screening for dyslexia using eye tracking during reading. PLOS ONE, 11(12), e0165508.
Hutzler, F., & Wimmer, H. (2004). Eye movements of dyslexic children when reading in a regular orthography. Brain and Language, 89(1), 235–242.
Shaywitz, S. (2003). Overcoming Dyslexia. Alfred A. Knopf.
Rello, L., & Ballesteros, M. (2015). Detecting readers with dyslexia using machine learning with eye tracking measures. Proceedings of the 12th Web for All Conference, 1–8.
Zorzi, M., Barbiero, C., Facoetti, A., Lonciari, I., Carrozzi, M., Montico, M., … & Ziegler, J. C. (2012). Extra-large letter spacing improves reading in dyslexia. Proceedings of the National Academy of Sciences, 109(28), 11455–11459.
