تحلیل هوشمند کارکردهای اجرایی مغز کودکان نوازنده و غیرنوازنده با استفاده از مدلهایensemble learning

پژوهش حاضر با هدف طراحی و ارزیابی یک چارچوب هوشمند مبتنی بر یادگیری ماشین برای تحلیل و مقایسه کارکردهای اجرایی مغز در کودکان نوازنده و غیرنوازنده انجام شده است. این مطالعه از نوع علی–مقایسه ای بوده و بر روی 120 کودک 12 ساله شهر شیراز شامل 60 کودک با سابقه شش سال آموزش منظم موسیقی و 60 کودک بدون آموزش رسمی موسیقی صورت گرفت. دو گروه از نظر سن، بهره هوشی و وضعیت اجتماعی–اقتصادی همتاسازی شدند. مولفههای بازداری پاسخ، حافظه کاری و انعط افپذیری شناختی با استفاده از آزمون های استاندارد استروپ، ویسکانسین و فراخنای ارقام وکسلر استخراج و بهعنوان ورودیهای یک سیستم هوشمند تحلیل شناختی مورد استفاده قرار گرفتند. در مرحله نخست، تحلیل های آماری کلاسیک تفاوت های معناداری را به نفع کودکان نوازنده در تمامی مولفه های کارکردهای اجرایی نشان دادند (p < 0.05) که در برخی شاخصها با اندازه اثر بسیار بزرگ (|d| > 2) همراه بود. در گام بعد، به منظور مدلسازی الگوهای چندبعدی، افزایش قدرت تعمیم و پیشبینی گروهی، از یک مدل ensemble learning مبتنی بر الگوریتم bagging استفاده شد. نتایج اعتبارسنجی متقاطع نشان داد که سیستم پیشنهادی قادر است دو گروه را با دقت 93.75٪ و مقدار auc برابر با 0.991 طبقه بندی کند. افزون بر این، تحلیل اهمیت ویژگی ها بر اساس معیارهای درخت محور، مولفه های مرتبط با دقت پاسخ و کاهش خطاهای شناختی را بهعنوان مهمترین عوامل تمایز شناسایی کرد. این یافته ها نشان میدهد که تلفیق داده های روانسنجی با سیستم های هوش مصنوعی توضیحپذیر میتواند بستری موثر برای تحلیل تحول شناختی، پیشبینی عملکرد اجرایی و پشتیبانی از تصمیمگیری هوشمند در آموزش دیجیتال و مداخلات شناختی مبتنی بر داده فراهم آورد.

intelligent modeling of executive cognitive functions in children using ensemble learning: a comparison between musicians and non-musicians

the present study was conducted with the aim of designing and evaluating an intelligent framework based on machine learning for analyzing and comparing executive functions of the brain in musician and non-musician children. this causal-comparative study was performed on 120 twelve-year-old children in shiraz, including 60 children with a history of six years of regular music training and 60 children without formal music education. the two groups were matched for age, iq, and socioeconomic status. the components of response inhibition, working memory, and cognitive flexibility were extracted using standard stroop, wisconsin, and wechsler digit span tests and were used as inputs to an intelligent cognitive analysis system. in the first stage, classical statistical analyses revealed significant differences in favor of musician children in all components of executive functions (p < 0.05), with some indicators showing very large effect sizes (|d| > 2). in the next step, to model multidimensional patterns, enhance generalization power, and enable group prediction, an ensemble learning model based on the bagging algorithm was employed. cross-validation results showed that the proposed system could classify the two groups with an accuracy of 93.75% and an auc value of 0.991. furthermore, feature importance analysis based on tree-based criteria identified components related to response accuracy and reduction of cognitive errors as the most important differentiating factors. these findings indicate that integrating psychometric data with explainable artificial intelligence systems can provide an effective platform for analyzing cognitive development, predicting executive performance, and supporting intelligent decision-making in digital education and data-driven cognitive interventions.