ارایه مدل طبقه بندی بر اساس سیستم استنتاج فازی و الگوریتم ژنتیک جهت تشخیص اختلال خواندن در دانش آموزان مقطع راهنمایی

پیشینه و اهداف: ناتوانی در یادگیری یک اختلال عصبی است. به عبارت ساده، ناتوانی یادگیری از درک نادرست مغز یک فرد نتیجه می‌شود. کودکان با ناتوانی یادگیری دقیق‌تر و هوشمند‌تر از همسالان خود هستند، اما آنها ممکن است مشکل خواندن، نوشتن، تلفظ، تمرکز، استدلال، یادآوری و یا سازماندهی اطلاعات داشته باشند. در این بین خواندن اساسی ترین و ضروری ترین وسیله آموزش است. زیرا فرد با کسب مهارت در آن قادر‌خواهد‌بود تا در امور زندگی معلومات لازم را کسب کند. گسترش و پیشرفت علوم در قرن حاضر چنان سریع انجام شده است که خواندن از جمله وسایل مهم فهمیدن در دنیای کنونی است فرد می‌تواند نتیجه تحقیقات و مطالعات دیگران را در مدت زمان کوتاهی فرا گیرد، که در این بین خوب خواندن از عوامل مهم پیشرفت است. خواندن فرآیندی پیچیده است که اجزای بسیار متفاوتی را در‌بر‌می‌گیرد. یکی از شایع‌ترین مشکلات در دانش‌آموزان اختلال‌خواندن است. در میان مهارت‌هایی که یک دانش آموز در مدرسه فرا‌می‌گیرد فرآیند خواندن از اهمیت ویژه ای برخوردار‌است. در این بین دانش‌آموزانی در مقاطع بالاتر تحصیلی وجود دارند که پیشرفت خواندن آنها در مقایسه با سن تقویمی به طور قابل ملاحظه ای پایین تر از سطح استاندارد است. این پژوهش یک مدل هایبریدی فازی-ژنتیکی جهت مدیریت عدم قطعیت جهت تشخیص اختلال‌خواندن ارایه می‌نماید. روش ها: بدین‌منظور از مدل‌های طبقه‌بندی در فرآیند تشخیص اختلال استفاده‌شده‌است. در سیستم فازی، دانش مورد نیاز جهت طراحی سیستم از گروهی از افراد خبره شامل معلمان و متخصصان استخراج می‌شود. سیستم فازی پیشنهادی با قابلیت مدیریت عدم‌قطعیت در دانش، از مدل یادگیری تکاملی الگوریتم ژنتیک استفاده‌می‌کند. جامعه آماری، شامل 260 دانش‌آموزان دختر دبیرستان دوره اول متوسطه مدرسه غیردولتی معرفت واقع در استان البرز در سال تحصیلی 9594 است. به منظور ارزیابی کارایی سیستم از تحلیل منحنی roc استفاده‌شده‌است. یافته ها: نتایج نشان می‌دهد که کارایی مدل طبقه‌بندی فازی بعد از یادگیری قوانین توسط الگوریتم ژنتیک به %98.51 افزایش‌یافته‌است. سیستم طبقه بندی فازی پیشنهادی قادر به تشخیص صحیح اختلال‌خواندن با درجه اطمینان بالا است و جهت مدیریت نایقینی در تشخیص اختلال‌خواندن و بهبود وضعیت تحصیلی دانش آموزان می تواند موثر‌واقع‌شود. نتیجه گیری:  نتایج حاصل از این الگوریتم در مقایسه با چند روش دیگر نشان‌می‌دهد که روش ترکیبی فازیژنتیک دارای عملکرد بهتری در مقایسه با روشهای دیگر است. نتایج حاصل از منحنی مشخصه عملکرد نیز این موضوع را اثبات می‌کند و مقایسه کارایی سیستم و تحلیل آن با‌استفاده‌از roc نشان می‌دهد که سیستم طبقه‌بندی فازی قادر به تشخیص صحیح اختلال‌خواندن با درجه اطمینان بالا است. در آینده می‌توان به تنظیم پارامترهای توابع عضویت پرداخت و هم چنین از سایر الگوریتم های فراابتکاری برای بهبود روش استفاده نمود. شیوع اختلالات یادگیری به ویژه خواندن در دانش‌آموزان نشان‌دهنده‌ی ضرورت به‌کار‌گیری راهکارهایی برای کاهش این اختلال برای پیشگیری از آسیب شناسی تحصیلی دانش‌آموزان است. از دیگر محدودیت ها ی این پژوهش میسر نبودن بررسی رابطه اختلال‌خواندن با متغیرهای مهم مانند سطح تحصیلات والدین، وضعیت اجتماعیاقتصادی است که پیشنهاد می‌شود این محدودیت ها در بررسی های آینده مورد توجه قرار گیرند.

A New Classification Model FuzzyGenetic Algorithm for Detection of learning disability of Dyslexia in Secondary School Students

Background and Objective Learning disability is a neurological disorder. Simply, learning disabilities result from a person’s misunderstanding of the brain. Children with learning disabilities are more accurate and intelligent than their peers, but they may have difficulty in reading, writing, pronouncing, concentrating, reasoning, recalling, or organizing information. Reading is the most basic and essential tool of education. Because by acquiring this skill, one will be able to acquire the necessary information in the affairs of life. The advancement of science in the present century is so rapid that reading is one of the most important tools for understanding today’s world. One can learn the results of others’ research and studies in a short period of time. Reading is a complex process that involves many different components. Learning disability is very common in childhood. The most important disability is reading disorder which is related to reading skills.  Among the skills a student learns in school, reading is especially important. Meanwhile, there are students in higher grades whose reading progress is significantly lower than the standard level compared to their calendar age. This research represents a hybrid scoring model using genetic algorithm and fuzzy set theory to manage uncertainty in diagnosis of reading disability. Methods: For this, fuzzy classification models were applied for diagnosis of the reading disability. In the fuzzy system, the knowledge was extracted from a group of experts who were teachers and specialists. In the proposed model, the knowledge of experts was automatically extracted using the learning process of the Genetic algorithm. A dataset of 260 girl students was collected from the Marefat High school in the Alborz province in the years of 1394 and 1395. The performance of the proposed model was investigated using the ROC curve analysis. Findings: The results show efficiency of the fuzzy classification model was increased to 98.51% after the rule learning with the Genetic algorithm. The proposed fuzzy classifier models uncertainty in the knowledge of expert to improve students’ progress. Conclusion: The results of this algorithm show that compared to several other methods, the fuzzygenetic combination method performs better than other methods. The results of the performance characteristic curve also prove this. Comparing the efficiency of the system and its analysis using ROC shows that fuzzy classification system is able to identify reading disorders with high reliability. In the future, we can adjust the parameters of the membership functions and also use other metaalgorithms to improve the method. The prevalence of learning disabilities, especially reading in students, indicates the need to use strategies to reduce this disorder to prevent students’ academic pathology. Another limitation of this study is the impossibility of examining the relationship between reading disorder and important variables such as parents’ education level and socioeconomic status. It is suggested that these limitations be considered in future studies.   ===================================================================================== COPYRIGHTS  ©2019 The author(s). This is an open access article distributed under the terms of the Creative Commons Attribution (CC BY 4.0), which permits unrestricted use, distribution, and reproduction in any medium, as long as the original authors and source are cited. No permission is required from the authors or the publishers.  =====================================================================================