(/0, 1 2 2 ) & # ˆ $% & ' ()˛˚ * + * ,- ˙ +. ˆ & ( 9 ˆ...

Journal of Learning Disabilities, Autumn 2020 1399پاييز هاي يادگيري،ناتواني مجله Vol. 10, No.1/87-109 87-1/109 شماره، 10 دوره

87

بيني كودكان مستعد بررسي دقت و حساسيت سامانه هوشمند غربالگر در پيش

)ساخوانيفعالي و ناربيش-تحولي (نقص توجه-اختالالت عصبي

2غالمعلي افروز و 1مونا دالوريان

چكيدههدف از اين پژوهش بررسي دقت، حساسيت و اختصاصي بودن سامانه غربـالگر هوشـمند طراحـي شـده بـراي

فعـالي و نارسـاخواني) بـيش -تحولي رايج (نقص توجه-دبستاني مستعد اختالالت عصبيبيني كودكان پيشپيشروش پژوهش پيمايشي از نوع ارزيـابي و تشـخيص اسـتفاده شـد. بـدين منظـور ، از دادهآوري است. براي جمعشناختي طراحـي شـده -اي عصبيرايانه برنامةاي تصادفي انتخاب شدند و دبستاني به روش خوشهكودكان پيش

تـا تشـخيص ها به مدت دو سـال هاي مربوط به هر يك از نمونهتوسط دالوريان و همكاران را انجام دادند. دادهها براي طراحي شبكه غربـالگر هوشـمند بـا اسـتفاده از الگـوريتم هاي اكسل ذخيره شد. اين دادهقطعي، در فايل

و حساسيت و %94پرسپترون استفاده شدند. در نهايت دقت سامانه هوشمند طراحي شده، ةيالعصبي چند شبكةدست آمد. به %27/95و %45/93تيب، اختصاصي بودن آن در غربالگري كودكان مستعد اختالالت مذكور به تر

توان از اين غربالگر با اطمينان باال، جهت تشخيص زودهنگـام با توجه به دقت و حساسيت بااليِ كسب شده مي .كودكان مستعد اختالالت مذكور پيش از ورود به دبستان استفاده كرد

شناختي، - عي، برنامه عصبيبيش فعالي، شبكه عصبي مصنو-نارساخواني، نقص توجه هاي كليدي:واژه غربالگري

شناسي كودكان استثنايي، دانشگاه تهران . نويسنده مسئول: فوق دكتراي نوروسايكولوژي، دكتري روان[email protected]

شناسي كودكان استثنايي، دانشگاه تهران. استاد ممتاز روان2 26/3/96 تاريخ دريافت مقاله: 12/5/97: تاريخ پذيرش مقاله

DOI: 10.22098/JLD.2020.1046

...تحولي-بيني كودكان مستعد اختالالت عصبيپيش بررسي دقت و حساسيت سامانه هوشمند غربالگر در

88

مقدمه

سيستم عصبي 2تحول، گروهي از اختالالت هستند كه زمان رشد يا 1يتحول-اختالالت عصبيو نارساخواني يا 3يفعالبيش- هاي نقص توجهشوند. از جمله اين اختالالت، اختاللايجاد مي

پزشكي از منظر اختالالت روانپنجم راهنماي تشخيصي و آماري نسخةهستند كه در 4ايسلكسيد؛ انجمن 2009 ،1، ديويس و بروككريستواند (شناختي مورد بررسي و تحليل قرار گرفته-عصبي

دارند و حتي در مطالعات 2يشناختستيز-يعصب). اين دو اختالل منشأ 2013روانپزشكي آمريكا، ، 3عصبي (كرشنر شبكةرهاي اخير منشأ اختالل ديسلكسيا را آسيب برخي مدارهاي نوروني و ساختا

هاي شناختي ميان دو اختالل رغم وجوه مشترك آسيب در برخي از مؤلفهاند. به) اذعان كرده2015اي با يكديگر است و عدم سرعت در هاي عديدهمذكور، مداخله تخصصي آنها داراي تفاوت). تعلل در 1392(افروز، ناپذيري را به همراه دارد تشخيص و دقت نظر در آن، بعضاً عواقب جبران

گردد و سيكل معيوبي در عوارض و مشكالت ايجاد تشخيص منتج به تأخير در مداخله ميهاي متعدد شده و در نهايت باعث نااميدي بيشتر صورت كه اين تعلل باعث شكستنمايد؛ بدينمي

؛ 2019، 4اهللا(جامهار، سالوانا، زالكيفلي، نايان و عبدشود نفس ميو آسيب شديدتر به عزت. در نهايت، ترك تحصيل و متاثر شدن آينده كودك روالي رايج است. اين )2010، 5گليزارد

يمتر مناسب، خالقانه و زودهنگام اين اختالالت را شفاف مداخلةعواقب، تشخيص سريع، دقيق و تري از ن). هر چه كودك در سن پايي2007، 6(چياپدي، زوپللو، روسي و اسكارابلو و پيازا سازد .)2008، 7شود (زيگربهتري نيز حاصل مي جةينتمند شود، اي بهرههاي مداخلهبرنامه

1. Christo, Davis & Brock 2. Neuro-biological 3. Kershner 4. Jamha. Zulkifli, Nayan. & Abdullah 5. Glazzard 6. Chiappedi, Chiappedi, Zoppello, Scarabello & Piazza 7. Zeiger


89

يا 6توجه، اختاللي با الگوي مقاوم از نقص ADHD1فعالي يابيش- اختالل نقص توجه كودكي دوران تحولي-عصبي اختالالت شايعترين از اين اختاللاست. 7يتكانشگر-فعاليبيشاست. اين اختالل الگوي پايدار عدم توجه كرده مبتال را جهان جمعيت از گيبزر بخش كه است

تر از كودكان با همان سطح رشد است فعالي و رفتارهاي تكانشي است كه شديدتر و شايعو يا بيش انيهاد ي وانيك؛ 1391ي، قائم ي ومانينر ي،ابوالقاسم ي،رجب؛ 1394ي، زچيتبر ي ومانيسل ي،ماني(نر. توجه به گسترش و تداوم اين اختالل و نتايج منفي آن بر زندگي فردي و اجتماعي )1395، فرد

، 2سازد (سادوك و سادوكتر و مداخله زودهنگام را مشخص ميفرد مبتال، لزوم تشخيص سريع ).1393ي، امرثيك ي وشاهعلي، مانينر؛ 2011

هاي . از ميان انواع اختاللاست 8 يريادگترين ناتواني ينارساخواني يا ديسلكسيا نيز رايجيادگيري خاص، آن دسته كه در خواندن ضعيف هستند، بيشتر در معرض خطر ترك تحصيل

،4، ديويس و بروككريستو(دارد 9 يشناختزيست). ديسلكسيا منشأ عصب2004، 3هستند (فريدنتا 5نارساخواني . مطابق آخرين آمار اعالم شده، شيوع)2012، 5؛ بايرام، كمبنالور و اسگين2009ي تحصيلي ديگر هانهيزم). اين اختالل تمامي 2013درصد است (انجمن روانپزشكي آمريكا، 17

سازد و در موفقيت تحصيلي، شغلي و سالمت روان (رياضي، انشا، اجتماعي، علوم) را نيز متاثر ميسالي نيز اين آسيب ). در بزرگ2004، 6كند (كارناين و كارناينناپذيري ايجاد ميعواقب جبران

)، شانس استخدام و انطباق اجتماعي افراد مبتال را بطور 2004انگيزه و اعتماد به نفس (فريدن، ).2007دهد (سادوك و سادوك، چشمگيري تحت تأثير قرار مي

اميري هاي مهم افراد با هريك از اختالالت فوق، نقص در حافظه فعال (زارع،يكي از مشخصه

1. Attention Deficit & Hyperactivity Disorder 2. Sadock & Sadock 3. Frieden 4. Christo, Davis & Brock 5. Bayram, Camnalbur & Esgin 6. Carnine & Carnine


90

است. در بسياري از مقاالت معتبر مهم از كاركردهاي اجرايي مولفةعنوان يك )، به1388 و تاراج،فعال در گروه كودكان بيش فعال و كودكان با ديسلكسيا حافظةعلمي تفاوت و اختالف چشمگير

؛ زاغيان، عابدي 1392مشخص و به اثبات رسيده است (شكوهي يكتا، لطفي، رستمي و ارجمندنيا، فروز، توحيدخواه و رسول زاده ؛ دالوريان، ا2011؛ رويد، 2004، 1؛ رويد و بارام9113و فرامرزي، نيز در تحقيقي به كاهش معنادار ظرفيت ) 2014( 2، جونز و كوكونادايك). ون2016، طباطبايي دايكاند (ونفعال در گروه كودكان با ديسلكسيا در مقايسه با كودكان بهنجار اشاره كرده حافظةهاي شناختي ميان دو اختالل رغم وجوه مشترك آسيب در برخي از مؤلفه). به2014، انو همكار

اي با يكديگر دارند. به جز اشتراكات در هاي عديدهمذكور، مداخله تخصصي آنها تفاوتهاي باليني نيز اشتراكاتي وجود دارد كه بعضا ها و نشانههاي شناختي، از نظر برخي مشخصهآسيب

اندازد.دقيق و تميز اين اختالالت را به تعويق و هم به خطا ميروند تشخيص فعالي و ديسلكسيا با ساير بيش-يكي از داليل اصلي خطاي در تشخيص دو اختالل نقص توجه

هاي موجود و يا همپوشاني با پوشاني نشانهتحولي كودكان، همزماني و هم- هاي عصبياختاللبرخي ). 2018، 4، اَتالي و اوالس2010، 3و كوزو ، سنچزساير اختالالت است (پاالسيوس

مشابه يهاناتوانيافتراق اختالالت يادگيري از اختالالت و هاي باليني مشترك و مشابه، نشانه، 6رفتاري-فعالي، اختالالت عاطفيبيش- ، اختالل نقص توجه5گام)تواني ذهني (آهسته(مانند كم

گي، محيطي و اقتصادي) و يا تمايز ميان اختالل نقص فرهن يهاتيپيشرفت تحصيلي پايين، محروم، ، توحيدخواه، غريب زاده و ديباج نياافسردگي، سلوك و اضطراب (دالوريان وفعالي بيش-توجه(دالوريان، 7اي) و اختالل رفتار مقابله2012، توحيدخواه، غريب زاده و ديباج نيا ،؛ دالوريان2011

1. Roid & Barram 2. Van Dyke, Johns & Kukona 3. Palacios, Sanchez & Couso 4 Altay & Ulas 5. Slow paced 6. Emotional & Behavioural Disorders (EBD) 7. Oppositional Defiant Disorder (ODD)


91

.ساخته استدشوار )1394زاده و توحيدخواه، نيا، افروز، غريب نايبي، ديباج محورانهيراهاي عالوه بر رويكردهاي سنتي در تشخيص اين اختالالت، انواع متعددي از روش

اند، مطالعات كسب نموده محورانهيرارغم شهرت و محبوبيتي كه رويكردهاي اند. بهنيز مطرح شده). برخي از 2008، 1، اسكالومباكاس و باليپاس(پروتوپامعتبر اندكي در اين زمينه وجود دارد

-آموزش و پرورش در اين كشور به استيسمطالعات مرتبط، در انگلستان انجام شده است؛ زيرا كند جهت سنجش مشكالت يادگيري حمايت مي محورانهيراهاي اي از روشطور گسترده

).2004، 2(سينگلتون و وينسنتتحولي را -اين دو اختالل رايج عصبي محورانهيرايرخطي و غربالگري هوشمند، غبرخي محققين ). 2019، 4؛ نايان و عبداهللا2019، 3جامهار، سالوانا، زالكيفلي، نايان و عبداهللاند (مورد تأكيد قرار داده

ويژه توسط ابزارهاي هوشمند جهت دقت باالتر بيني دقيق، بههاي پيشاين محققين روند تغيير روشهاي مختلف همچون هاي متعدد در هوشي مصنوعي به خصوص شبكهه و الگوريتمرا بررسي كرد

در بخش روش و ابزارها به آن پرداخته بندي غيرخطي بوده و هاي طبقهروشكه از هاي عصبيشبكهواس، چاكرابورتي و در مطالعه انجام شده توسط بيس اند.را مورد تأكيد قرار داده شده استيي براي هامدل ارائةهاي حاصل از تصاوير و نوارهاي مغزي، جهت يز از داده) ن2020( 5پرامانيك ).2020واس و همكاران، تحولي استفاده شده است (بيس-بيني برخي اختالالت عصبيپيش

هاي مصنوعي هوشمند روشي مناسب در روانسنجي و جايگزيني بر اساس مطالعات متعدد شبكه. ارزش اين )2019، 6؛ نايان و عبداهللا2019جامهار و همكاران ( هاي سنتي هستندمناسب براي شيوه

شود كه دسترسي به متخصصان جهت غربالگري ويژه زماني آشكارتر ميهاي غربالگر، بهبرنامه

1. Potopapas, Skaloumbakas & Bali 2. Singleton & Vincent 3. Jamha. Zulkifli, Nayan. & Abdullah 4. Nayan & Abdullah 5. Biswas, Chakraborty & Pramanik 6. Nayan & Abdullah


92

ان به متخصصان، متعادل و متناسب نيست. برخي آموزدانشزودهنگام فراهم نيست و يا نسبت تعداد هاي اي تكاليف موجود در آزمونانهيرا نسخةذكور در واقع همان م محورانهيراهاي از برنامه

تشخيصي و غربالگري رايج هستند و برخي ديگر، بر اساس مطالعات و تجربيات و توسط ذهن خالق ، 1، نور ون شمس الدين، هوسين، مختار، ون ايسا و سوسيالواتيمت(نيكاند محقق طراحي شده

، اكبرفهيمي، حسني مهربان، ؛ يزداني2014، 2مارزوال و ماشتي ، پگنوني، تاروتي،؛ فاكوئتي2014 2012در سال 5، هوستاتلر و واتسونپييرس ).2015 ،4؛ ويدياساگار و بول2015 ،3جاليي و ترابي نامي

گيري باليني، مانند ارزيابي بسياري از مشكالت تصميم ثابت كردند كه شبكه عصبي مصنوعي براي پزشكي بسيار مفيد است.ختالالت روانوضعيت رواني و تشخيص ا، كمپينن( 6هاي غيرخطي بويژه شبكه عصبي مصنوعيبندي كنندهبا توجه به قدرت طبقه)، در پژوهش حاضر نيز تدوين و 2012پييرس و همكاران، ؛ 2013، 7كورپال، پارتنرز و الورگرن

ني كودكان بيسازي يك شبكه عصبي مصنوعي غربالگر دقيق و حساس جهت پيشپياده-هببيش فعالي، -تحولي شامل ديسلكسيا و نقص توجه-دبستاني مستعد دو اختالل شايع عصبيپيششناختي طراحي شده توسط دالوريان و همكاران (دالوريان و - اي عصبيرايانه برنامة واسطة

سازي برنامه توسط)، مدنظر است. بدين منظور نتايج حاصل از اجرا يا پياده2016همكاران، كودكان در جهت طراحي شبكه عصبي هوشمند غربالگر با هدف تشخيص زودهنگام كودكان

تواند گام بزرگي مستعد استفاده خواهد شد. در صورت كسب نتيجه بهينه، اين سامانل هوشمند ميبيني و متعاقب آن مداخالت توانبخشي و آموزشي زودهنگام بردارد و به اين ترتيب جهت پيشگيرد. اين مداخالت زودهنگام كمك بسيار به رشد و طور مؤثرتري صورت ميبهنتيجه مداخله

1. Nik Mat, Wan Shamsuddin, Husain, Makhtar, Wan Isa & Susilawati Mohamad 2. Facoetti, Paganoni, Turatto, Marzola & Mascetti 3 Yazdani, Akbarfahimi, Hassani Mehraban, Jalaei & Torabi-nami 4. Vidyasagar & Bhogle 5. Pierce, Hostutler & Watson 6. Artificial Neural Network 7. Kemppinen, Korpela, Partners & Elfvengren


93

دنبال شكست كمتر، كودك آسيب كمتر عزت نفس را تجربه تقويت توانايي شناختي نموده و به كند.مي

روش

.استاي علي مقايسه ،توصيفي نوعاين پژوهش از امل تمامي دختر و پسرهاي پيش آماري پژوهش ش جامعة :گيريروش نمونه، نمونه و جامعه

پيش از آموزش تا استان تهران گانةهاي مناطق نوزدهدبستانيِ در حال آموزش در پيش دبستانيتمامي اين كودكان در مراكز مربوطه تحت سنجش اوليه توانايي ند. بود خواندنو يادگيري رسمي

گيري به روش تصادفي چند نمونه. بهنجار قرار داشتند محدودةذهني قرار گرفته و از اين حيث در طور تصادفي هاستان تهران چند منطقه ب گانةاز مناطق نوزده .اي انجام گرفتاي خوشهمرحله

و تمامي گشتندهاي آن مناطق، مراكزي بطور تصادفي انتخاب دبستانيانتخاب و از ليست پيشها و طراحي آوري دادهجمع براي .دبستاني آن مراكز در پژوهش شركت داده شدندكودكان پيش

:ها و ابزارهاي زير استفاده شدسامانه هوشمند غربالگر از روش تأكيد: برنامه مذكور با و همكاران شناختي طراحي شده توسط دالوريان-برنامة عصبي

عصبي در افراد مبتال و با شبكةشناختي ناشي از نقص در مدارهاي نوروني و - يعصبهاي بر آسيبطراحي شد. 2016پردازش اطالعات، در سال ةينظرهاي كاركردهاي اجرايي و مؤلفه لحاظ كردن

. هدف اصلي آن است) >05/0pافزاري داراي روايي و اعتبار باال (اين برنامه در غالب بازي نرمشناختي دخيل در خواندن بدون نياز به توانايي و مهارت خواندن -ارزيابي كاركردهاي عصبي

هاي كاركردهاي اجرايي (شامل: حافظه مؤلفهر، تكاليف جداگانه براي بررسي . بدين منظواستگيري و ادراك ريزي، تصميمفعال ديداري، انواع توجه، سازماندهي، حافظه فعال شنيداري، برنامه

گيري و ارزيابي هر يك از درنظر گرفته شده است. براي اندازهدر قالب بازي ديداري و شنيداري) برنامهناختي چندين مرحله، از ساده به پيچيده، درنظر گرفته شده است. در طراحي اين هاي شمؤلفه


94

غيرخطي از الگوريتم يهايبندطبقههاي باالي هوش مصنوعي در افزاري با توجه به قابليتنرم شبكه عصبي مصنوعي استفاده شد.

هاي ز الگوريتمو ا يرخطيغ كنندةطبقههاي از روش هاشبكهاين :شبكه عصبي مصنوعي يطراح يستم عصبيو س يستيز يهابر اساس رفتار نورون يعصب يها. شبكههستندهوش مصنوعي

ها ). اين شبكه1،2001(ككمن هستندنورون آسمبه يمحاسبات يواحدهااند و داراي شدهدهي، ذخيره و بكارگيري دانش و متخصص را در سازمانهستند كارا و هوشمند هاييافزارنرم

و آورند (كمپيننتري را فراهم ميمؤثرتر و دقيق بيني، تشخيص و درمانپيشرسانده و ياري هاي عصبي انواع شبكه يپزشك يهاصيها به خصوص تشخطهياز ح ياريدر بس .)2013، همكارانها بر اين شبكه ).2003، 2(اوزيلماز و ييلديريم انداستفاده شده يزيآمتيطور موفقهمصنوعي ب

ةيالعصبي مصنوعي چند شبكةس شكل طراحي و كاربرد انواع مختلفي دارند كه از آن ميان اساهاي پزشكي و در تشخيص)، 1(شكل شرح و تصوير آن آورده شده زيركه در پرسپترونهاي تصويري از اجزا و ارتباط قسمت 1شكل .)2005، 3(دريفوسبسيار موفق بوده استبندي طبقه

دهد (دالوريان، را نشان مي 5پنهان ةيالبا يك 4پرسپترون سادة يعصب شبكةمختلف يك ).2012زاده، نيا و غريبتوحيدخواه، ديباج

1. Kecman 2. Özyılmaz & Yıldırım 3. Dreyfus 4. Multi-layer perceptron Neural Network 5. Hidden Layer


95

)1394، دالوريان و همكاران، 2012(دالوريان و همكاران، چند اليه پرسپترونشبكه عصبي . 1شكل

ك ي يشود، دارامي نيز مشاهده 1گونه كه در شكل ، همانييپرسپترون ابتدا يك شبكه عصبيموجود مكررا يها. دادهاست يه خروجيك اليت يه پنهان و در نهايك اليو حداقل يه وروديالن است يهدف ا ابد.يزان خطا كاهش يشوند تا ميآموزش شبكه استفاده م يبرا يطور تصادفهو ب

).2001شود (ككمن، يطراح يبندطبقه يبا حداقل خطا برا ياكه شبكه-ههاي مداد و كاغذي باشد و بهاي حاصل از آزمونتواند دادهشبكه مي يورود روشدر اين

هاي حاصل توانند دادهو يا مي بر استكه البته اين روش بسيار زمان شودصورت دستي وارد رايانه هاي ردياب چشمي، الكتروانسفالوگرام، تصاوير تشديد ميدان از ابزارهاي تشخيصي، مانند دستگاه

يسي و ابزارهايي از اين قبيل باشند كه مشخص است از نظر هزينه مقرون به صرفه نيستند مغناط ةيالچند عصبي مصنوعي شبكة ).2012و همكاران، 2؛ بايرام2011، 1، مور و جين(منغيرماالنيپزشكي هايدر تشخيصكه استهاي عصبي مصنوعي شبكهپايه هاي انواع روشاز پرسپترون ، بسيار قدرتمند بوده است.ديبنو طبقهتميز

1. Manghirmalani, Panthaky & Jain 2. Bayram


96

درمناسب اين شبكه عصبي روشي (MLP):پرسپترون ةيالعصبي مصنوعي چند شبكةاجزا و ارتباط تصويري از 1شكل در ). 2005، 1است (دريفوس يرخطيغ يبندل طبقهيحل مسا (دالوريان و همكاران، نمايش داده شد 2پنهان ةيالساده با يك MLP كيهاي مختلف قسمتاز %70/0هاي عصبي مصنوعي پرسپترون ). به منظور طراحي (آموزش و آزمون) شبكه2012مانده جهت آزمودن آن به شبكه يباق %30 م شبكه ويجهت تعل يطور تصادفههاي هر گروه بداده

سامانه به يزان خطايكه م يگردد تا زمانتكرار مي فرآيندن ي). ا2005شوند (دريفوس، ارائه مي ممكن برسد. حداقلِ

هاي اختالالت ترين پرسشنامهاين پرسشنامه يكي از رايج :كودكان 3نامه رفتاري راترپرسشتوسط مايكل راتر تهيه شده و داراي دو فرم الف (فرم 1967رفتاري كودكان است كه در سال

ازگذاري و به راحتي امتي ليوالدين) و فرم ب (معلمان) است. اين پرسشنامه در مدت زمان كم تكمگري مناسب، براي كمك به تشخيص كودكاني است كه نامه يك ابزار غربالشود. اين پرسشمي

عنوان ابزار استاندارد، براي تواند بهنامة راتر مياحتمال اختالل هيجاني يا رفتاري دارند. پرسشن، پايايي اين كار رود. راتر با بكارگيري روش دو نيمه كردتوصيف اختالالت رفتاري كودكان، به

گزارش كردند. 98/0حدود 001/0پرسشنامه را در سطح معناداري هـاي خوانـدن و يـك آزمـون انفـرادي و مركـب از آزمـون مـتن آزمون تشخيصي خواندن:

هاي تكميلي و يكي از ابزارها در ارزيابي جامع جهت كمك به تشـخيص قطعـي ديسلكسـيا آزمونتـوان سـطح شده است. با اين آزمون مي فيتأل) 1390پور (. اين آزمون توسط شيرازي و نيلياست

هاي خواندن شامل سه متن داستاني اسـت؛ اولـين مـتن، خواندن كودك را بررسي كرد. آزمون متنو اعتبـار بـه روش دو 73/0هاي همتا هستند. مقدار آلفاي كرونباخ برابـر راهنما و دو متن ديگر متن

ذكر شده است. مقدار ضريب اعتبـار كـل 84/0روش گاتمن برابر و بر اساس 69/0نيم كردن برابر

1. Dreyfus 2. Hidden Layer 3. Rutter


97

گزارش شده است. 89/0در اين آزمون برابر اي هـا، در مراكـز انتخـاب شـده بـه روش خوشـه داده يآورجمـع به منظور :دادهگردآوري اي با حضور حداقل يكي از سرپرسـتان كـودك در خصـوص اهـداف پـژوهش تصادفي طي جلسه، همچنين اطالعات دقيق دموگرافيك و مراحـل رشـدي كودكـاني كـه سرپرسـت توضيح داده شد

اي مبنـي بـر نامـه مـذكور رضـايت جلسةدر انتهاي . آوري گشتآنها در جلسه حضور داشتند، جمعدر ادامه تمامي كودكان مراكز مذكور كـه رضـايت والـدين . تمايل به شركت كودك دريافت شدبود، جهت ارزيابي كاركردهاي اجرايي مورد ارزيابي قـرار از شركت دادن فرزندشان كسب گشته

شناختي -عصبي برنامةگيري و بررسي كاركردهاي اجرايي، ابزار استفاده شده جهت اندازهگرفتند. ) بود كه پيشتر به جزئيات آن اشاره شد.2016طراحي شده توسط دالوريان و همكاران (

اي مذكور در يك فايل اكسل اتمام تكاليف رايانهنتيجه يا كاركرد مربوط به هر كودك پس از - نقص توجه(كه تشخيص هر كودك )در اواخر دوم دبستان(ذخيره گشت تا پس از دو سال

تمامي . طراحي شبكه عصبي غربالگر مورد استفاده قرار گيرد شدمشخص ) و يا ديسلكسيا فعاليبيش، هم از نظر رفتاري و هم از نظر دقت، سرعت مورد ارزيابي دقيق در انتهاي سال دوم دبستان كودكان

هاي مربوط كاركردهاي اجرايي كودكان در نهايت داده. و درك مطلب خواندن، قرار گرفتند، نارساخواني و فعاليبيش-نقص توجهمربوط به مقطع پيش دبستان به عنوان ورودي و تشخيص .ورد مقايسه قرار گرفتندبهنجار (به عنوان خروجي) در طراحي شبكه غربالگر هوشمند م

شناختي - عصبي برنامةكه اجراي اول پژوهش مرحلةها براي در مجموع تعداد نمونهنفر شد كه تمامي اين افراد برنامه را اجرا 740دبستاني بود، ان پيشآموزدانشساخته توسط محقق

ذكر شده است. 1هاي مذكور در جدول كردند. اطالعات جمعيت شناختي نمونه

ها در مرحلة اول پژوهششناختي نمونهاطالعات جمعيت .1ول جد

M SD تعداد جنسيت

1/1 2/6 277 دختر 3/1 1/6 463 پسر


98

گيري، پس از حدود دو سال يعني در انتهاي سال دوم دبستان، بصورت دوم نمونه مرحلةهاي پيشين پس هارزيابي جامع كودكان انجام شد. در ارزيابي جامع، بررسي و تشخيص تمامي نمون

-هاي آموزشي در مدرسه، نظر معلمان، مصاحبه و ارزيابي باليني توسط دو رواناز بررسي پروندهها و معيارهاي ويرايش پنجم راهنماي تشخيصي و آماري اختالالت پزشك اطفال بر اساس مالك

ارزيابي پزشكي، همچنين استفاده از آزمون تشخيص اختالل خواندن و پرسشنامه راتر وروان-توسط دو متخصص با تجربه صورت گرفت. هر يك از متخصصان اختالالت يادگيري و روان

نفر به 139اول، مرحلة ةنمونه 740كردند. از ميان طور مستقل كودكان را ارزيابي ميهپزشكان، بفر ن 601داليل متعدد مانند مهاجرت، عدم همكاري و داليلي ديگر از پژوهش حذف شدند. تعداد

در بخش نتايج 2ها در جدول طور جامع ارزيابي باليني شدند كه نتايج آنهباقيمانده، ب نمونة(براي 1(براي كودكان بدون اختالل) و كد 0ها، با كد شود. تشخيص هر يك از نمونهمشاهده مي

ي)، در فعالبيش- (براي كودكان مبتال به اختالل نقص توجه 2كودكان مبتال به ديسلكسيا) و كد دبستاني، قرار داده شد تا ها در مقطع پيشهاي فايل اكسل مربوط به كاركرد شناختي آنمقابل داده 0ها، با كد تشخيص هر يك از نمونهگر تصميم باليني بكار گرفته شود. حمايت سامانةدر طراحي

كودكان مبتال به (براي 2(براي كودكان مبتال به ديسلكسيا) 1(براي كودكان بدون اختالل) و كد ها در مقطع هاي فايل اكسل مربوط به كاركرد شناختي آنبيش فعالي) در مقابل داده- نقص توجه

هاي كار گرفته شود. از دادههدبستاني، قرار داده شد تا در طراحي شبكه هوشمند غربالگر بپيش كودكان با تشخيص قطعي جهت طراحي شبكه غربالگر هوشمند استفده شد.

از افراد با تشخيص قطعي در هر %70/0عصبي مصنوعي پرسپترون شبكهدف آموزش با هزان يبه قدري تكرار شد تا م فرآيندن يم به سامانه ارائه شدند. ايجهت تعل يگروه بطور تصادف

مناسب ثابت نگاه داشته شده و يهاسپس، وزن .دي(حداقلِ ممكن) رس 0,03سامانه به يخطا شبكهپس از طراحي مانده جهت آزمودن به سامانه، ارائه شدند. يباق %30 د يعنييجد يهانمونه

طراحي شده، از شبكه عصبي مصنوعيِنيز بررسي شود يا به عبارت ديگر آنالزم بود تا كارايي


99

نيز مورد ارزيابي قرار گيرد. 3و اختصاصي بودن 2، حساسيت1بندينرخ دقت تشخيص يا طبقهنظر هاي هوشمند، روش ماتريس براي ارزيابي و سنجش كارايي شبكه هايكي از بهترين روش

.است 4آشفتگيهاي هوشمند ها و سامانهاين روش براي بررسي كيفيت و كارايي شبكه: ماتريس آشفتگيطراحي شده شبكة. در ماتريس آشفتگي )1393توحيدخواه و ياوري، ( باشدروشي قابل اطمينان

گيرد و ميانگين نرخ دقت كسب شده، مورد آزمون قرار مي نةيبهارد چندين مرتبه با استفاده از مواين روش، يك راه حل مناسب . گردديا صحت تشخيص، حساسيت و اختصاصي بودن محاسبه مي

به توجه شبكه، با يبرايك نمايش عملكرديِ كمي و است شبكهبراي تحليل كاركرد و كارايي مشاهده 2هر ستون ماتريس همانگونه كه در جدول . كندطبقات، ايجاد ميها يا گروهشناخت

نشان را واقعي يا تشخيص و هر رديف، طبقات شبكهشده توسط تشخيص دادههاي شود، نمونهمي است، يك جدول آشفتگي، شامل دو رديف و دو ستون 5هاي پيشگويانهدر تحليل .دهدميرا گزارش 9و مثبت صحيح 8غلط ، منفي7، مثبت غلط6كه تعداد موارد منفي صحيح )3جدول ( .)1393توحيدخواه و ياوري، (دهد مي

1. Correct Classification Rate (CCR) 2. Sensitivity 3. Specificity 4. Confusion Matrix 5. Predictive Analytics 6. True Negative (TN) 7. False Positive (FP) 8. False Negative (FN) 9. True Positive (TP)


100

)1393توحيدخواه و ياوري، (جدول ماتريس آشفتگي . 2جدول

نتايج

باقيمانده از نمونة 601جامع يابيارزپس از حدود دو سال يعني در انتهاي سال دوم دبستان پس از نفر تشخيص 25) و تعداد %6/15قطعي ديسلكسيا (نفر از آنها تشخيص 94اول، تعداد مرحلة

) را دريافت نمودند و ساير كودكان نيز بدون اختالل درنظر %4فعالي (بيش-اختالل نقص توجه ).3گرفته شدند (جدول

ها جهت طراحي شبكه هوشمند غربالگرشناختي نمونهاطالعات جمعيت. 3جدول

SD متوسط سن تعداد تشخيص

2/1 9/8 94 يامبتال به دبسلكس 3/1 5/8 25 فعاليبيش-مبتال به نقص توجه 1/1 8/8 482 بدون اختالل

سامانةبهينه، از ماتريس آشفتگي به منظور بررسي كارايي يا ارزيابي سامانةپس از طراحي طراحي شده به ماتريس ارائه شد سامانةطراحي شده استفاده شد. به اين منظور صد مرتبه خروجي

هوشمند غربالگر محاسبه سامانةبندي، حساسيت و اختصاصي بودن ين درصد دقت طبقهو ميانگگرديد. نتايج حاصل (هم بطور كلي و هم براي هر يك از سه گروه كودكان) به تفكيك در

شود.مشاهده مي 4جدول


101

پرسپترون ةيچندالعصبي شبكة. دقت، حساسيت و اختصاصي بودن سامانه بر اساس 4جدول

)%( ايسلكسيد )%( يفعالشيبتوجهنقص )%اختالل ( بدون سامانهكل 57/95 68/96 31/97 94 بينيدقت پيش 06/88 45/86 97/97 45/93 حساسيت

33/97 98 96/94 27/95 اختصاصي بودن

بيني كننده داراي دقتي غربالگر پيش سامانةطور كه از جدول فوق قابل استباط است، همان. افزون بر دقت باالي سامانه، با توجه به استبيني هر يك از دو اختالل مدنظر ر پيشد %95بيش از

مثبت يا مبتال شدةبيني پيش توان به موارددرصدهاي باالي حساسيت و اختصاصي بودن ميطور كه در جدول (حساسيت) و يا منفي يا عدم ابتال (اختصاصي بودن) اطمينان كامل داشت. همان

. در بررسي استود در نگاه كلي دقت اين سامانه در تشخيص هر دو اختالل باال شمشاهده ميبيش از دقت در تشخيص ديسلكسيا است. البته الزم به ذكر ADHDتر دقت در تشخيص جزئي

و دقيقا عكس اين ADHDبيني در موارد مثبت ديسلكسيا بيشتر از موارد مثبت است كه دقت پيشتوان است. در نهايت مي ADHDوارد منفي ديسلكسيا در مقايسه با بيني محالت در خصوص پيش

.استبيني هر دو اختالل هوشمند غربالگر داراي دقت بااليي در پيش سامانةادعا نمود كه اين

گيريبحث و نتيجه

وابسته به مداخلةهاي مطرح در خصوص تشخيص ديرهنگام و متعاقب آن با توجه به چالشفعالي)، طراحي بيش- تحولي شايع (ديسلكسيا و نقص توجه- الل عصبيتشخيص دقيق دو اخت

دبستانيِ مستعد در اين پژوهش بيني و غربالگري كودكان پيشهوشمند جهت پيش دقيق و سامانةدر تشخيص پشين يهاپژوهشمدنظر قرار گرفت. در مقايسه نتايج حاصل از اين پژوهش با

و دقت ) 2006( 1، منگ و هانگوو در تحقيق %54/28دقت عصبي، شبكة سطتو نارساخوانيبا شبكه طراحي %5/84و حساسيت %8/91دست آمده بود. دقت هبا ماشين بردار پشتيبان، ب 95/80%

1. Wu, Meng & Huang


102

) گرچه دقت و حساسيت 2011در تحقيق ماالني و همكاران ( 1شده به روش درخت تصميمتا پيش از اين نتايجي ارزشمند و قابل ، اما هستنداين پژوهش شدةتر نسبت به شبكه طراحي پايين

ها با پس از مدت) 2012( 2منغيرماالني، مور و جِينطراحي شده توسط سامانةدقت اند. توجه بودهرسيد كه همچنان از دقت سامانه طراحي %90فازي افزايش يافت و نهايا به به سامانةاستفاده از

.استاين پژوهش كمتر شدةهاي هوشمند عصبي نيز اغلب بيش فعالي توسط شبكه -قص توجهدر تشخيص اختالل ن

از ورود به مدرسه و تجربه شكست متوالي »پس«هاي طراحي شده داراي قابليت اطمينان سيستمبيني نداشتند بيني يا تشخيص زودهنگام نبوده و دقت باال در پيشكودك داشتند و قادر به پيش

) در تشخيص 2007( 4ات حائز اهميت، پژوهش مورياس). از مطالع2012و همكاران، 3(پيرسكودكان مبتال به عنوان ورودي براي EEGبيش فعالي بود كه از نتيجه - اختالل نقص توجه

شبكهة). اين شبكه اگرچه نسبت به 2007طراحي شبكه هوشمند غربالگر استفاده كرد (مورياس، به ساير مطالعات دقت باالتري را نسبت اماطراحي شده در پژوهش حاضر دقت كمتري دارد

تري كسب كرده بود. الزم به ذكر است كه شبكه طراحي شده توسط مورياس هم دقت پايينجهت تشخيص دقيق، EEGهاي نسبت به شبكه طراحي شده فعلي دارد، هم بدليل استفاده از داده

بر است.بسيار هزينههاي و غربالگري اين دو اختالل، نمونههاي پيشين مرتبط با تشخيص طور كلي در پژوهشهب

براين، هدف، كودكان دبستاني بودند. در اغلب آنان كودكان حداقل هشت سال سن داشتند. افزونهاي آكادميك و يا وابسته به مدرسه مانند يك تكليف وابسته حداقل يك شرط وابسته به مهارت

بايست جهت اجراي برنامه، مهارت كان ميلذا كود ؛ها گنجانده شده بودبه خواندن در اين برنامهمدرسه را كردند و يا حضور، شكست و به ناچار تحقير درنياز كسب ميخواندن را به عنوان پيش

1. Decision Tree 2. Manghirmalani, More & Jain 3. Pierce 4. Murias


103

چندين سال شكست تجربةهاي مذكور همراه با كردند. در نتيجه، اجراي برنامهتجربه و تحمل ميهاي تشخيصي و يا مچنين، اكثر اين برنامههاي روانشناختي متعاقب آن بود. هدر مدرسه و آسيب

كودك نبودند. بالقوةهاي بازي نداشتند و قادر به دستيابي و استخراج توانايي جنبةغربالگر، هاي هاي متعدد، روشها و الگوريتمهاي متعدد و آزمون روشدر پژوهش فعلي پس از بررسي

و از ميان بندي و تمايزجهت طبقه معرفي شده در هوش مصنوعي، به عنوان الگوريتمي مناسبهاي متعدد هوش مصنوعي، شبكه عصبي مصنوعي به عنوان روشي با قدرت باال جهت الگوريتم

) انتخاب شدند. ورودي بهينه جهت 1393توحيدخواه و ياوري، ( يرخطيغطبقه بندي و تمايزهاي دون نياز به توانايي خواندن بود كه بهايي ميهوشمند عصبي بايد داده آموزش و آزمون اين شبكه

هاي گيري و سنجش مهارتو لحاظ دانستن نقاط ضعف مطرح در مطالعات پيشين، بر اساس اندازهشناختي طراحي شده توسط دالوريان و -عصبي برنامةلذا ؛شناختي به دست آمده باشد -عصبي

ها و مؤلفهابي برخي از اي، ارزيبرنامه در قالب بازي رايانه نيا ) استفاده شد.2016همكاران (فعالي را در بيش- ديده در كودكان مبتال به ديسلكسيا و نقص توجههاي شناختي آسيبتوانايي

، بدون نياز به توانايي خواندن امكانپذير ساخت.دبستانسنين پيش از ميانگين محاسبةكارايي آن از طريق محاسبةغربالگر و بررسي و سامانةپس از طراحي اين

اي قابل اعتماد معرفي شد. در حساسيت و اختصاصي بودن، اين سامانه به عنوان سامانه دقت،برنامه در ارائةبه جز هاي قبلي خصوص ارجحيت و اولويت اين سامانه نسبت به ابزارها و روش

قالب بازي كودكانه و جذابيت آن و درنتيجه جلب توجه كودك و تالش كودك براي استفاده از ديده، ناشي از شناختي آسيب- هاي عصبيمؤلفهگيري نايي خود، لحاظ كردن و اندازهتوا نةيشيب

اند نيز بايد لحظ نمود.هاي اخير به اثبات رسيدهكه در سال نقص مدارهاي نورونيها و نتايج كاربردي بااهميت، با الزم به ذكر است كه پژوهش فعلي به زغم خروجي

توان به همزمان شدن دريافت برخي خدمات جمله مي هاي نيز همراه است كه ازمحدوديتاي تخصصي پيش از تشخيص قطعي كودكان و در نتيجه آسيب به روايي دروني تحقيق مداخله


104

اشاره كرد؛ بدين معناكه برخي از كودكان طي مدت زمانِ درنظر گرفته شده تا تشخيص قطعي، با ي ويژه و توانبخشي را آغاز نمودند كه صالحديد آموزگار و يا والدين، دريافت خدمات آموزش

گذار بود. اين تأثيرتشخيص قطعي كودكان در انتهاي دوم دبستان بسيار فرآيندله در أاين مسها در هاي آنها محدود بود، به ناچار از پژوهش حذف شدند و دادهكه البته تعداد آن كودكان حمايتگر بكار برده نشد. سامانةطراحي

ديگر پژوهش ناهمگن بودن كودكان، از منظر ميزان آشنايي و تسلط بر هاياز محدوديتان از حيث آموزدانشگردد جهت جبران عدم همگني رايانه در مناطق مختلف بود. لذا، پيشنهاد مي

ها، انجام تكليف، در مدرسه يا در كتابخانه جلسةمعارفه تا جلسة فاصلةتسلط بر رايانه، كودكان در بازي و نه لزوما در ژةيوهاي ، در مكانمحورانهيرارايانه تا انجام يك بازي دةمشاهاز حداقل .مند گردندمنزل، بهره

منابع

. چاپ پانزدهم، انتشارات دانشگاه پيام نور، تهران، ايران.اختالالت يادگيري). 1392( .افروز، غالمعليتوحيدخواه، فرزاد. و زاده، شهريارغريب ؛معليافروز، غال ؛نيا، پروينديباج ؛نايبي، الهه ؛دالوريان، مونا

بيش فعالي از كودكان با -). طراحي سيستم افتراق دهنده دقيق كودكان با اختالل نقص توجه1394( .98-90)، 2( 4، فصلنامه طب توانبخشياي با استفاده از شبكه عصبي مصنوعي. اختالل رفتار مقابله. انتشارات دانشگاه كاربرد فناوري اطالعات در پزشكي). 1393ياوري، فاطمه. ( و توحيدخواه، فرزاد

تكنيك تهران)، تهران، ايران.صنعتي اميركبير (پلي). طراحي برنامة 1393( .سيدكاظم طباطبايي، زاده رسولو فرزاد توحيدخواه، ؛غالمعلي افروز،؛ مونا دالوريان،

فظه فعال با هدف غربالگري كودكان در گيري و بررسي حامحور جهت اندازه - عصبي شناختي رايانه .75- 83، 5) 3، (پژوهشي طب توانبخشي- فصلنامه. علميمعرض اختالل خواندن يا ديسلكسيا،


105

سةي). مقا1394( سيدكاظم طباطبايي، زادهلرسو و فرزاد توحيدخواه،؛ غالمعليز، افرو ؛ونام دالوريان،-عصبي برنامة توسطر: بهنجا با كودكان ياديسلكسد مستع كودكان شنيداري و ديداري فعال حافطة .53-43، 5)2(ي يادگيري، هاناتواني يهمجل .شده طراحي شناختي

آموزش كنترل تكانه ي). اثربخش1391فاطمه. ( ي،محمد و قائم ،يمانيعباس؛ نر ،يابوالقاسم د؛يسع ،يرجب، مدرسه يروان شناس يهمجل. ADHDي نشانه ها يان داراآموزدانشو ابعاد آن در يبر خودكارآمد

1)4 ،(57-33. ان عادي با آموزدانش). مقايسه نيمرخ حافظه فعال 1391فرامرزي، ساالر. ( و عابدي، احمد ؛زاغيان، مهشيد بين همايش چهارمينبيش فعالي. -ان داراي ناتواني يادگيري خواندن و اختالل نقص توجهآموزدانش .نوجوانان و كودكان پزشكي روان الملليهاي آموزشي بر حافظه كوتاه ). تأثير بازي1388تاراج، شيرين. ( و فرزانه ؛اميري آهويي ؛زارع، حسين

9، فصلنامه كودكان استثناييهاي ويژه يادگيري. ان پايه ابتدايي با ناتوانييآموزدانشمدت و امالي )4 ،(367-374.

وين ، نگمعتمد يگانه ؛اكبرعليارجمندنيا، رضا؛رستمي، ؛الدينصالحلطفي، ؛شكوهي يكتا، محسن. نظة فعال كودكان نارساخواشناختي بر عملكرد حاف ياانهياثربخشي تمرين را). 1393علي. (شريفي، .46-56، 23) 3، (شناسيشنوايي). تأثير درمان مبتني بر آموزش مراقبه ذهن آگاهي بر بي نظمي 1395حبيب. ( ،هاديان فرد و بهناز ،كياني

.118-138)، 1(5، روان شناسي مدرسه يمجلهي. غير بالين ADHD هيجاني در نوجوانان يياجرا يهاآموزش كنش ي). اثربخش1397. (يچمن آباد، عل يو غنائ يعل ،يمشهد ؛يمهد ،يشيگ ياثيغ

.195-177 ،)2(7، مدرسه يروان شناس يمجلهان. آموزدانش يليبر ارتقاء عملكرد تحص دبكيو نوروف ي). اثربخش1393محسن. ( دينكاح، س يو اصغر درضايحم ان،يآقامحمد ؛يعل ،يزهرا؛ مشهد ان،يمراد

ان مبتال آموزدانش ي/سازماندهيزيرو برنامه يبر بهبود بازدار يياجرا يهاكنش بر يمبتن يقصه درمان .204-186، )2(3، مدرسه يروان شناس يمجله. يكنشتوجه/فزون ييبه اختالل نارسا

بر بهبود يشناخت يتوانبخش ريتأث ي). بررس1394نرگس. ( ،يزچيو تبر لياسماع ،يمانيمحمد؛ سل ،يمانينر يروان شناس يمجله. ADHD اختالل يدانش آموزان دارا ياضير يليتحص شرفتيو پتوجه ينگهدار


106

.118-134)، 2(4، مدرسه زشيبر انگ نيوالد تيريآموزش مد ي). اثربخش1393آذر. ( ،يامرثياعظم و ك ،يمحمد؛ شاهعل ،يمانينر

)، 4(3، مدرسه يروان شناس يمجله. ي/كم توجهيفعال شيان مبتال به اختالل بآموزدانش يليتحص142-128.

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.


107

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).


108

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


109

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).

Journal of Learning Disabilities, Autumn 2020 1399پاييز هاي يادگيري،ناتواني مجله

Vol. 10, No.1/200-209 200-1/209 شماره، 10 دوره

205

Investigating the accuracy and sensitivity of the intelligent screener system to predict children at risk of

neurodevelopmental disorders (attention deficit-hyperactivity disorder and dyslexia)

M. Delavarian1 & Gh. Afrooz2

Abstract

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.

Keywords: dyslexia, attention deficit-hyperactivity disorder, artificial neural network, neuro-cognitive program, screening

1. Corresponding Author: PhD in Psychology, Post doc in Neuropsychology [email protected] 2. Distinguished Professor of Exceptional Child psychology, Tehran university

Date post:	29-Jan-2021
Category:	Documents
Upload:	others
View:	0 times
Download:	0 times

(/0, 1 2 2 ) & # ˆ $% & ' ()˛˚ * + * ,- ˙ +. *ˆ & ( 9 * ˆ...

Documents

(/0, 1 2 2 ) & # ˆ $% & ' ()˛˚ * + * ,- ˙ +. ˆ & ( 9 ˆ...