Determining reading disorder with eye tracking and machine learning: A review of the literature

Yıl 2023, , 258 - 270, 14.09.2023

Esmehan Özer Rahime Duygu Temeltürk

https://doi.org/10.57127/kpd.26024438.1274658

Öz

Reading disorder, namely dyslexia, is described as the difficulty in the pronunciation and com-prehension dimensions of reading. Studies in which dyslexia, one of the most common learning disorders, are examined using a technology-based and innovative technique, eye tracking, are frequently encountered. By means of eye tracking, the saccade and the fixation of dyslexic read-ers are reached during reading and analysis are performed with the obtained physiological data. Thus, the analysis and examination of the reading skills of individuals with dyslexia and their reading performance and profiles are revealed. In addition, in recent years, eye tracking and machine learning have started to be applied together in determining whether a reader is dyslexic or not. This review aimed to analyze and summarize the researches carried out to identify dys-lexic individuals using eye tracking and machine learning. For this reason, in the article, after the definitions of eye movements and machine learning algorithms, studies on the detection of dyslexia in readers in four different languages, namely Spanish, Swedish, Greek and Finnish, were summarized. Therefore, it is critical to evaluate individuals with dyslexia clinically and educationally with physiological data, to diagnose them in the earliest period, to apply specific intervention programs, and to prevent academic failure and negative experiences. Thus, the accurate diagnosis can be made without loss of time and economic loss as a result of the appli-cation of eye tracking and machine learning even if it is complementary by clinical psycholo-gists, guidance, psychological counseling and special education specialists in psychiatry clinics and guidance research centers. In addition to studies conducted in four different languages re-garding the diagnosis of reading disorders with high accuracy using eye tracking and machine learning, individuals with dyslexia whose mother tongue is Turkish can also be evaluated and diagnosed in this way at the earliest age and specific intervention programs can be designed for them.

Anahtar Kelimeler

reading disorder, dyslexia, eye tracking, eye movements, machine learning, diagnosis

Etik Beyan

It is not a study that requires ethics committee approval.

Okuma bozukluğunun göz izleme ve makine öğrenmesiyle belirlenmesi: Alanyazının gözden geçirilmesi

Öz

Okuma bozukluğu yani disleksi okumanın sesletim ve anlama boyutlarındaki güçlüklerdir. Yaygın olarak karşılaşılan öğrenme bozukluklarından biri olan disleksinin teknoloji temelli ve yenilikçi bir teknik olan göz izleme ile incelendiği çalışmalarla sıklıkla karşılaşılmaktadır. Göz izleme tekniği aracılığıyla disleksili okurların okuma esnasında sekme ve sabitleme göz hareketlerine ulaşılmakta, elde edilen fizyolojik veriler ile analizler gerçekleştirilmektedir. Böylece disleksili okurların okuma becerilerine ilişkin yapılan analiz ve incelemeler ile okuma performans ve profilleri ortaya konulmaktadır. Bunun yanı sıra son yıllarda bir okurun disleksili olup olmadığının değerlendirilerek tespit edilmesinde göz izleme ve makine öğrenme algoritmalarının birlikte uygulanmaya başlandığı görülmektedir. Bu derleme çalışması ise göz izleme tekniği ve makine öğrenmesi algoritmaları kullanılarak disleksili bireylerin belirlenmesi için yapılan araştırmaların incelenerek özetlenmesini amaçlamaktadır. Bu nedenle makalede göz hareketleri ve makine öğrenmesi algoritmaları ile ilgili tanımlamaların ardından okurlarda disleksinin saptanmasına yönelik İspanyolca, İsveççe, Yunanca ve Fince olmak üzere dört farklı dilde yapılan çalışmalar özetlenmiştir. Dolayısıyla disleksili bireylerin fizyolojik veriler ışığında hem klinik hem de eğitsel olarak değerlendirilip en erken dönemde tanılanmalarının ve bu bireylere özgü müdahale programlarının geliştirilerek zaman kaybedilmeden uygulanmasının, akademik başarısızlığın ve olumsuz yaşantılarının önüne geçilmesi için kritik öneme sahip olduğu düşünülmektedir. Böylece göz izleme ile makine öğrenmesinin tamamlayıcı bir rolle de olsa tanı-değerlendirme süreçlerinde yer alarak psikiyatri kliniklerinde ve rehberlik araştırma merkezlerinde klinik psikolog, rehberlik psikolojik danışmanlık ve özel eğitim alanlarındaki uzmanlar tarafından uygulanması sonucunda doğru tanılamanın zaman kaybı ve ekonomik kayıp olmaksızın yapılabileceğine dikkat çekilmek istenmiştir. Göz izleme ve makine öğrenmesi kullanılarak yüksek doğruluk ile okuma bozukluğunun tanılanabileceğine ilişkin dört farklı dilde yapılan çalışmaların yanı sıra ana dili Türkçe olan disleksili bireylerin de bu yolla en erken dönemde değerlendirilip tanılanabilecekleri ve kendilerine özgü müdahale programlarının tasarlanabileceği öngörülmektedir.

Anahtar Kelimeler

okuma bozukluğu, disleksi, göz izleme, göz hareketleri, makine öğrenmesi, tanılama

Etik Beyan

Etik kurul onayı gerektiren bir çalışma değildir.

Kaynakça

• Alpaydın, E. (2009). Introduction to machine learning (2. baskı). MIT Press.
• American Psychiatric Association. (2013). Diagnostic and statistical manual of mental disorders (DSM-5®). American Psychiatric Association Publishing.
• Asvestopoulou, T., Manousaki, V., Psistakis, A., Smyrnakis, I., Andreadakis, V., Aslanides, I. M. ve Papadopouli, M. (2019). DysLexML: Screening tool for dyslexia using machine learning. ArXiv preprint arXiv: 1903.06 274, 121-127.
• Benfatto, M. N., Seimyr, G. Ö., Ygge, J., Pansell, T., Rydberg, A. ve Jacobson, C. (2016). Screening for dyslexia using eye tracking during reading. PloS One, 11(12), 1-16.
• Bojko, A. (2013). Eye tracking the user experience a practical guide to research. Rosenfeld.
• Chakraborty, V. (2020). A Study on different classification models for predicting dyslexia. Kristu Jayanti Journal of Computational Sciences, 1(1), 29-35.
• De Luca, M., Borrelli, M., Judica, A., Spinelli, D. ve Zoccolotti, P. (2002). Reading words and pseudowords: An eye movement study of developmental dyslexia. Brain and Language, 80(3), 617-626.
• Eden, G. F., Stein, J. F., Wood, H. M. ve Wood, F. B. (1994). Differences in eye movements and reading problems in dyslexic and normal children. Vision Research, 34(10), 1345-1358.
• Ercan, E. S., Polanczyk, G., Akyol Ardıc, U., Yuce, D., Karacetın, G., Tufan, A. E., Tural, U., Aksu, H., Aktepe, E., Rodopman Arman, A., Başgül, S., Bılac, O., Coşkun, M., Celık, G. G., Karakoc Demırkaya, S., Dursun, B. O., Durukan, İ., Fidan, T., Perdahlı Fiş, N., Gençoğlan, S., … Yıldız, N. (2019). The prevalence of childhood psychopathology in Turkey: A cross-sectional multicenter nationwide study (EPICPAT-T). Nordic Journal of Psychiatry, 73(2), 132-140.
• Filiz, E. (2019). Makine öğrenmesi yöntemleri ve eğitim verisi üzerine bir uygulama: Uluslararası Matematik ve Fen Eğilimleri Araştırması 2015 Türkiye örneği [Machine learning methods and an application on educational data: The trends in international mathematics and science study] (Yayınlanmamış doktora tezi). Yıldız Teknik Üniversitesi, İstanbul.
• Göker, H. (2019). Makine öğrenmesi teknikleri kullanılarak çocukluk çağı dikkat eksikliği ve hiperaktivite bozukluğunun tahmin edilmesine yönelik uzman sistem tasarımı [Expert system design for the prediction of attention deficit and hyperactivity disorder in childhood using machine learning techniques] (Yayınlanmamış doktora tezi). Gazi Üniversitesi, Ankara.
• Görgün, B. ve Melekoğlu, M. A. (2019). Türkiye’de özel öğrenme güçlüğü alanında yapılan çalışmaların incelenmesi. Sakarya University Journal of Education, 9(1), 83-106.
• Iwabuchi, M., Hirabayashi, R., Nakamura, K. ve Dim, N. K. (2017). Machine learning based evaluation of reading and writing difficulties. P. Cudd ve L. de Witte (Ed.), Harnessing the power of technology to improve lives içinde (s. 1001-1004). IOS Press.
• Kartal, E. (2015). Sınıflandırmaya dayalı makine öğrenmesi teknikleri ve kardiyolojik risk değerlendirmesine ilişkin bir uygulama [Machine learning techniques based on classification and a study on cardiac risk assessment] (Yayınlanmamış doktora tezi). İstanbul Üniversitesi, İstanbul.
• Kotsiantis, S. B. (2013). Decision trees: A recent overview. Artificial Intelligence Review, 39(4), 261-283.
• Küçük, R. G. (2019). Makine öğrenmesi yöntemleri ile Parkinson hastalığının teşhis edilmesi [Diagnosis of Parkinson's disease with machine learning methods] (Yayınlanmamış yüksek lisans tezi). İstanbul Aydın Üniversitesi, İstanbul.
• Lai, M. L., Tsai, M. J., Yang, F. Y., Hsu, C. Y., Liu, T. C., Lee, S. W. Y., Lee, M. H., Chiou, G. L., Liang, J. C. ve Tsai, C. C. (2013). A review of using eye-tracking technology in exploring from 2000 to 2012. Educational Research Review, 10, 90-115.
• Long, L., MacBlain, S. ve MacBlain, M. (2007) Supporting students with dyslexia at the secondary level: An emotional model of literacy. Journal of Adolescent & Adult Literacy, 51(2), 124-134.
• Lustig, J. (2016). Identifying dyslectic gaze pattern: Comparison of methods for identifying dyslectic readers based on eye movement patterns. KTH Vetenskap Och Konst. Sweden. http://kth.divaportal.org/smash/record.j
• Lyon, G. R., Shaywitz, S. E. ve Shaywitz, B. A. (2003). A definition of dyslexia. Annals of Dyslexia, 53(1), 1-14.
• Melekoğlu, M. A. ve Sak, U. (2018). Öğrenme güçlüğü ve özel yetenek (2. baskı). Pegem Akademi Yayıncılık.
• Modak, M., Ghotane, K., Siddhanth, V., Kelkar, N., Iyer, A. ve Prachi, G. (2019). Detection of dyslexia using eye tracking measures. International Journal of Innovative Technology and Exploring Engineering, 8, 1011-1014.
• Özer, E. (2019). Yetkin ve zayıf okurların okuma becerileri ile göz hareketleri arasındaki ilişkinin karşılaştırılarak incelenmesi [Comparative examination of the relationship between reading skills and eye movements of good and poor readers] (Yayınlanmamış doktora tezi). Gazi Üniversitesi, Ankara.
• Özer, E. ve Özdemir, S. (2021a). The relation between reading performance and eye movement parameters of high-skilled and low-skilled readers. Education and Science, 46(208), 395-412.
• Özer, E. ve Özdemir, S. (2021b). Yetkin ve zayıf okurların sıklığı yüksek olan sözcüklere ilk sabitleme sürelerinin incelenmesi. Ana Dili Eğitimi Dergisi, 9(3), 804-819.
• Özgür, A. ve Erdem, H. (2012). Saldırı tespit sistemlerinde kullanılan kolay erişilen makine öğrenme algoritmalarının karşılaştırılması. Bilişim Teknolojileri Dergisi, 5(2), 41-48.
• Peterson, R. L. ve Pennington, B.F. (2012). Developmental dyslexia. Lancet 379(9830), 1997-2007.
• Prabha, A. J. ve Bhargavi, R. (2019). Prediction of dyslexia from eye movements using machine learning. IETE Journal of Research, 1-10.
• Prabha, A. J. ve Bhargavi, R. (2020). Predictive model for dyslexia from fixations and saccadic eye movement events. Computer Methods and Programs in Biomedicine, 195, 105538.
• Prabha, J. A., Bhargavi, R. ve Ragala, R. (2018). Prediction of dyslexia using support vector machine in distributed environment. International Journal of Engineering & Technology, 7(4), 2795-2799.
• Raatikainen, P., Hautala, J., Loberg, O., Kärkkäinen, T., Leppänen, P. ve Nieminen, P. (2021). Detection of developmental dyslexia with machine learning using eye movement data. Array, 12, 100087.
• Rayner, K. (1998). Eye movements in reading and information processing: 20 years of research. Psychological Bulletin, 124(3), 372-422.
• Rayner, K. (2009). Eye movements and attention in reading, scene perception, and visual search. The Quarterly Journal of Experimental Psychology, 62(8), 1457-1506.
• Rello, L. ve Ballesteros, M. (2015). Detecting readers with dyslexia using machine learning with eye tracking measures. Proceedings of the 12th Web for All Conference içinde (s. 16). New York: Association for Computing Machinery.
• Sarıpınar, E. G. ve Erden, G. (2010). Okuma güçlüğünde akademik beceri ve duyusal-motor işlevleri değerlendirme testlerinin kullanılabilirliği. Türk Psikoloji Dergisi, 25(65), 56-66.
• Serrano, F. ve Defior, S. (2008). Dyslexia speed problems in a transparent orthography. Annals of Dyslexia, 58(1), 81-95.
• Smyrnakis, I., Andreadakis, V., Selimis, V., Kalaitzakis, M., Bachourou, T., Kaloutsakis, G., Kymionis, G. D., Smirnakis, S. ve Aslanides, I. M. (2017). RADAR: A novel fast-screening method for reading difficulties with special focus on dyslexia. PloS One, 12(8), e0182597.
• Tressoldi, P. E., Stella, G. ve Faggella, M. (2001). The development of reading speed in Italians with dyslexia: A longitudinal study. Journal of Learning Disabilities, 34(5), 414-417.
• Usman, O. L., Muniyandi, R. C., Omar, K. ve Mohamad, M. (2021). Advance machine learning methods for dyslexia biomarker detection: A review of implementation details and challenges. IEEE Access, 9, 36879-36897.
• Ünsal, Ö. (2011). Mesleki alan seçimlerinin makine öğrenmesi algoritması kullanılarak belirlenmesi [Determining vocational field elections by using machine learning algorithms] (Yayınlanmamış yüksek lisans tezi). Gazi Üniversitesi, Ankara.
• Vanitha, G. ve Kasthuri, M. (2021). Dyslexia prediction using machine learning algorithms-A Review. International Journal of Aquatic Science, 12(2), 3372-3380.