यह पृष्ठ तुर्की से स्वचालित रूप से अनुवादित किया गया है। मूल पढ़ें

यह पृष्ठ 26वीं विश्व मनोरोग कांग्रेस में प्रस्तुत अध्ययन का कृत्रिम बुद्धिमत्ता की सहायता से तैयार किया गया तुर्की सारांश है। अध्ययन का स्वामित्व इसे प्रस्तुत करने वाले लेखकों के पास है; उद्धरण के लिए मूल स्रोत देखें।

EV0289

ई-पोस्टरडिजिटल मनोचिकित्सा और कृत्रिम बुद्धिमत्ताव्यवस्थित समीक्षा

बच्चों में नेत्र-अनुवर्तन डेटा के माध्यम से डिस्लेक्सिया की स्क्रीनिंग में मशीन लर्निंग दृष्टिकोण: वर्गीकरण विधियों और प्रदर्शन की व्यवस्थित समीक्षा

MACHINE LEARNING APPROACHES FOR DYSLEXIA SCREENING USING EYE-TRACKING DATA IN CHILDREN: A SYSTEMATIC REVIEW OF CLASSIFICATION METHODS AND PERFORMANCE

प्रस्तुतकर्ता: Maryam Ayub

देश: Pakistan

संस्थान: King Edward Medical University

नेत्र-अनुवर्तन डेटा पर आधारित मशीन लर्निंग मॉडल डिस्लेक्सिया की स्क्रीनिंग में 96–97% तक के वर्गीकरण प्रदर्शन के साथ पारंपरिक स्क्रीनिंग विधियों से बेहतर परिणाम दे रहे हैं, लेकिन मध्यम स्तर के पक्षपात के जोखिम और सीमित बाह्य वैधता के कारण भावी बहुकेंद्रीय अध्ययनों की आवश्यकता है।

इस समीक्षा का उद्देश्य नेत्र-अनुवर्तन (eye-tracking) डेटा का उपयोग करने वाले स्वचालित डिस्लेक्सिया पहचान मॉडलों का मूल्यांकन करना, विभिन्न एल्गोरिदम के वर्गीकरण प्रदर्शन की तुलना करना और वास्तविक समय में काम करने वाली स्क्रीनिंग प्रणालियों की नैदानिक उपयोगिता की जाँच करना था। PRISMA 2020 दिशानिर्देशों का पालन करते हुए पाँच डेटाबेस में उनकी शुरुआत से अगस्त 2023 तक की सामग्री की खोज की गई; नेत्र-गति की विशेषताओं पर आधारित मशीन लर्निंग मॉडलों के लिए मात्रात्मक प्रदर्शन मापदंड प्रस्तुत करने वाले अध्ययनों को शामिल किया गया। आठ अध्ययनों में 7 से 13 वर्ष की आयु के कुल 782 प्रतिभागी शामिल थे और नमूने का आकार 30 से 187 के बीच था। वर्गीकरण की सटीकता (accuracy), जो 2015 में 80.18% थी, नवीनतम कन्वोल्यूशनल न्यूरल नेटवर्क (CNN) दृष्टिकोणों के साथ बढ़कर 96.6% हो गई; SVM-RFE मॉडल ने 95.6% सटीकता, 95.5% संवेदनशीलता (sensitivity) और 95.7% विशिष्टता (specificity) के साथ संतुलित प्रदर्शन दिखाया। वेग-आधारित (velocity-based) विशेषताओं ने फैलाव-आधारित (dispersion-based) विशेषताओं की तुलना में स्पष्ट रूप से बेहतर प्रदर्शन किया (95.6% बनाम 76%); वास्तविक समय प्रसंस्करण ने प्रति सेकंड 7 मिलीसेकंड के प्रसंस्करण समय के साथ 88.9% सटीकता हासिल की और हाइब्रिड SVM-PSO मॉडल 96% की अधिकतम सटीकता के साथ पारंपरिक दृष्टिकोणों से आगे रहे। तुलनात्मक मानदंड के रूप में, पारंपरिक स्क्रीनिंग विधियाँ केवल 70–80% सटीकता, 41.5% संवेदनशीलता और 93.5% विशिष्टता के स्तर तक सीमित हैं। निष्कर्षतः, नेत्र-अनुवर्तन आधारित मशीन लर्निंग डिस्लेक्सिया की स्क्रीनिंग में पारंपरिक विधियों की तुलना में बेहतर प्रदर्शन प्रदान करती है, लेकिन मध्यम स्तर के पक्षपात के जोखिम और सीमित बाह्य सत्यापन के कारण मानकीकृत प्रोटोकॉल के अनुसार संचालित, सुव्यवस्थित रूप से अभिकल्पित, बहुकेंद्रीय भावी अध्ययनों की आवश्यकता है।

मूल पोस्टर पर जाएँ

इस अध्ययन को कैसे उद्धृत करें?

APA 7: Amin, F., Zahra, F. T., & Ayub, M. (2026, September 23-26). Machine learning approaches for dyslexia screening using eye-tracking data in children: a systematic review of classification methods and performance [E-poster]. 26th WPA World Congress of Psychiatry (WCP 2026), Stockholm, Sweden. https://cslide.ctimeetingtech.com/wcp26/attendee/eposter/file/654

Vancouver: Amin F, Zahra FT, Ayub M. Machine learning approaches for dyslexia screening using eye-tracking data in children: a systematic review of classification methods and performance [e-poster]. 26th WPA World Congress of Psychiatry (WCP 2026); 2026 Sep 23-26; Stockholm, Sweden. Available from: https://cslide.ctimeetingtech.com/wcp26/attendee/eposter/file/654

लेखकों के नाम और शीर्षक का प्रारूप कांग्रेस की प्रणाली से स्वचालित रूप से तैयार किए गए हैं; उपयोग करने से पहले मूल पोस्टर से मिलान करें।

इसी विषय से संबंधित

WCP 2026 के सभी सारांश