Utilização de Modelos Computacionais Baseados em Classificadores Para Predição da Dislexia em Crianças
Resumo
A dislexia é uma das dificuldades de aprendizagem mais comum nas salas de aula. Dessa forma o estudo teve como finalidade a classificação de crianças com ou sem dislexia através da aplicação de técnicas de Inteligência Computacional (IC). Para a metodologia utilizou-se de uma base de dados pública e da aplicação das arquiteturas neurais, Multilayer Perceptron (MLP), Radial Basis Function (RBF) e Extreme Learning Machine (ELM) e dos classificadores estatísticos, Support Vector Machine (SVM), Random Forest (RF) e K-Nearest Neighbors (K-NN), assim como das técnicas k-fold, SMOTE e normalização z-score. Os resultados demonstraram que o classificador SVM obteve a melhor taxa média de acerto com 98,03% de acurácia.
Referências
Araujo, M. D. A., Moreira, L. Y. M. R., and de Brito, R. X. (2019). Modelo computacional com fuzzy como recurso auxiliador na predição da esquizofrenia em adultos. In Anais da VII Escola Regional de Computação Aplicada à Saúde, pages 199–204. SBC.
Assis, A. D., Coutinho, T. M., Torres, L. C., and Braga, A. P. (2019). Filtragem linear e abordagem geométrica baseada em grafos para o ajuste de parâmetros e redução de complexidade de redes neurais rbf.
Asvestopoulou, T., Manousaki, V., Psistakis, A., Smyrnakis, I., Andreadakis, V., Aslanides, I. M., and Papadopouli, M. (2019). Dyslexml: Screening tool for dyslexia using machine learning. arXiv preprint arXiv:1903.06274.
Brito, D. and Ling, L. L. (2019). Hand vein biometric recognition approaches based on wavelet, svm, artificial neural network and image registration. Inteligencia Artificial, 22(63):101–120.
Caldas, G., Maia, E. J. Q., Lima, N. C. d. A., et al. (2020). Rede mlp para auxílio ao diagnóstico do transtorno do espectro autista em crianças e adolescentes. Anais do Encontro de Computação do Oeste Potiguar ECOP/UFERSA (ISSN 2526-7574), (4).
Cândido, E. d. C. (2013). Psicopedagogia para a dislexia nas séries iniciais do ensino fundamental. Especialização em Psicopedagogia. Universidade Cândido Mendes. Rio de Janeiro: RJ.
Ceravolo, I., Brasil, A., and Komati, K. (2019). Classificação de dislexia a partir de movimentos oculares durante a leitura usando aprendizado de máquina e wavelets. In Anais do XVI Encontro Nacional de Inteligência Artificial e Computacional, pages 880–891. SBC.
de Alvarenga Júnior, W. J. (2018). Métodos de otimização hiperparamétrica: um estudo comparativo utilizando árvores de decisão e orestas aleatórias na classificação binária.
de Brito, R., Fernandes, C. A., and de Sousa Ximenes, J. (2020a). Avaliação de rnas durante treinamento supervisionado para classificação de adolescentes com autismo. In Anais da VIII Escola Regional de Computação do Ceará, Maranhão e Piauí, pages 53–60, Porto Alegre, RS, Brasil. SBC.
de Brito, R. X., Fernandes, C. A. R., and Amora, M. A. B. (2020b). Análise de desempenho com redes neurais articiais, arquiteturas mlp e rbf para um problema iSys-Revista Brasileira de Sistemas de de classificação de crianças com autismo. Informação, 13(1):60–76.
de Oliveira, L. F. d. R. (2017). Comparação de Desempenho Entre os Modelos Neurais Ágeis ELM e WISARD. PhD thesis, Universidade Federal do Rio de Janeiro.
Deuschle, V. P. and Cechella, C. (2009). O décit em consciência fonológica e sua relação com a dislexia: diagnóstico e intervenção. Revista Cefac, 11:194–200.
Enriquez, A. R. S. et al. (2020). Diagnóstico de falhas em transformadores de potência através de análise de gases dissolvidos usando rede neural articial.
Jerônimo, S. D. and Duarte, F. J. (2016). Dificuldade de aprendizagem: A importância do fazer do professor para inclusão do aluno disléxico. Editora Realize.
Mendes, H. M. D., Mendes, N. R. S., and Soares, J. C. (2021). Dislexia: Dificuldades de aprendizagem - um olhar sobre a dislexia. RECIMA21-Revista Científica Multidisciplinar-ISSN 2675-6218, 2(3):337–350.
Pain, S. (2012). Diagnóstico e tratamento dos problemas de aprendizagem. In Diagnóstico e tratamento dos problemas de aprendizagem, pages 85–85.
Assis, A. D., Coutinho, T. M., Torres, L. C., and Braga, A. P. (2019). Filtragem linear e abordagem geométrica baseada em grafos para o ajuste de parâmetros e redução de complexidade de redes neurais rbf.
Asvestopoulou, T., Manousaki, V., Psistakis, A., Smyrnakis, I., Andreadakis, V., Aslanides, I. M., and Papadopouli, M. (2019). Dyslexml: Screening tool for dyslexia using machine learning. arXiv preprint arXiv:1903.06274.
Brito, D. and Ling, L. L. (2019). Hand vein biometric recognition approaches based on wavelet, svm, artificial neural network and image registration. Inteligencia Artificial, 22(63):101–120.
Caldas, G., Maia, E. J. Q., Lima, N. C. d. A., et al. (2020). Rede mlp para auxílio ao diagnóstico do transtorno do espectro autista em crianças e adolescentes. Anais do Encontro de Computação do Oeste Potiguar ECOP/UFERSA (ISSN 2526-7574), (4).
Cândido, E. d. C. (2013). Psicopedagogia para a dislexia nas séries iniciais do ensino fundamental. Especialização em Psicopedagogia. Universidade Cândido Mendes. Rio de Janeiro: RJ.
Ceravolo, I., Brasil, A., and Komati, K. (2019). Classificação de dislexia a partir de movimentos oculares durante a leitura usando aprendizado de máquina e wavelets. In Anais do XVI Encontro Nacional de Inteligência Artificial e Computacional, pages 880–891. SBC.
de Alvarenga Júnior, W. J. (2018). Métodos de otimização hiperparamétrica: um estudo comparativo utilizando árvores de decisão e orestas aleatórias na classificação binária.
de Brito, R., Fernandes, C. A., and de Sousa Ximenes, J. (2020a). Avaliação de rnas durante treinamento supervisionado para classificação de adolescentes com autismo. In Anais da VIII Escola Regional de Computação do Ceará, Maranhão e Piauí, pages 53–60, Porto Alegre, RS, Brasil. SBC.
de Brito, R. X., Fernandes, C. A. R., and Amora, M. A. B. (2020b). Análise de desempenho com redes neurais articiais, arquiteturas mlp e rbf para um problema iSys-Revista Brasileira de Sistemas de de classificação de crianças com autismo. Informação, 13(1):60–76.
de Oliveira, L. F. d. R. (2017). Comparação de Desempenho Entre os Modelos Neurais Ágeis ELM e WISARD. PhD thesis, Universidade Federal do Rio de Janeiro.
Deuschle, V. P. and Cechella, C. (2009). O décit em consciência fonológica e sua relação com a dislexia: diagnóstico e intervenção. Revista Cefac, 11:194–200.
Enriquez, A. R. S. et al. (2020). Diagnóstico de falhas em transformadores de potência através de análise de gases dissolvidos usando rede neural articial.
Jerônimo, S. D. and Duarte, F. J. (2016). Dificuldade de aprendizagem: A importância do fazer do professor para inclusão do aluno disléxico. Editora Realize.
Mendes, H. M. D., Mendes, N. R. S., and Soares, J. C. (2021). Dislexia: Dificuldades de aprendizagem - um olhar sobre a dislexia. RECIMA21-Revista Científica Multidisciplinar-ISSN 2675-6218, 2(3):337–350.
Pain, S. (2012). Diagnóstico e tratamento dos problemas de aprendizagem. In Diagnóstico e tratamento dos problemas de aprendizagem, pages 85–85.
Publicado
23/11/2021
Como Citar
SOUSA, Ronieri Nogueira de; SOUSA, Roney Nogueira de; BRITO, Rhyan Ximenes de; XIMENES, Janaide Nogueira de Sousa.
Utilização de Modelos Computacionais Baseados em Classificadores Para Predição da Dislexia em Crianças. In: ENCONTRO UNIFICADO DE COMPUTAÇÃO DO PIAUÍ (ENUCOMPI), 14. , 2021, Picos.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2021
.
p. 113-119.
DOI: https://doi.org/10.5753/enucompi.2021.17761.
