آمار

تعداد نشریات11
تعداد شماره‌ها227
تعداد مقالات2,309
تعداد مشاهده مقاله3,582,363
تعداد دریافت فایل اصل مقاله2,621,973
رضایی, فهیمه, حسینی, راحیل, مزینانی, مهدی. (1398). ارایه مدل طبقه بندی بر اساس سیستم استنتاج فازی و الگوریتم ژنتیک جهت تشخیص اختلال خواندن در دانش آموزان مقطع راهنمایی. فناوری آموزش, 13(2), 439-448. doi: 10.22061/jte.2018.2818.1724
فهیمه رضایی; راحیل حسینی; مهدی مزینانی. "ارایه مدل طبقه بندی بر اساس سیستم استنتاج فازی و الگوریتم ژنتیک جهت تشخیص اختلال خواندن در دانش آموزان مقطع راهنمایی". فناوری آموزش, 13, 2, 1398, 439-448. doi: 10.22061/jte.2018.2818.1724
رضایی, فهیمه, حسینی, راحیل, مزینانی, مهدی. (1398). 'ارایه مدل طبقه بندی بر اساس سیستم استنتاج فازی و الگوریتم ژنتیک جهت تشخیص اختلال خواندن در دانش آموزان مقطع راهنمایی', فناوری آموزش, 13(2), pp. 439-448. doi: 10.22061/jte.2018.2818.1724
رضایی, فهیمه, حسینی, راحیل, مزینانی, مهدی. ارایه مدل طبقه بندی بر اساس سیستم استنتاج فازی و الگوریتم ژنتیک جهت تشخیص اختلال خواندن در دانش آموزان مقطع راهنمایی. فناوری آموزش, 1398; 13(2): 439-448. doi: 10.22061/jte.2018.2818.1724

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

فناوری آموزش
مقاله 17، دوره 13، شماره 2 - شماره پیاپی 50، فروردین 1398، صفحه 439-448    اصل مقاله (706.8 K)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22061/jte.2018.2818.1724
نویسندگان
فهیمه رضایی1؛ راحیل حسینی* 2؛ مهدی مزینانی3
1گروه مهندسی کامپیوتر، واحد شهر قدس، دانشگاه آزاد اسلامی، تهران، ایران
2گروه مهندسی کامپیوتر، واحد شهرقدس، دانشگاه آزاد اسلامی، تهران، ایران
3گروه مهندسی برق-الکترونیک، واحد شهرقدس، دانشگاه آزاد اسلامی،تهران، ایران
تاریخ دریافت: 12 مرداد 1396،  تاریخ بازنگری: 01 آذر 1397،  تاریخ پذیرش: 14 آذر 1397 
چکیده
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 95-94 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 فازی-ژنتیک 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 اجتماعی-اقتصادی است که پیشنهاد می‌شود این محدودیت ها در بررسی های آینده مورد توجه قرار گیرند.
کلیدواژه‌ها
اختلال خواندن؛ طبقه بندی؛ مدل فازی؛ الگوریتم ژنتیک؛ مدیریت عدم قطعیت
موضوعات
رویکردهای نوین آموزشی
عنوان مقاله [English]
A New Classification Model Fuzzy-Genetic Algorithm for Detection of learning disability of Dyslexia in Secondary School Students
نویسندگان [English]
F. Rezaee1؛ Rahil Hosseini2؛ Mahdi Mazinani3
1Department of Computer Engineering, Shahr-e-Qods Branch, Islamic Azad University, Tehran, Iran
2Department of Computer Engineering, Shahr-e-Qods Branch, Islamic Azad University, Tehran, Iran
3Department of Electrical Engineering, Shahr-e-Qods Branch, Islamic Azad University, Tehran, Iran
چکیده [English]
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 fuzzy-genetic 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 meta-algorithms 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 socio-economic status. It is suggested that these limitations be considered in future studies.

کلیدواژه‌ها [English]
Dyslexia, Fuzzy Modeling, Classification, Genetic Algorithm, Modelling Uncertainty
مراجع

[1] Karimzadeh P, Shirazi S, Nilipour, R. Design and evaluation of diagnostic test of reading. Journal of Rehabilitation Science and Research. 2003; 6: 11-7.  Persian.

[2] Niazi M, Zare M. Study of learning disabilities in elementary school students in Isfahan, Proceedings of the Congress of Pediatrics and Pediatric Surgery, Tehran, Arman Publication; 1995. Persian.

 [3] Investigating the awareness of primary school administrators of learning disabilities in the provinces of the country [master’s thesis]. Tehran. Persian.

[4] Nasrabadi SM, Mandana S. Investigating knowledge of middle and upper secondary education managers about special learning disabilities and their relationship with students' academic achievement. Educational Articles. 2004; 13: 33-44. Persian.

[5] Comparison of managers' awareness of learning disabilities in three elementary, secondary and secondary levels [master’s thesis]. Tehran: Persian.

[6] Faryar F, Rakhshan A. learning disability, Tabriz: Saba Publishing; 2009. Persian.

[7] Allah Radi M. Evaluation and comparison of visual perception, memory and visual and auditory sequences and phonological awareness skills in dyslexic and normal second grade children in Tehran [master’s thesis]. Tehran; 2009. Persian

[8] Baker J, Zigmond M. The meaning and practice of inclusion for student with learning disabilities: Themes and implications from the five cases. Journal of Special Education. 1995; 29: 163-180.

[9] Jones KH, Bender WN. Utilization of paraprofessionals in special education: A review of the literature. Journal of SpecialEducation. 1993; 14: 7-14.

[10] Cook B, Semmel MI. Are effective educational reforms effective for all students? The implications of joint outcomes Production for School Reform. Journal of Special Education. 2010; 7: 77-95.

[11] Hosseini R, Mazinani M. Classification of Uncertainty Sources in Intelligent Medical Image Processing and Analysis systems. In Proc. of Internal Conference of Computer Engineering and Science, Mashhad; 2014. Persian

[12] Reitano CT. System & method for dyslexia detection by analyzing spoken & written words.Journal of the Acoustical Society of America. 2003; 9.

[13] Fonseca LC, Tedrus G, Chiodi M, Cerqueira J,  Tonelotto J, Neuropsiquiatr A. Quantitative EEG in children with learning disabilities. Arquivos de Neuro-Psiquiatria. 2006; 64: 376-381.

[14] Pavlidis G. Eye Movement in Dyslexia: Their Diagnostic Significance. Journal of Learning Disabilities. 2001; 18: 42-50.

[15] Mico-Tormos P, Cuesta-Frau D, Novak D. EarlyDyslexia Detection Techniques by means of OculographicSignals. Paper presented at the 2nd European Medical & Biological Engineering Conference, Vienna, Austria; 2002.

[16] Wu T, Meng YR, Huang SC. Application of ANN to the identification of students with LD.Paper presented at theInternational Conference on Artificial Intelligence, Las Vegas, Nevada, USA. 2006.

[17] Novak D, Kordk P, Macas M, Vyhnalek M, Brzezny R, Lhotska L. School Children Dyslexia Analysis using SelfOrganizing Maps. Paper presented at the IEEE 26th Annual International Conference, San Francisco; 2004.

[18] David JM, Balakrishnan K. Significance of Classification Techniques in Prediction of Learning Disabilities in School Age Children. International Journal of Artificial Intelligence & Applications. 2001; 1: 110-120.

[19] Chen FS, Su Y. Application of Decision Tree Algorithm to the Identification of Students with Learning Disabilities. Department of Industrial Education and Technology, Taiwan; 2010.

[20] Upadhyay A, Singh SK. Classification of Learning Disable Students Using Artificial Neural Network. Dept. of Information Technology, Thakur college of Science and Commerce, Bhubaneswa; 2010.

[21] Wu TK, Huang SH, Meng YR. Improving ANN Classification Accuracy for the Identification of Students with LDs through Evolutionary Computation. Singapore: Evolutionary Computation; 2007.

[22] Balakrishnan J. Significance of Classification Techniques in Prediction of Learning Disabilities. International Journal of Artificial Intelligence & Applications. 2012; 1: 111-120.

[23] Jain K, Manghirmalan P, Dongardive J. Computational diagnosis of learning disability. International Journal of Recent Trends in Engineering, 2009; 2: 64-66.

[24] David J, Balakrishnan K. Performance Improvement of Fuzzy and Neuro Fuzzy Systems: Prediction of Learning Disabilities in School-age Children. International Journal of Intelligent Systems and Applications. 2013; 5: 34-52.

[25] Manghirmalani P, Panthaky Z, Jain K. Learning disability diagnosis and classification - A soft computing approach. Information and Communication Technologies, Mumbai; 2011.

[26] David J. Machine Learning Approach for Prediction of Learning Disabilities in School-Age Children. International Journal of Computer Applications. 2010;  9(12):  7-14.

[27] Ishibuchi H, Nakashimam T, Murata T. A fuzzy classifier system that generates linguistic rules for pattern classification problems.  Fuzzy Logic, Neural Networks, and Evolutionary Computation. pp 35-54; 1995.

[28] Rezaiee F, Hosseini R, Mazinani M. Designing a Fuzzy Inference System for Diagnosing Reading Disorder in Middle-Level Students. Computer Engineering, Mashhad, Iran; 2016. Persian.

[29] Fien H, Anderson D, Nelson NJ, Kennedy P, Scott KB. Identifying the Individual Differences Among Students During Learning and Teaching Process by Science Teachers. Learning Disabilities Research & Practice. 2018; 33(1): 37–50.

[30] Salazar-Ramirez A, Irigoyen E, Martinez R, Zalabarria U. An enhanced fuzzy algorithm based on advanced signal processing for identification of stress.Neuro Computing. 2018; 21: 48-57.

[31]  Guneş G, Şahin V. The algorithm of mathematical modelling for learning styles of pre-school children. International Journal of Primary, Elementary and Early Years Education. 2018, 3-13.

آمار
تعداد مشاهده مقاله: 1,932
تعداد دریافت فایل اصل مقاله: 979


سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب