Koneoppimismallit lukemisen erityisvaikeuden tunnistamisessa

Lukemisen erityisvaikeus on yksi yleisimmistä oppimisvaikeuksista. Lukihäiriöllä on merkittävä vaikutus yksilön itsetuntoon ja koulumenestykseen, mutta aikaisella diagnosoinnilla ja kuntouttavalla interventiolla sen vaikutuksia voidaan minimoida. Tutkielman tarkoituksena on selvittää, että voidaanko...

Täydet tiedot

Bibliografiset tiedot
Päätekijä: Karhumaa, Joonas
Muut tekijät: Informaatioteknologian tiedekunta, Faculty of Information Technology, Informaatioteknologia, Information Technology, Jyväskylän yliopisto, University of Jyväskylä
Aineistotyyppi: Kandityö
Kieli:fin
Julkaistu: 2024
Aiheet:
Linkit: https://jyx.jyu.fi/handle/123456789/94985
Kuvaus
Yhteenveto:Lukemisen erityisvaikeus on yksi yleisimmistä oppimisvaikeuksista. Lukihäiriöllä on merkittävä vaikutus yksilön itsetuntoon ja koulumenestykseen, mutta aikaisella diagnosoinnilla ja kuntouttavalla interventiolla sen vaikutuksia voidaan minimoida. Tutkielman tarkoituksena on selvittää, että voidaanko lukihäiriö tunnistaa tehokkaasti ja luotettavasti silmänliikkeistä koneoppimismallien avulla. Tämän lisäksi tutkitaan, mitkä käytössä olevista koneoppimismalleista soveltuvat lukihäiriön tunnistamiseen parhaiten ja onko eri mallien välillä merkittävää eroa. Reading disability is one of the most common learning disabilities. Dyslexia has a significant impact on an individual’s self-esteem and academic performance, but with early diagnosis and rehabilitative intervention, its effects can be minimised. The aim of this thesis is to investigate whether dyslexia can be effectively and reliably identified from eye move- ments using machine learning models. It will also investigate which of the existing machine learning models are best suited for identifying dyslexia and whether there are significant differences between the different models.