From data to pre-diagnosis: an evaluation of Machine learning models for dyslexia detection

Abstract

Dyslexia is a learning difficulty related to the processing of language that affects approximately 10% of the Spanish population. Early detection of dyslexia is crucial to prevent academic failure or abandonment. In the present day, there are automated methods, such as machine learning methods, to process data, recognize patterns and detect pathologies. A previous study by Rello (2020) demonstrated that it is possible to apply machine learning to the detection of dyslexia. Rello created an open access tool through which, by performing a linguistic-based test, users can learn whether they might suffer from this disorder. Rello (2020) investigates the use of an algorithm that, from the processing of data, classifies users in the “Dyslexia” or “No dyslexia” classes. The goal of this thesis is to replicate the algorithm by Rello and contrast if other machine learning methods could be effective in detecting dyslexia. By training three supervised learning algorithms, we have obtained an algorithm with 92% of sensitivity for the “Dyslexia” class. More generally, this study demonstrates that other methods can also be satisfactory in the detection of dyslexia, and that the selection of parameters can influence the improvement of the results of a model.

La dislèxia és una dificultat d’aprenentatge relacionada amb el processament del llenguatge que afecta aproximadament el 10% de la població espanyola, per tant, la seva detecció precoç és essencial per prevenir el fracàs o l'abandonament escolar. Actualment, hi ha mètodes automatitzats, com els mètodes d'aprenentatge automàtic, per a processar dades, reconèixer patrons i detectar patologies. Un estudi previ realitzat per Rello (2020) ha demostrat que és possible aplicar l’aprenentatge automàtic a la detecció de la dislèxia. Rello desenvolupa una eina de lliure accés gràcies a la qual, en fer una prova amb base lingüística, els usuaris poden conèixer si pateixen aquest trastorn. Rello (2020) investiga l’ús d'algoritme que a partir del processament de dades, classifica els usuaris dins de les categories “Dislèxia” o “No dislèxia”. Aquest treball té com a objectiu replicar aquest algoritme utilitzat per Rello i contrastar si altres algoritmes d’aprenentatge automàtic poden resultar efectius en la detecció de la dislèxia. A partir de l'entrenament de tres algoritmes d’aprenentatge supervisat, hem obtingut com a resultat un algoritme que presenta un 92% de sensibilitat a la classe “Dislèxia”. L’estudi demostra que altres mètodes poden ser satisfactoris en la detecció de la dislèxia i que la selecció de paràmetres pot incidir en la millora dels resultats d’un model.

La dislexia es una dificultad de aprendizaje relacionada con el procesamiento del lenguaje que afecta alrededor del 10% de la población española, cuya detección temprana es esencial para prevenir el fracaso o abandono escolar. Actualmente, existen métodos automatizados, como los métodos de aprendizaje automático, para procesar datos, reconocer patrones y detectar patologías. Un estudio previo realizado por Rello (2020) demuestra que es posible aplicar el aprendizaje automático en la detección de dislexia. Rello desarrolló una herramienta de libre acceso donde, al realizar una prueba con base lingüística, los usuarios pueden saber si padecen de este trastorno. Rello (2020) investiga el uso de un algoritmo para la detección de dislexia, donde a partir del procesamiento de datos, se clasifica a los usuarios en las categorías “Dislexia” o “No dislexia”. Este trabajo tiene como objetivo replicar el algoritmo utilizado por Rello y contrastar si otros métodos podrían resultar efectivos en la detección de dislexia. A partir del entrenamiento de tres algoritmos de aprendizaje supervisado, obtuvimos un algoritmo con 92% de sensibilidad de la clase “Dislexia”. El estudio demuestra que otros métodos pueden resultar satisfactorios en la detección de la dislexia y qué la selección de los parámetros puede incidir en la mejora de los resultados de un modelo.