System wczesnego wykrywania młodych chińskich uczniów zagrożonych trudnościami w czytaniu z użyciem fNIRS i głębokiego uczenia

Dlaczego wczesne wykrywanie trudności w czytaniu ma znaczenie

Nauka czytania jest jedną z najważniejszych umiejętności zdobywanych przez dzieci w szkole podstawowej, a mimo to wiele z nich boryka się z problemami, które trudno dostrzec wyłącznie na podstawie testów klasowych. Gdy problemy z czytaniem stają się oczywiste, najlepszy moment na pomoc może już minąć. W tym badaniu przedstawiono nową metodę wykrywania, które młode chińskie dzieci są zagrożone trudnościami w czytaniu, poprzez dyskretne obserwowanie pracy ich mózgu podczas prostych zadań oraz wykorzystanie zaawansowanych modeli komputerowych do interpretacji tych wzorców.

Bliższe spojrzenie na ukryte problemy z czytaniem

Trudności w czytaniu, często określane jako dysleksja rozwojowa, dotyczą znaczącej części dzieci na całym świecie. Dzieci te mają trwałe trudności z rozpoznawaniem słów, płynnym czytaniem i rozumieniem tekstu, mimo normalnego poziomu inteligencji i edukacji. W języku chińskim, o systemie pisma opartym na znakach, odsetek dzieci z wyraźnie rozpoznawaną dysleksją szacuje się na 4–7%, ale nauczyciele zgłaszają znacznie więcej uczniów, którzy plasują się tuż poniżej oczekiwań dla ich klasy. Mogą nie spełniać ścisłej medycznej definicji dysleksji, a mimo to pozostają w tyle w rozpoznawaniu i pisaniu znaków wymaganych przez krajową podstawę programową. Wczesne zidentyfikowanie tej szerszej grupy „zagrożonych” jest kluczowe, aby wsparcie mogło rozpocząć się zanim zrodzi się frustracja i porażka.

Słuchanie mózgu bez operacji

Naukowcy sięgnęli po funkcjonalną spektroskopię bliskiej podczerwieni (fNIRS), nieinwazyjną metodę wykorzystującą światło do śledzenia zmian w natlenowaniu krwi w mózgu. Dzieci zakładają wygodną czapkę z rozmieszczonymi źródłami światła i detektorami, a urządzenie mierzy aktywność różnych obszarów kory podczas wykonywania zadań. W badaniu 30 uczniów drugiej klasy (16 wskazanych przez nauczycieli jako mających umiarkowane problemy z czytaniem i 14 o typowych umiejętnościach czytania) wykonywało dwa rodzaje zadań w czapkach. Jedno to test wzrokowy, w którym musieli rozpoznawać i wybierać chińskie znaki oraz angielskie słowa podobne do siebie. Drugie to test słuchowy, w którym decydowali, czy pary wypowiadanych dźwięków są takie same czy różne. Równocześnie wszyscy 150 uczniów w klasie przystąpiło do papierowego testu pisania pinyin (fonetycznego zapisu) dla znaków chińskich, co potwierdziło, że grupa zagrożona rzeczywiście radziła sobie słabiej w podstawach językowych.

Nauczanie inteligentnego modelu rozumienia wzorców mózgowych

Surowe dane fNIRS są chaotyczne: to długie szeregi czasowe pokazujące drobne zmiany w natlenowaniu krwi w wielu lokalizacjach na głowie. Tradycyjne narzędzia statystyczne mają trudności z takimi złożonymi sygnałami. Zespół opracował nowy model głębokiego uczenia, nazwany RD-risk Classifier (RDr-C), zaprojektowany specjalnie do przetwarzania tego typu danych. Najpierw moduł oparty na grafie analizuje, jak sygnały z sąsiednich sensorów korelują przestrzennie, naśladując strukturę sieci mózgowej. Następnie dwukierunkowy moduł dla szeregów czasowych śledzi, jak aktywność rozwija się na setkach punktów czasowych, zarówno w przód, jak i w tył. Na końcu moduł uwagi uczy się, które momenty w sygnale niosą najwięcej użytecznych informacji. Razem te elementy tworzą pipeline zdolny do automatycznego odkrywania wzorców rozróżniających dzieci zagrożone od ich rówieśników, bez ręcznie określonych reguł.

Zadziwiająco dokładne wczesne sygnały ostrzegawcze

Gdy model był wielokrotnie trenowany i testowany na różnych podziałach danych, prawidłowo rozróżniał dzieci zagrożone i typowe niemal za każdym razem, osiągając dokładności rzędu 99–100% zarówno dla zadań wzrokowych, jak i słuchowych. Nawet w trudniejszym teście — trenowaniu na wszystkich z wyjątkiem jednego dziecka i następnie przewidywaniu pozostawionego — model osiągał blisko 90% dokładności. Konkurencyjne modele, w tym standardowe sieci neuronowe i dwa wyspecjalizowane klasyfikatory fNIRS, wypadły wyraźnie gorzej. Wizualizacje cech wyuczonych przez model ukazały dwie ciasne, dobrze oddzielone klastry dla obu grup, co sugeruje, że sygnały mózgowe dzieci zagrożonych rzeczywiście niosą wyróżniający się znak, nawet jeśli ich zachowanie w zadaniach nie różniło się dramatycznie od rówieśników.

Co mózg ujawnia o subtelnych ryzykach związanych z czytaniem

Aby zbadać, czego model się nauczył, badacze systematycznie losowali dane z różnych obszarów mózgu i obserwowali, jak bardzo pogarszają się przewidywania. Wyróżniło to szczególny obszar związany z precyzyjnymi ruchami palców jako szczególnie ważny. Szczegółowa analiza czasowo‑częstotliwościowa wykazała, że podczas zadań wizualnie wymagających dzieci typowe wykazywały uporządkowane, rytmiczne wzorce w tym obszarze, zgodne z płynną kontrolą sensomotoryczną przy wskazywaniu lub naciskaniu klawiszy. Natomiast dzieci zagrożone prezentowały bardziej nieregularną aktywność, co sugeruje problem z koordynacją zależną od kontekstu, a nie ogólny deficyt motoryczny. Co istotne, różnica ta była znacznie słabsza w zadaniu słuchowym, co wzmacnia wniosek, że pewne problemy z koordynacją mózgową ujawniają się głównie przy zadaniach o dużym obciążeniu wizualnym typowych dla czytania.

W kierunku wsparcia w klasie opartego na mózgu

Mówiąc prosto, praca ta sugeruje, że niektóre młode dzieci, które wydają się tylko nieznacznie opóźnione w czytaniu, mogą już wykazywać wyraźne, mierzalne różnice w sposobie, w jaki ich mózgi koordynują wzrok, ruch i uwagę podczas zadań związanych z czytaniem. Łącząc bezpieczne obrazowanie mózgu z dostosowanym modelem głębokiego uczenia, badacze stworzyli wysoce dokładne narzędzie wczesnego ostrzegania, które w przyszłości mogłoby pomóc nauczycielom i specjalistom szybciej identyfikować uczniów zagrożonych — na lata wcześniej niż obecne metody. Choć badanie jest nadal niewielkie i system musi zostać przetestowany na większych, bardziej zróżnicowanych grupach — i być może połączony z innymi miarami, takimi jak pismo odręczne czy śledzenie ruchu gałek ocznych — wskazuje na przyszłość, w której subtelne ryzyka edukacyjne będą wykrywane nie tylko poprzez obserwację wyników testów, ale także przez dyskretne „wsłuchiwanie się” w pracę mózgu.

Cytowanie: Yang, P., Duan, Y., Wang, L. et al. An early detection framework for young Chinese learners at risk of reading difficulty using fNIRS and deep learning. Sci Rep 16, 14104 (2026). https://doi.org/10.1038/s41598-026-44379-7

Słowa kluczowe: trudności w czytaniu, dysleksja, obrazowanie mózgu, głębokie uczenie, umiejętność czytania u dzieci