fNIRS ve derin öğrenme kullanarak okuma güçlüğü riski taşıyan küçük Çinli öğrenciler için erken tespit çerçevesi

Okuma güçlüklerini erken yakalamanın önemi

Okumayı öğrenmek ilkokulda çocukların kazandığı en önemli becerilerden biridir, ancak birçok çocuk sınıf testlerinden yalnızca zor görünen şekilde mücadele eder. Okuma sorunları bariz hâle geldiğinde, destek için en uygun zaman pencerei kaçmış olabilir. Bu çalışma, çocukların basit görevler sırasında beyinlerinin nasıl çalıştığını sessizce gözlemleyip gelişmiş bilgisayar modelleriyle bu desenleri yorumlayarak hangi küçük Çinli öğrencilerin okuma güçlüğü riski taşıdığını tespit etmeye yönelik yeni bir yöntem sunuyor.

Gizli okuma zorluklarına daha yakından bakış

Okuma güçlüğü, genellikle gelişimsel disleksi olarak adlandırılır, dünya genelinde kayda değer bir çocuk grubunu etkiler. Bu çocuklar sözcükleri tanımada, akıcı okumada ve okuduklarını anlamada sürekli güçlük çekerler; zeka ve eğitimleri normal olsa bile. Karakter temelli bir yazı sistemine sahip Çince’de net disleksi oranı %4–7 civarında tahmin edilir, ancak öğretmenler notlarda beklentilerin hemen altında kalan çok daha fazla çocuk bildirmektedir. Bu çocuklar tıbbi açıdan katı disleksi tanımını karşılamayabilir, yine de ulusal müfredatın gerektirdiği karakterleri tanıma ve yazmada geride kalırlar. Bu daha geniş “risk altındaki” grubu erken belirlemek, frustrasyon ve başarısızlık kökleşmeden destek başlanabilmesi açısından kritik önemdedir.

Ameliyatsız olarak beynin sesini dinlemek

Araştırmacılar, beyindeki kan oksijen değişikliklerini ışıkla izleyen invaziv olmayan bir yöntem olan fonksiyonel yakın kızılötesi spektroskopiye (fNIRS) yöneldi. Çocuklar ışık kaynakları ve dedektörlerle donatılmış rahat bir kapak takar ve cihaz onlar çalışırken korteksin farklı bölgelerinin ne kadar aktif olduğunu ölçer. Bu çalışmada, ikinci sınıftan 30 öğrenci (öğretmenler tarafından okuma sorunlarına yakın olarak işaretlenen 16 ve tipik okuma gösteren 14) kapak takılıyken iki tür görevi tamamladı. Bunlardan biri, görsel olarak birbirine benzeyen Çince karakterleri ve İngilizce sözcükleri tanımalarını ve seçmelerini gerektiren bir görsel testti. Diğeri ise konuşulan ses çiftlerinin aynı mı farklı mı olduğunu karar vermelerini isteyen bir işitsel testti. Aynı zamanda sınıftaki tüm 150 çocuk, Çince karakterlerin pinyin’ini (ses temelli gösterim) kağıt-kalem testiyle yazdı; bu da risk altındaki grubun dil temelinde gerçekten daha kötü performans sergilediğini doğruladı.

Beyin desenlerini okumayı öğreten akıllı model

Ham fNIRS verileri dağınıktır: başın birçok noktasında kan oksijenindeki küçük değişimleri gösteren uzun zaman serileridir. Geleneksel istatistiksel araçlar bu kadar karmaşık sinyallerle zorlanır. Ekip, bu tür verileri özel olarak işlemek üzere RD-risk Sınıflandırıcı (RDr-C) adını verdikleri yeni bir derin öğrenme modeli geliştirdi. Önce, komşu sensörlerden gelen sinyallerin uzaysal ilişkilerini inceleyen grafik tabanlı bir modül, beynin ağ yapısını taklit eder. Ardından, çift yönlü zaman serisi modülü yüzlerce zaman noktasında aktivitenin hem ileri hem geri nasıl geliştiğini izler. Son olarak, dikkat (attention) modülü sinyalde en faydalı ipuçlarını hangi anların taşıdığını öğrenir. Bu parçalar birlikte, el yapımı kurallar olmaksızın risk altındaki çocukları akranlarından ayıran desenleri otomatik olarak keşfedebilen bir boru hattı oluşturur.

Olağanüstü doğru erken uyarı sinyalleri

Model veri setinin farklı bölünmelerinde tekrar tekrar eğitilip test edildiğinde, görsel ve işitsel görevler için doğruluk yaklaşık %99–100 civarında olarak risk altındaki ve tipik çocukları neredeyse her seferinde doğru ayırdı. Daha zorlu bir testte—tüm çocuklar üzerinde, bir çocuk hariç hepsiyle eğitilip bırakılan çocuk üzerinde tahmin yapma—model hâlâ yaklaşık %90 doğruluğa ulaştı. Standart sinir ağları ve iki özel fNIRS sınıflandırıcısı dahil olmak üzere rakip modeller belirgin şekilde daha kötü performans gösterdi. Model tarafından öğrenilen özelliklerin görselleştirmeleri, iki grup için sıkı ve iyi ayrılmış iki küme gösterdi; bu da risk altındaki çocukların beyin sinyallerinin, görevlerdeki davranışları akranlarından dramatik şekilde farklı olmasa bile, gerçekten ayırt edici bir imza taşıdığını düşündürdü.

İnce okuma riskleri hakkında beynin ortaya koydukları

Modelin ne öğrendiğini incelemek için araştırmacılar farklı beyin bölgelerinden gelen verileri sistematik olarak karıştırdı ve tahminlerin ne kadar bozulduğunu gözledi. Bu, ince parmak hareketleriyle ilişkili belirli bir alanı özellikle önemli olarak öne çıkardı. Ayrıntılı zaman–frekans analizleri, görsel olarak zorlayıcı görevler sırasında tipik çocukların bu bölgede düzenli, ritmik desenler sergilediğini; bu durumun işaret veya tuş vuruşu yaparken düzgün sensörimotor kontrolle uyumlu olduğunu gösterdiğini ortaya koydu. Buna karşılık, risk altındaki çocuklar daha düzensiz aktivite gösterdi; bu da genel bir motor bozukluğundan ziyade bağlama bağımlı bir koordinasyon sorunu olabileceğine işaret etti. Önemli olarak, bu fark işitsel görevde çok daha zayıftı; bu da belirli beyin koordinasyon sorunlarının ağırlıklı olarak görsel olarak yoğun, okuma benzeri talepler altında ortaya çıktığı fikrini güçlendiriyor.

Sınıfta beyin temelli yardıma doğru

Basitçe söylemek gerekirse, bu çalışma okuma açısından yalnızca hafif geride görünen bazı küçük çocukların bile görme, hareket ve dikkati okuma ile ilişkili görevler sırasında nasıl koordine ettiklerine dair ölçülebilir farklılıklar gösterebileceğini öne sürüyor. Güvenli beyin görüntüleme yöntemini özel bir derin öğrenme modeliyle birleştirerek, araştırmacılar gelecekte öğretmenlerin ve klinik uzmanların risk altındaki öğrencileri mevcut yöntemlerden çok daha erken tespit etmelerine yardımcı olabilecek yüksek doğruluklu bir erken uyarı aracı yarattı. Çalışma hâlâ küçük ölçekli olup sistemin daha büyük, daha çeşitli gruplarda test edilmesi ve muhtemelen el yazısı veya göz izleme gibi diğer ölçümlerle birleştirilmesi gerekiyor; yine de bu, ince öğrenme risklerinin sadece test puanlarına bakmakla değil, beynin çalışırken sessizce dinlenmesiyle de tespit edildiği bir geleceğe işaret ediyor.

Atıf: 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

Anahtar kelimeler: okuma güçlüğü, diskleksi, beyin görüntüleme, derin öğrenme, çocuk okuryazarlığı