Disleksi (okuma güçlüğü), diskalkuli (matematik güçlüğü) ve disgrafi (yazma güçlüğü) olarak bilinen öğrenme güçlükleri yaşayan çocuklar "yaramaz", "tembel" veya "dikkatsiz" olarak etiketlenebiliyor. Fakat bu durumlar; zekâ geriliği veya tembellikten değil, beynin bilgiyi işleme biçimindeki nörolojik farklılıklardan kaynaklanıyor.

İSTANBUL (İGFA) - Harfleri veya kelimeleri tanımada zorluk, okuma veya yazma hızının yaşıtlarından düşük olması gibi birçok belirtiyle kendini gösteren öğrenme güçlükleri (disleksi, dispraksi, diskalkuli vb) beynin bazı bölgelerindeki farklılıklar veya işlev bozuklukları nedeniyle ortaya çıkıyor.

Erken tanının önem taşıdığı bu sorun karşısında ya belirtiler yeterince anlaşılmıyor ya da başka durumlarla karıştırılabiliyor.

Bu kapsamda Bahçeşehir Üniversitesi Mühendislik ve Doğa Bilimleri Fakültesi Bilgisayar Mühendisliği Bölümü’nden Dr. Günet Eroğlu’nun Diagnostics dergisinde yayınlanan Elektroensefalografi Tabanlı Nöroinflamasyon Teşhisi ve Öğrenme Güçlüklerindeki Rolü adlı makalesi öğrenme güçlüğü yaşayan çocukların tanısında elektroensefalografi (EEG) temelli yapay zekâ modellerinin umut verici sonuçlar verdiğini ortaya koydu.

Araştırma, EEG verilerinden elde edilen 70 farklı özelliğin, bir yapay sinir ağı (YSA) modeliyle analiz edilmesine dayanıyor. Bu model, öğrenme güçlüğü yaşayan çocuklar ile sağlıklı kontrol grubunu birbirinden ayırmada olağanüstü bir başarı gösterdi. Modelin performansını değerlendirmek için kullanılan 5-katlı çapraz doğrulama (5-fold cross-validation) testinde, modelin yüzde 99.49'luk ortalama bir doğruluk oranına ulaştığı belirlendi. Bu yüksek doğruluk, daha önce uzun süreli gözlem ve testlerle yapılan tanılama sürecinin, kısa ve güvenilir bir EEG uygulamasıyla desteklenmesini mümkün kılıyor.

TEKNOLOJİ, ÇOCUKLARIN GELECEĞİNE IŞIK TUTUYOR

Öğrenme güçlüğü gibi durumların teşhis ve tanı süreçlerinin geleneksel yöntemlerle oldukça karmaşık ve zaman alıcı olduğunu belirten Auto Train Brain CEO’su Dr. Günet Eroğlu, “Frontal ve sol temporal bölgelerde yavaş dalgaların yoğun olduğunu ve hızlı dalgaların daha az olduğunu biliyoruz. Geliştirdiğimiz bu yapay zekâ destekli model, EEG verilerini kullanarak tanı sürecini hızlandırıyor ve yüzde 99'un üzerinde bir doğrulukla güvenilir sonuçlar elde etmemizi sağlıyor. Bu sayede, uzun süreli gözlem ve değerlendirmelere dayanan eski yöntemlerin yerini, nörofizyolojik verilere dayanan daha hızlı ve objektif bir yaklaşım alıyor.