Gangguan Belajar didefinisikan sebagai "variasi sistem pikiran-tubuh yang halus dan terdistribusi secara regional" dan "tidak boleh disamakan dengan kesulitan belajar yang mungkin disebabkan oleh gangguan visual, pendengaran atau motorik, serta tantangan sosial."

Pada artikel ini kita melihat lebih dekat disleksia sebagai gangguan belajar. Pembelajaran mesin akan dinilai keefektifannya dalam mengklasifikasikan , memahami, dan membantu pengguna dengan disleksia.

Disleksia didefinisikan sebagai ketidakmampuan belajar yang memengaruhi kemampuan membaca. Disgrafia motorik memengaruhi kemampuan menulis dan mungkin merupakan tanda gangguan koordinasi perkembangan (DCD) seperti dyspraxia.

Memahami disabilitas seperti ini penting karena sekitar 10% populasi memiliki beberapa bentuk gangguan belajar. Gangguan belajar, jika tidak terdiagnosis, dapat menyebabkan prestasi akademik yang rendah dan dalam kasus terburuk kegagalan akademik.

Mendiagnosis kecacatan sejak dini bersama dengan penggunaan solusi pendidikan dapat mencegah kesulitan akademik seumur hidup dan berpotensi mengangkat orang tersebut ke rekan-rekan mereka yang "tidak cacat".

Disleksia

Disgrafia

Dispraksia

Secara sederhana, "pembelajaran mesin adalah teknik untuk menyerap dan mengenali pola informasi baru dari sejumlah besar data. Ini memungkinkan peneliti dan profesi informasi untuk mengenali strategi dan rencana yang akan dibuat dengan mudah" DAN "pembelajaran mesin adalah tren yang sedang berkembang dalam perawatan kesehatan yang membantu profesional medis dalam menyelidiki, mengantisipasi, dan merawat pasien dengan lebih baik."

Mengapa pembelajaran mesin itu penting?

Pembelajaran mesin mampu menyaring sejumlah besar data dan menemukan pola yang tidak akan terlihat oleh peneliti manusia. Faktanya, sebuah penelitian dapat mengabdikan seluruh hidup mereka untuk penemuan di mana sebuah mesin dapat sampai pada kesimpulan yang sama dalam sekejap.

Algoritme dan alat yang digunakan untuk mengukur, menilai, dan memahami data menjadi kunci keberhasilan pembelajaran mesin secara keseluruhan. Pembelajaran mesin itu sendiri ambigu, tetapi dengan jaringan saraf, pohon keputusan, pengelompokan k-means dan sejenisnya, kami membuka kekuatan pemrosesan mentah pembelajaran mesin dengan kecerdikan kecerdasan manusia. Kekuatan pemrosesan dan wawasan manusia dapat digabungkan untuk menemukan strategi yang membantu lebih cepat dari yang pernah diperkirakan.

Pembelajaran mesin

1. Sistem Diagnosis dan Klasifikasi untuk mendeteksi efek negatif dari disleksia. Ini akan digunakan sebagai alat untuk menentukan disleksia
2. Analisis tampilan luar menggunakan jaringan syaraf tiruan dalam sistem e-learning dan menggunakan preprocessing, ekstraksi fitur, dan klasifikasi. Seperti poin 1, ini akan menentukan kemungkinan adanya disleksia
3. Program komputer untuk mempelajari alfabet untuk anak disleksia yang secara khusus dirancang untuk kesulitan belajar mereka yang unik. Program komputer dapat menyesuaikan diri dengan masing-masing anak. Program-program ini akan memungkinkan dukungan langsung sebelum studi dan analisis ekstensif dilakukan oleh para praktisi. Oleh karena itu waktu yang dibutuhkan untuk diagnosis dan perencanaan berkurang secara drastis
4. Aplikasi membaca seluler . Aplikasi dapat membacakan kata-kata untuk mereka sehingga mereka dapat memahami teksnya. Kata-kata juga dapat dimodifikasi dengan berbagai cara berdasarkan tingkat keahliannya. Dengan cara ini pembelajaran mesin dapat digunakan untuk meningkatkan pemahaman bacaan pengguna disleksia dengan menggunakan teknik yang diarahkan pada pengguna tertentu daripada menggunakan kerangka kerja umum.
5. Mendeteksi perilaku pengguna berdasarkan keterlibatan . Gunakan pembelajaran mesin dan kategorisasi gambar untuk memprediksi keterlibatan siswa. Hasil ditentukan dengan menggunakan Support Vector Machine (SVM), Nave Bayes dan K-Nearest Neighbor (k-NN). Jika hasil prediksi terbukti efektif, ini bisa menjadi alat yang berharga untuk menilai keterlibatan siswa yang kemudian dapat digunakan untuk menganalisis teknik pembelajaran di masa mendatang di antara pengguna disleksia dan mereka yang memiliki berbagai ketidakmampuan belajar.
6. Menggunakan pembelajaran mesin untuk menganalisis cara orang berinteraksi dengan game dan mendeteksi disleksia sejak dini. Ini akan dilakukan dengan cara berikut: a) analisis etimologis empiris tentang kesalahan yang biasanya dibuat oleh individu disleksia dan b) fungsi kognitif terkait disleksia spesifik dalam pikiran; menjadi: keterampilan bahasa, memori kerja, fungsi eksekutif dan proses persepsi
7. Eye -tracker digunakan untuk menganalisis gerakan mata untuk membedakan antara penderita disleksia dan non-disleksia. Ciri-ciri gerakan mata yang dapat diidentifikasi antara lain: obsesi, saccades, transien dan mutilasi. Analisis Komponen Utama menghasilkan karakteristik dari data pelacak dan pada gilirannya SVM-PSO Kernel Hibrida berdasarkan Particle Swarm Optimization (PSO) dapat digunakan untuk memprediksi disleksia

sumber: https://www.bizstim.com/news/article/how-machine-learning-can-improve-learning-disabilities