An Explainable Digital Biomarker Framework for Early Dyslexia Identification

दशकों से, बच्चों में डिस्लेक्सिया की पहचान करने का मार्ग "वेट-टू-फेल" (विफलता की प्रतीक्षा करना) नामक एक निराशाजनक पैटर्न का अनुसरण करता रहा है। एक बच्चा पढ़ने में संघर्ष करता है, शिक्षक और माता-पिता महीनों या वर्षों तक इस उम्मीद में देखते रहते हैं कि यह कठिनाई अपने आप ठीक हो जाएगी, और केवल तब एक औपचारिक निदान किया जाता है जब बच्चा काफी पीछे छूट चुका होता है और बार-बार शैक्षणिक शर्मिंदगी का सामना कर चुका होता है। यह देरी इसलिए नहीं होती क्योंकि शुरुआती संकेत अदृश्य होते हैं, बल्कि इसलिए होती है क्योंकि उन्हें पहचानने के उपकरण अक्सर स्कूलों और क्लीनिकों में प्रभावी ढंग से उपयोग करने के लिए बहुत जटिल, बहुत महंगे या बहुत अस्पष्ट होते हैं। हम जानते हैं कि विशिष्ट संज्ञानात्मक क्षमताएं, जैसे कि एक बच्चा परिचित वस्तुओं का नाम कितनी जल्दी ले सकता है या वह शब्दों में व्यक्तिगत ध्वनियों को कितनी अच्छी तरह अलग कर सकता है, औपचारिक निर्देश शुरू होने से बहुत पहले पढ़ने के जोखिम के मजबूत संकेतक होती हैं। चुनौती कभी भी साक्ष्य की कमी नहीं रही, बल्कि एक सरल, विश्वसनीय उपकरण की अनुपस्थिति रही है जो उन शुरुआती संकेतों को एक परिवार के लिए स्पष्ट, कार्रवाई योग्य उत्तर में बदल सके।

यह शोध पत्र एक नए प्रारंभिक डिस्लेक्सिया पहचान उपकरण के लिए एक नया ढांचा (फ्रेमवर्क) डिजाइन करके उस अंतर को संबोधित करता है, जो इस सिद्धांत पर आधारित है कि एक चिकित्सा या शैक्षिक निर्णय उन लोगों के लिए समझने योग्य होना चाहिए जो इसे ले रहे हैं। शोधकर्ता, एक बड़े पांच-चरणीय अनुसंधान कार्यक्रम के हिस्से के रूप में काम करते हुए, इस प्रश्न से आगे बढ़ चुके हैं कि किन संकेतों को देखना है—जो कि पिछले चरण में चार विशिष्ट संज्ञानात्मक मार्करों को शामिल करने के साथ हल किया जा चुका था—और पूरी तरह से इस बात पर ध्यान केंद्रित किया है कि उन्हें कैसे संयोजित किया जाए। लक्ष्य एक ऐसी प्रणाली बनाना है जो "ब्लैक बॉक्स" के रूप में कार्य न करे, जहाँ कंप्यूटर बिना कारण बताए केवल एक जोखिम स्कोर थोंप दे, बल्कि इसके बजाय एक पारदर्शी मार्गदर्शक के रूप में कार्य करे। परिणामी डिज़ाइन, जिसे 'एक्सप्लेनेबल डिजिटल बायोमार्कर फॉर डिस्लेक्सिया' (EDBD) कहा जाता है, पंद्रह से बीस मिनट के डिजिटल मूल्यांकन का एक विनिर्देश (स्पेसिफिकेशन) है जिसे एक बच्चा काफी हद तक स्वयं ले सकता है। यह चार अलग-अलग कार्यों के परिणामों को लेता है और उन्हें एक एकल संभाव्यता अनुमान (प्रोबेबिलिटी एस्टीमेट) में बुनता है, लेकिन महत्वपूर्ण रूप से, यह एक सरल भाषा में स्पष्टीकरण भी प्रदान करता है कि किन कारकों ने उस अनुमान को प्रेरित किया, जिससे यह सुनिश्चित होता है कि माता-पिता और विशेषज्ञ एक ही अंतर्निहित तर्क को देख रहे हैं।

इस नए ढांचे का मूल आधार आधुनिक आर्टिफिशियल इंटेलिजेंस में उपयोग किए जाने वाले जटिल, छिपे हुए एल्गोरिदम से बचने का एक जानबूझकर किया गया विकल्प है। हालांकि शक्तिशाली मशीन-लर्निंग मॉडल कभी-कभी उच्च सटीकता प्राप्त कर सकते हैं, वे अक्सर ऐसे तरीकों से काम करते हैं जो पता लगाने में असंभव होते हैं, जिससे उपयोगकर्ता बिना इसके स्रोत को समझे केवल एक संख्या पर भरोसा करने के लिए मजबूर रह जाते हैं। लेखक का तर्क है कि बच्चे की शिक्षा और स्वास्थ्य से जुड़े उच्च-दांव वाले निर्णयों के लिए, यह अस्पष्टता अस्वीकार्य है। इसके बजाय, उन्होंने एक सरल, योगात्मक (एडिटिव) आर्किटेक्चर को चुना। कल्पना कीजिए कि यह प्रणाली एक रहस्यमय मशीन नहीं, बल्कि एक तराजू की तरह है जहाँ प्रत्येक चार संज्ञानात्मक मार्कर अंतिम परिणाम में एक विशिष्ट वजन जोड़ता है। सिस्टम एक जोखिम स्कोर की गणना इन चार क्षेत्रों के योगदान को जोड़कर करता है: फोनमिक अवेयरनेस (भाषण ध्वनियों के साथ हेरफेर करने की क्षमता), रैपिड ऑटोमेटाइज्ड नेमिंग (परिचित वस्तुओं को कितनी तेजी से नाम दिया जाता है), ऑर्थोग्राफिक चॉइस (सही वर्तनी को पहचानना), और वर्बल वर्किंग मेमोरी (शब्दों के अनुक्रम को मन में रखना)। क्योंकि गणित योगात्मक और पारदर्शी है, इसलिए सिस्टम ठीक से दिखा सकता है कि इन चार क्षेत्रों में से प्रत्येक ने अंतिम स्कोर में कितना योगदान दिया, न कि उस तर्क को किसी जटिल न्यूरल नेटवर्क के भीतर छिपा देता है।

परिणामों को भरोसेमंद बनाने के लिए, ढांचे में अनिश्चितता के लिए अंतर्निहित सुरक्षा उपाय शामिल हैं। सिस्टम केवल एक संख्या नहीं देता; यह यह दिखाने के लिए एक सीमा (रेंज) प्रदान करता है कि वह उस अनुमान में कितना आश्वस्त है, यह स्वीकार करते हुए कि कोई भी परीक्षण पूर्ण नहीं होता। यह स्वयं सत्र की गुणवत्ता की भी जांच करता है। यदि बच्चा विचलित है, यदि ऑडियो रिकॉर्डिंग खराब है, या यदि बच्चा कार्यों को पूरा नहीं करता है, तो सिस्टम परिणाम को निम्न गुणवत्ता वाला घोषित कर देता है और एक विशिष्ट संभाव्यता संख्या देने के बजाय, पुनः प्रयास करने की सिफारिश करता है। यह उस खतरनाक स्थिति को रोकता है जहाँ एक माता-पिता को अव्यवस्थित या अधूरे डेटा के आधार पर एक आत्मविश्वास से भरी संख्या प्राप्त होती है। डिज़ाइन इस तथ्य को भी ध्यान में रखता है कि विभिन्न भाषाओं में वर्तनी के नियम भिन्न होते हैं; जबकि डिफ़ॉल्ट सेटिंग्स अंग्रेजी के लिए कैलिब्रेटेड हैं, ढांचे में विभिन्न लेखन प्रणालियों वाली भाषाओं के लिए वर्तनी-संबंधी कार्यों के भार को समायोजित करने का एक तंत्र शामिल है, जिससे यह सुनिश्चित होता है कि उपकरण विभिन्न क्षेत्रों में निष्पक्ष और सटीक बना रहे।

इस प्रणाली का आउटपुट दो अलग-अलग दर्शकों के लिए डिज़ाइन किया गया है, जो एक ही डेटा को देख रहे हैं लेकिन अपनी आवश्यकताओं के अनुरूप तरीके से देख रहे हैं। परिवारों और शिक्षकों के लिए, परिणाम आइकनों के एक सरल दृश्य ग्रिड के रूप में प्रस्तुत किया जाता है, जहाँ छायांकित आइकन डिस्लेक्सिया की संभावना को दर्शाते हैं, साथ ही स्कोर के मुख्य कारण की व्याख्या करने वाला एक छोटा, सरल भाषा का वाक्य होता है। चिकित्सकों के लिए, वही डेटा एक विस्तृत चार्ट के रूप में दिखाया जाता है जो प्रत्येक चार मार्करों के योगदान को तोड़ता है, जिससे गहन पेशेवर समीक्षा की अनुमति मिलती है। यह द्वि-दृश्य दृष्टिकोण सुनिश्चित करता है कि माता-पिता को दिया गया स्पष्टीकरण एक सरलीकृत झूठ या अस्पष्ट अनुमान नहीं है, बल्कि वही तर्क है जो विशेषज्ञ देखता है, बस एक अधिक सुलभ प्रारूप में प्रस्तुत किया गया है। ढांचे में स्कोर के आधार पर आगे क्या करना है, इसके लिए स्पष्ट मार्गदर्शन भी शामिल है: कम जोखिम सामान्य स्क्रीनिंग जारी रखने का सुझाव देता है, मध्यम जोखिम कक्षा के भीतर गहन सहायता का सुझाव देता है, और उच्च जोखिम पूर्ण औपचारिक मूल्यांकन के लिए रेफरल का सुझाव देता है।

यह ध्यान देना महत्वपूर्ण है कि यह शोध पत्र एक तैयार, परीक्षित उत्पाद प्रस्तुत नहीं करता है। लेखक एक ऐसी प्रणाली का पूर्ण, विस्तृत ब्लूप्रिंट पेश कर रहे हैं जिसे अभी तक बनाया नहीं गया है और न ही वास्तविक बच्चों के साथ आजमाया गया है। डिज़ाइन में प्रत्येक संख्या, प्रत्येक मार्कर को दिए गए प्रारंभिक भार से लेकर जोखिम स्तरों के लिए विशिष्ट थ्रेशोल्ड तक, अनंतिम (प्रोविजनल) है और अनुसंधान के अगले चरण में वास्तविक दुनिया के डेटा के विरुद्ध परीक्षण के लिए प्रतीक्षारत है। लेखक स्पष्ट रूप से कहते हैं कि उन्होंने अभी तक यह सिद्ध नहीं किया है कि यह विशिष्ट डिज़ाइन अन्य तरीकों से बेहतर काम करता है; बल्कि, उन्होंने एक कठोर, साक्ष्य-आधारित विनिर्देश तैयार किया है जो समझाने योग्य एआई (AI) की खामियों से बचता है। उन्होंने एक ऐसा मार्ग तैयार किया है जहाँ प्रत्येक डिज़ाइन विकल्प को मौजूदा वैज्ञानिक साहित्य से जोड़ा जा सकता है, जिससे एक ऐसी प्रणाली बनती है जो निर्माण, परीक्षण और परिष्कृत करने के लिए तैयार है। अंतिम लक्ष्य इस विश्वास को एक ठोस, परीक्षण योग्य वास्तविकता में बदलना है कि किसी भी बच्चे को यह समझे बिना वर्षों तक पढ़ने के लिए संघर्ष नहीं करना चाहिए कि क्यों, और वैज्ञानिक साक्ष्य तथा बच्चों को सफल होने में मदद करने के लिए आवश्यक व्यावहारिक उपकरणों के बीच के अंतर को पाटना है।