利用可解释的机器学习方法揭示阅读障碍干预效果中的亚组异质性

《npj Science of Learning》：Uncovering subgroup heterogeneity in dyslexia intervention outcomes using explainable machine learning

　　

摘要

识别读写干预结果中的异质性有助于制定更加针对性的阅读障碍矫正策略。基于之前利用机器学习预测基线时对读写干预有反应和没有反应的学生的研究，本研究根据132名被诊断为阅读障碍的学生的特征重要性分析，发现了2个有反应的亚组和4个没有反应的亚组。这些学生在基线时的平均年龄为8.2岁（98.08个月），他们接受了平均33.62个月的读写干预。干预亚组的归属情况能够预测其中41名学生在干预后68.2个月的长期读写发展情况。本文对每个亚组的基线分数、主要预测因素以及长期读写结果进行了分析。“高基线反应组”和“低基线反应组”构成了两个有反应的亚组；而“完全不反应组”、“自学型不反应组”、“语音理解能力差的不反应组”以及“基线分数最低的不反应组”则构成了四个没有反应的亚组。总体而言，我们的研究发现，聚类分析能够识别不同亚组的特征，并展示了纵向读写发展数据的预测潜力。