The role of explainable artificial intelligence in understanding machine learning predictions of dyslexia
Dı̇sleksı̇nı̇n makı̇ne öğrenme tahmı̇nlerı̇nı̇ anlamada açıklanabı̇lı̇r yapay zekanın rolü
- Tez No: 956848
- Danışmanlar: DR. ÖĞR. ÜYESİ TAMER UÇAR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 86
Özet
Bireylerin okuma ve yazma becerilerini etkileyen özgül bir öğrenme güçlüğü olan disleksinin erken teşhisi büyük önem taşıyor. Disleksi tanısı için uygulanan geleneksel yöntemlerin yanı sıra son yıllarda yapay zekânın da sürece dâhil edilmesi daha detaylı analizlerin yapılmasına büyük ölçüde olanak sağlamıştır. Bu çalışmada, 32 farklı görev üzerinden değerlendirilen dil becerilerine dayanarak disleksiyi tahmin etmek için yedi farklı makine öğrenmesi modeli (Random Forest, XGBoost, LightGBM, SVM, Naive Bayes, Neural Network ve k-NN) uygulanmıştır. Gerçek verilerle oluşturulan veri seti dengesiz olduğu için veriler SMOTE yöntemi ile dengelenerek analizler gerçekleştirilmiştir. Sonuçlar, Rastgele Orman modelinin %96,47 doğruluk ve %98 hatırlama ile en başarılı model olduğunu göstermiştir. Ancak Açıklanabilir Yapay Zeka (XAI) teknikleri kullanılarak analiz edildiğinde, farklı dil becerileri için farklı modellerin öne çıktığı görülmüştür. XAI analizleri disleksi tespitinde kritik rol oynayan değişkenleri belirlemiş ve Q24-Q32 sorularının birçok modelde öne çıkan en önemli faktörler olduğunu göstermiştir. Özellikle LIME sonuçları, k-NN ve DVM'nin belirli sorular için daha güçlü tahmin gücü sergilediğini göstermiştir. Bu çalışma, farklı makine öğrenmesi modellerini karşılaştırarak disleksi tespiti için en etkili yöntemi belirlemekte, model kararlarını XAI teknikleriyle açıklayarak yorumlanabilirliği artırmakta ve dil becerileri ile disleksi arasındaki ilişkiye dair önemli bulgular sağlamaktadır. Bu sonuçlar, disleksi teşhisi konusunda gelecekte yapılacak çalışmalar için yol gösterici olabilir ve daha şeffaf ve etkili teşhis sistemlerinin geliştirilmesine katkı sağlayabilir.
Özet (Çeviri)
Early diagnosis of dyslexia, a specific learning disability that affects individuals' reading and writing skills, is of great importance. In addition to the traditional methods applied for the diagnosis of dyslexia, the inclusion of artificial intelligence in process in recent years has greatly enabled more detailed analysis. In this study, seven different machine learning models (Random Forest, XGBoost, LightGBM, SVM, Naive Bayes, Neural Network, and k-NN) were applied to predict dyslexia based on linguistic skills assessed through 32 different tasks. Since the data set created with the real data was unbalanced, the data was balanced with the SMOTE method and analyzes were performed. The results showed that the Random Forest model was the most successful model with 96.47% accuracy and 98% recall. However, when analyzed using Explainable Artificial Intelligence (XAI) techniques, different models were found to be prominent for different language skills. XAI analyses identified variables that play a critical role in dyslexia detection and showed that questions Q24-Q32 are the most important factors that stand out in many models. In particular, LIME results indicated that k-NN and SVM exhibited stronger predictive power for specific questions. This study determines the most effective method for dyslexia detection by comparing different machine learning models, improves interpretability by explaining model decisions with XAI techniques, and provides important findings on the relationship between language skills and dyslexia. These results provide guidance for future studies on dyslexia diagnosis and may contribute to the development of more transparent and effective diagnostic systems.
Benzer Tezler
- Açıklanabilir yapay zeka ve akustik sinyaller kullanılarak endüstriyel makinelerde anomali tespiti
Anomaly detection in industrial machines using explainable ai and acoustic signals
BETÜL SENA ÇAĞLAR
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. DEVRİM AKGÜN
- Yapay zeka tabanlı non-ınvazıv kan şekeri ölçümü
Artificial intelligence-based non-invasive blood glucose measurement
GÖKHAN ADIGÜZEL
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBolu Abant İzzet Baysal ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÜMİT ŞENTÜRK
PROF. DR. KEMAL POLAT
- Explainable deep learning classification of tree species with very high resolution VHRTreeSpecies dataset
Açıklanabilir derin öğrenme yöntemleri ile çok yüksek çözünürlüklü VHRTreeSpecies veri seti kullanılarak ağaç türlerinin sınıflandırılması
ŞULE NUR TOPGÜL
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. ELİF SERTEL
- Advancing software defect prediction through ensemble Xai methods: Insights and performance evaluation
Entegre Xai yöntemleri ̇ile yazılım hata tahmininin geliştirilmesi: Analizler ve performans değerlendirmesi
BAHAR GEZİCİ GEZİCİ
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. AYÇA KOLUKISA
- Aiding agricultural practices with the exploration of earth observation data via machine learning
Yer gözlem uydu verilerinin tarımsal uygulamalara yardımcı olmak amacıya makine öğrenme algoritmaları ile incelenmesi
MEHMET FURKAN ÇELİK
Doktora
İngilizce
2023
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ESRA ERTEN