Il Machine Learning non supervisionato nella valutazione degli interventi di teleriabilitazione per la fluenza di lettura

Lo studio utilizza tecniche di machine learning non supervisionato per analizzare i dati di 6.692 bambini e adolescenti che hanno svolto un trattamento sulla lettura con l’App di teleriabilitazione Reading Trainer della piattaforma RIDInet e dato il consenso all’utilizzo dei dati anonimi a fine di ricerca: sono state individuate otto distinte curve di apprendimento, successivamente categorizzate in: Non-responders (nessuna risposta, il 14%), Partial Responders (risposta parziale, il 16%) e High Responders (alta risposta, il 70%) in base alle differenze tra le prestazioni di lettura iniziali e finali. 

Un’analisi di regressione multinomiale ha mostrato che i bambini più piccoli, con maggiori difficoltà iniziali e che avevano completato un numero più elevato di esercizi durante le sessioni di trattamento, avevano una maggiore probabilità di essere classificati come High Responders. 

Un’analisi della varianza a disegno misto ha rivelato che i bambini che sono passati dalla modalità manuale a quella temporizzata – due modalità di somministrazione di Reading Trainer – durante il training hanno mostrato un miglioramento della velocità di lettura nettamente superiore rispetto a quelli che sono rimasti sempre in modalità manuale, e un miglioramento leggermente superiore rispetto a chi ha utilizzato la modalità temporizzata dall’inizio alla fine.

Questi risultati forniscono spunti cruciali per prevedere le risposte all’intervento di lettura e aiutano a personalizzare le strategie di teleriabilitazione.

Lettura integrale dell’articolo qui: https://telerehab.hpu.edu/index.php/Telerehab/article/view/6735/7196