Derin öğrenme modelleri kullanarak yazma alanında özgül öğrenme güçlüklerinin erken teşhisi
Early diagnosis of specific learning difficulties in writing using deep learning models
- Tez No: 998976
- Danışmanlar: PROF. DR. NEJAT YUMUŞAK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Psikiyatri, Computer Engineering and Computer Science and Control, Psychiatry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Sakarya Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışma, yazma alanındaki özgül öğrenme güçlükleri kapsamında yer alan disgrafiye odaklanmakta; el yazısı örneklerini derin öğrenme tabanlı yöntemlerle analiz ederek erken değerlendirmeye yönelik bir karar destek yaklaşımı önermektedir. Disgrafi, yazılı ifade becerilerini etkileyen ve çoğunlukla ince motor kontrol, bilişsel işlemleme ve görsel–algısal bütünleştirme alanlarındaki güçlüklerle ilişkilendirilen nörogelişimsel bir durumdur. Disgrafi; düzensiz harf oluşumu, harfler ve kelimeler arasında tutarsız boşluklar, satır üzerinde hizalamada bozulma, yazma akıcılığında azalma ve yazma hızında düşüş gibi el yazısı bozukluklarıyla kendini gösterebilir. Disgrafi bazen yalnızca el yazısı kalitesiyle sınırlı bir sorun olarak algılansa da, akademik ve psikososyal açıdan önemli sonuçlara yol açabilen çok boyutlu bir güçlük olarak değerlendirilmelidir. Disgrafisi olan çocuklar yazılı görevlerde kalıcı zorluklar yaşayabilir, özgüven kaybı yaşayabilir ve sınıf içi katılımda güçlük çekebilir. El yazısına ilişkin güçlükler erken dönemde fark edilmediğinde, bu sorunlar zamanla birikerek uzun vadeli eğitimsel dezavantajlara ve duygusal sıkıntılara katkıda bulunabilir. Bu nedenle, zamanında eğitim planlaması ve müdahale için erken, nesnel ve tekrarlanabilir değerlendirme yaklaşımları önem taşımaktadır. Geleneksel disgrafi değerlendirme yöntemleri büyük ölçüde uzman gözlemine, el yazısının nitel değerlendirilmesine ve standart testlere dayanmaktadır. Klinik açıdan değerli olmakla birlikte, bu yaklaşımlar zaman alıcı olabilir ve özellikle eğitim ortamlarında geniş ölçekli tarama gerektiğinde değerlendiriciler arası farklılıklardan etkilenebilir. Bu tür sınırlılıklar, uzman kararını tutarlı ve veriye dayalı analizle destekleyebilecek teknoloji temelli tamamlayıcı yöntemlere olan ihtiyacı artırmaktadır. Son yıllarda bilgisayar bilimlerindeki gelişmeler—özellikle yapay zekâ (YZ), makine öğrenmesi ve derin öğrenme—karmaşık verilerden ayırt edici örüntüler çıkarabilen otomatik karar destek sistemlerinin geliştirilmesini mümkün kılmıştır. Bu bağlamda bilgisayarlı görü yöntemleri, motor yürütme, bilişsel planlama ve algısal geri bildirimin etkileşimini yansıtan karmaşık bir görsel sinyal olarak el yazısını analiz etmek için uygun bir çerçeve sunmaktadır. Bu tezin temel amacı, disgrafi tespiti için derin öğrenme tabanlı bir karar destek yaklaşımı geliştirmek ve birden fazla evrişimli sinir ağı (CNN) mimarisinin bilgisayar bilimi perspektifinden karşılaştırmalı değerlendirmesini yapmaktır. Önerilen sistem klinik tanının yerine geçmeyi hedeflememekte; bunun yerine erken değerlendirme süreçlerinde eğitimciler ve sağlık profesyonellerine nesnel ve tekrarlanabilir destek sağlamayı amaçlamaktadır. Çalışma kapsamında, çevrim içi dijital yazım kayıtları (.svc) toplanmış ve CNN tabanlı sınıflandırmaya uygun standartlaştırılmış görüntü temsillerine dönüştürülmüştür. Bu tercih, yaygın olarak kullanılan görüntü tabanlı derin öğrenme mimarilerinden yararlanmayı ve tutarlı bir deneysel protokol altında tekrarlanabilir karşılaştırmalar yapmayı mümkün kılmaktadır. Bu çalışmada kullanılan deneysel veri seti 8–15 yaş aralığında 120 çocuğa ait el yazısı kayıtlarından oluşmaktadır (80 erkek, 40 kız). Veri seti iki gruptan oluşmaktadır: disgrafi ile ilişkilendirilen çocuklar (57 katılımcı) ve tipik gelişim gösteren çocuklar (63 katılımcı). Gerçek etiketler (ground truth) uzman değerlendirmelerine dayanmaktadır. Verinin görüntü tabanlı bir hat içinde kullanılabilmesi için özgün el yazısı kayıtları standartlaştırılmış el yazısı görüntülerine dönüştürülmüş ve veri seti model seçimi ile tarafsız değerlendirmeyi destekleyecek şekilde eğitim, doğrulama ve test bölümlerine ayrılmıştır. Eğitim öncesinde, giriş formatını standartlaştırmak ve genelleme başarımını artırmak amacıyla bir dizi ön işleme ve veri artırma adımı uygulanmıştır. İlk olarak örnekler ara bir çözünürlüğe (400×400) yeniden boyutlandırılmış, ardından standart CNN mimarilerinin giriş boyutuna uyum sağlamak için 224×224 boyutunda rastgele kırpma uygulanmıştır. Geometrik artırmaya (küçük aralıklarda rastgele döndürmeler) ek olarak, sağlamlığı artırmak amacıyla özel bir artırma adımı tanımlanmıştır: el yazısı görüntüsündeki çizgi konturlarının belirli bir oranının rastgele silinmesi. Bu işlem, kısmi çizgi kaybını simüle ederek modelin aşırı yerel ayrıntılara bağımlı kalmadan daha geniş yapısal ipuçlarına dayanmasını teşvik etmektedir. Son olarak, önceden eğitilmiş CNN özellik çıkarıcılarıyla uyumluluk sağlamak için görüntüler ImageNet'in standart ortalama ve standart sapma değerleriyle normalize edilmiştir. Modelleme aşamasında beş yaygın CNN mimarisi değerlendirilmiştir: VGG19, SqueezeNet1_0, MobileNetV2, GoogLeNet ve EfficientNetB0. Bu mimariler derinlik, parametre sayısı ve hesaplama verimliliği açısından farklı ödünleşimleri temsil etmektedir. Tüm ağlar ImageNet üzerinde önceden eğitilmiş ağırlıklarla başlatılmış ve ardından disgrafi veri seti üzerinde ince ayar (fine-tuning) yapılarak transfer öğrenme stratejisi uygulanmıştır. Her model için son sınıflandırma katmanları ikili sınıflandırma (disgrafi / tipik gelişim) görevine uyarlanmıştır. Eğitim, 4'lük mini-batch boyutu ile 50 epoch boyunca, 0.0007 öğrenme oranı ve 0.9 momentum değerine sahip Stochastic Gradient Descent (SGD) kullanılarak gerçekleştirilmiştir. Model seçimi doğrulama doğruluğuna göre yapılmış ve her mimari için en iyi epoch kaydedilmiştir. Model performansı, ayrılmış test kümesi üzerinde çoklu değerlendirme ölçütleri kullanılarak incelenmiştir: doğruluk (accuracy), kesinlik (precision), duyarlılık (recall), F1-skoru ve Matthews korelasyon katsayısı (MCC). Kesinlik, duyarlılık ve F1-skoru sınıflar arası dengeli performansı yansıtmak amacıyla macro ortalama ile hesaplanmıştır. Doğruluk genel sınıflandırma başarımını özetlerken, MCC doğru/yanlış pozitifleri ve doğru/yanlış negatifleri aynı anda dikkate alarak daha bilgilendirici bir tekil özet ölçüt sunmaktadır. Bu özellik, ikili sınıflandırma görevlerinde sınıf dağılımları ve hata türlerinin dikkatle yorumlanması gereken durumlarda MCC'yi özellikle yararlı kılmaktadır. Elde edilen sonuçlar, el yazısı görüntülerinin derin öğrenme tabanlı analiziyle, tutarlı bir deneysel düzenek altında disgrafi ile ilişkili ve tipik el yazısı örüntülerinin etkili biçimde ayırt edilebileceğini göstermektedir. Değerlendirilen mimariler arasında MobileNetV2 raporlanan ölçütler açısından en dengeli ve sağlam genel performansı sergilemiştir. Hafif tasarımına rağmen MobileNetV2, el yazısına dayalı ayrım için güçlü bir temsil kapasitesi göstermiş; uygun ön işleme ve artırma ile birleştirildiğinde verimli CNN'lerin disgrafi tespitinde oldukça etkili olabileceğini düşündürmüştür. Uygulamalı bilgisayar bilimi açısından bu bulgu önemlidir; çünkü hafif modeller bellek ve hesaplama kaynaklarının sınırlı olabileceği pratik dağıtım senaryoları için daha uygundur. Karşılaştırmalı analiz ayrıca, el yazısı sınıflandırma görevlerinde model karmaşıklığının yönetiminin kritik olduğunu göstermektedir: Daha derin mimariler güçlü temsil gücü sunsa da, orta büyüklükte veri setlerinde aşırı uyuma daha yatkın olabilir. Buna karşılık, derinlik ayrışımlı evrişimler gibi verimlilik odaklı tasarımlar kullanan mimariler, performans ile hesaplama maliyeti arasında elverişli bir denge sağlayabilmektedir. Genel olarak bu tez, bilgisayarlı görü ve transfer öğrenme yöntemlerinin, erken disgrafi değerlendirmesi için nesnel ve tekrarlanabilir karar desteği sunma potansiyelini ortaya koymaktadır. Gelecek çalışmalar, daha büyük ve daha çeşitli veri setlerinin incelenmesi, bağımsız örneklemler üzerinde dış doğrulama yapılması, yorumlanabilirliğin artırılması (ör. model odağının görselleştirilmesi) ve farklı eğitim bağlamları ile yazma görevleri arasında genellemenin değerlendirilmesi yönlerinde bu temeli genişletebilir.
Özet (Çeviri)
This thesis investigates dysgraphia within the broader context of specific learning difficulties in the writing domain and proposes a deep learning–based decision-support approach for early assessment through the automated analysis of handwriting samples. Dysgraphia is a neurodevelopmental condition that affects written expression and is commonly associated with limitations in fine motor coordination, cognitive processing, and visuoperceptual integration. These challenges may manifest as irregular letter formation, inconsistent spacing between letters and words, impaired alignment on the writing line, reduced writing fluency, and decreased writing speed, ultimately lowering legibility and efficiency in written communication. While dysgraphia is sometimes perceived as a problem confined to handwriting“quality,”it should be treated as a multidimensional difficulty that can lead to substantial academic and psychosocial consequences. Children who struggle with writing may experience persistent difficulties in written assignments and examinations, reduced self-confidence, avoidance of classroom participation, and negative emotional outcomes. When handwriting-related difficulties are not recognized early, they may accumulate over time and contribute to long-term educational disadvantages and emotional distress. Therefore, early, objective, and reproducible assessment approaches are important for timely educational planning, targeted support, and intervention. In current educational and clinical practice, dysgraphia assessment typically relies on expert observation, qualitative inspection of handwriting samples, and standardized psychometric tests. Although these approaches are clinically meaningful and remain central to diagnosis, they can be time-consuming and may be influenced by inter-rater variability. Such limitations become particularly salient in school settings where large-scale screening and timely follow-up are needed. These practical constraints motivate the development of technology-assisted, complementary tools that can support expert judgement with consistent, data-driven analysis—without replacing clinical decision-making. Recent advances in artificial intelligence, machine learning, and especially deep learning have enabled automated systems capable of extracting discriminative patterns from high-dimensional data. Within this landscape, computer vision provides a natural framework for handwriting analysis, treating handwriting as a complex visual signal that reflects the interaction of motor execution, cognitive planning, and perceptual feedback mechanisms. Accordingly, deep learning models—particularly convolutional neural networks (CNNs)—offer a powerful means of learning hierarchical representations directly from image data, reducing the need for manual feature engineering. The central objective of this work is twofold: (i) to design and validate an image-based deep learning pipeline for dysgraphia-related handwriting classification as a decision-support mechanism for early assessment, and (ii) to conduct a comparative evaluation of multiple CNN architectures under a controlled and reproducible experimental protocol. Importantly, the proposed system is not intended to replace clinical diagnosis. Instead, it is positioned as a supportive tool that can provide objective, repeatable indicators to educators and healthcare professionals during early assessment and referral processes. A key methodological decision in this study is the use of an image-based pipeline derived from online handwriting recordings. The dataset used in this work comprises online digital handwriting traces stored in .svc format. While online handwriting contains dynamic information such as pen trajectory, timing, and pressure, this thesis transforms the original recordings into standardized image representations suitable for CNN-based classification. This choice is motivated by two considerations: first, image-based CNN architectures are widely studied and readily available with high-quality pretrained weights; second, a standardized image pipeline enables consistent comparisons across architectures and facilitates potential integration into common computer vision workflows. The experimental dataset contains handwriting recordings from 120 children aged 8–15 years (80 boys and 40 girls). The dataset is organized into two classes: a group associated with dysgraphia (57 participants) and a typically developing group (63 participants). Ground-truth labels are based on expert evaluations. To support model selection and unbiased performance estimation, the dataset is partitioned into training, validation, and test subsets. This separation ensures that model selection decisions are not influenced by test performance and that final metrics reflect generalization to unseen samples. Prior to training, preprocessing and augmentation steps are applied to standardize input format and enhance generalization. First, samples are resized to an intermediate resolution (400×400 pixels), followed by random cropping to 224×224 pixels to match the standard input size expected by many CNN backbones and to introduce spatial variability during training. In addition to mild geometric augmentation (random rotations within a small range to simulate natural writing orientation changes), a robustness-oriented augmentation technique is introduced: random erasure of a proportion of stroke contours in the handwriting image. This augmentation simulates partial stroke loss and scanning/recording imperfections and encourages the model to rely on broader structural cues rather than overly local details. Finally, images are normalized using ImageNet's mean and standard deviation values to align the input distribution with pretrained CNN encoders, supporting stable training and effective transfer learning. The modeling stage evaluates five representative CNN architectures—VGG19, SqueezeNet1_0, MobileNetV2, GoogLeNet (Inception), and EfficientNetB0—covering a range of trade-offs in depth, parameter count, and computational efficiency. All models are initialized with ImageNet-pretrained weights and fine-tuned on the dysgraphia dataset, following a transfer learning strategy designed to improve performance under limited data. For each architecture, the final classification head is adapted to the binary classification task (dysgraphia vs. typical development). Training is conducted for 50 epochs with a mini-batch size of 4 using Stochastic Gradient Descent (SGD) with a learning rate of 0.0007 and momentum of 0.9. Model selection is based on validation accuracy, and the best epoch for each architecture is recorded. Performance evaluation is carried out on the held-out test set using a suite of metrics: accuracy, precision, recall, F1-score, and Matthews correlation coefficient (MCC). Precision, recall, and F1-score are computed using macro averaging to better reflect balanced performance across classes. While accuracy provides an overall summary of correct predictions, it can obscure error asymmetries in scenarios where class distributions or error costs differ. MCC is therefore emphasized as an informative single-number measure because it jointly considers true/false positives and true/false negatives, providing a more robust indicator of performance, particularly when class imbalance or asymmetric errors are concerns. Empirical results indicate that deep learning–based analysis of handwriting images can effectively separate dysgraphia-associated patterns from typical handwriting under a consistent experimental setup. Among the evaluated architectures, MobileNetV2 demonstrates the most balanced and robust overall performance across the reported metrics. Notably, this finding suggests that lightweight and computationally efficient CNNs can be highly effective for dysgraphia-related handwriting classification when combined with appropriate preprocessing and augmentation. From an applied computer science and deployment perspective, this is a meaningful outcome: efficient architectures typically require fewer parameters, offer faster inference, and are better suited for real-time or resource-constrained environments such as mobile or school-based screening tools. The comparative results also highlight the importance of managing model complexity. While deeper architectures can provide strong representational capacity, they may be more prone to overfitting in mid-sized datasets. In contrast, efficiency-oriented designs (e.g., depthwise separable convolutions and inverted residual structures) can yield a favorable balance between performance and computational cost. This thesis contributes to the intersection of computer vision and educational/clinical decision support by demonstrating that transfer learning with CNNs can provide objective and reproducible signals relevant to early dysgraphia assessment. However, several considerations remain for future work. First, expanding the dataset with larger and more diverse samples would strengthen generalization claims and reduce the risk of dataset-specific bias. Second, external validation on independent cohorts and across different educational contexts is essential for assessing robustness. Third, interpretability techniques (e.g., saliency maps or attention visualization) could improve transparency and support trust in model outputs by showing which handwriting regions contribute most to predictions. Finally, evaluating generalization across different writing tasks and exploring the integration of dynamic (online) features alongside image representations may further improve accuracy and clinical relevance. In summary, the findings of this thesis suggest that computer vision and transfer learning methods have strong potential to support early, objective, and scalable dysgraphia assessment. Positioned as a complementary decision-support tool rather than a diagnostic replacement, the proposed approach offers a practical and reproducible foundation for future research and applied systems in education and health.
Benzer Tezler
- Antakya tarihi ticaret merkezi mekansal yapı değişim ve gelişim sürecinin kent ticaret merkezi planlamasına etkinliği
The Effectiveness of spatial structural chance and development period of the historical trade center of Antakya in the urban trade planning
NEVİN TURGUT
Yüksek Lisans
Türkçe
1986
Şehircilik ve Bölge PlanlamaGazi ÜniversitesiŞehir ve Bölge Planlama Ana Bilim Dalı
YRD. DOÇ. DR. NURCAN UYDAŞ
- Türkiye'de aile planlaması çalışmalarında erkeklerin önemi, hastane personeli ile fabrika işçilerinin doğum kontrol yöntemlerine karşı tutum ve davranranışlarında farklılığın araştırılması
Başlık çevirisi yok
KAMİL MALKOÇLU
Yüksek Lisans
Türkçe
1987
Demografiİstanbul ÜniversitesiAile Sağlığı Ana Bilim Dalı
DOÇ. DR. DERİN KÖSEBAY
- Deri temizliği hemşirelik tekniğine uygun olarak yapılmış ve yapılmamış hastalarda ameliyat sonrası yara enfeksiyonunun görülme sıklğı
A Comparison of wound infection incidences between the patients who were cleansed in ward according to the nursing technique and those who were cleansed in operating room
NÜKHET TÜRKEL
- Sivas yöresinde izole edilen dermatofitler
Dermathopytes isolated in the Sivas area of Turkey
ÖZDER ÖZTUNALI
Yüksek Lisans
Türkçe
1984
MikrobiyolojiCumhuriyet ÜniversitesiMikrobiyoloji Ana Bilim Dalı
YRD. DOÇ. DR. YAHYA HAKGÜDENER
- Değişik derim zamanı ve önsoğutmanın Bursa siyahı incir çeşidinin meyve kalitesi ve pazarlama süresi üzerine etkileri
Effects of haruest time and precooling on fruit quality and shelf-life of the fig variety“Bursa siyahı”
FÜSUN GÜRSEL ÇELİKEL