A Hybrid Visual-ML Framework to Classify and Support Neurodiverse Learners Using Behavioural and Educational Data
Notice bibliographique
Résumé
Early detection and focused interventions are essential for supporting neurodiverse adolescents, especially those with autism spectrum disorder (ASD). In order to classify and assist these learners, this work presents a hybrid visual machine learning (ML) system that combines behavioural and educational data. The proposed approach consists of five components: data preprocessing, orange model training, Tableau visual analytics, and deployment of the Streamlit online application. The dataset contains 704 occurrences and 20 variables that were taken from autism screening replies, such as demographics, medical history, and behavioural indicators. Three machine learning models: K-Nearest Neighbours (KNN), Random Forest, and Logistic Regression-were evaluated using 10-fold stratified cross-validation. Three machine learning models-K-Nearest Neighbours (KNN), Random Forest, and Logistic Regression-were evaluated using 10-fold stratified cross-validation. With an accuracy of 99.8% and an AUC of 1.000, Logistic Regression produced the best results. Random Forest and KNN both did well. The categorized results were shown in Tableau to enhance interpretability, and the trained model was made available as an easy-to-use web application using Streamlit. This eliminates the need for programming expertise and allows educators and stakeholders to enter new data, acquire visual insights, and receive predictions instantaneously. Unlike traditional methods, which often lack interpretability or utility, this framework provides a scalable, intelligible, and helpful solution. By combining interactive and visual tools with predictive accuracy, the solution connects machine learning with inclusive education methods and enhances decision-making for neurodiversity promotion.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».