אבחון לקות למידה הוא אחד האתגרים הקשים בחינוך המיוחד. הלקות סמויה, התלמיד נראה חכם ותקין, ובכל זאת מתקשה לעמוד בקצב חבריו. התהליך ארוך, תובעני ודורש מומחים רבים, וגם בתוך מדינה אחת הקריטריונים יכולים להשתנות מאזור לאזור. כלי בינה מלאכותית כבר נוסו בתחום, אך אנשי המקצוע נרתעו מהם, כי הם לא יכלו להבין איך התקבלה ההחלטה. "קופסה שחורה" אינה מה שמומחה מחפש כשגורלו החינוכי של ילד על הכף.
המאמר שואל אם גישה מתמטית אחרת, תורת הקבוצות המקורבות, יכולה להפיק כללים ברורים וקריאים שמומחים יוכלו לבחון, לבקר וללמוד מהם. האם אפשר לגלות כך ידע חדש על האופן שבו ציוני מבחני המשכל מצביעים על לקות, ולא רק לשחזר את מה שכבר ידוע?
החוקרים עבדו עם חמש קבוצות נתונים ממחוזות שונים בטייוואן, שכללו מדדי מבחן המשכל WISC-III, שאלוני סינון ומבחני הישגים. הם ערכו ארבעה ניסויים והשוו בין שיטות עיבוד מקדים שונות: דיסקרטיזציה, הפחתת מאפיינים ואשכול נתונים. הם בחנו גם מה קורה כשמאחדים נתונים ממקורות שונים, ואפילו הציגו את הכללים שהתקבלו בפני מומחה לחינוך מיוחד כדי לשמוע את תגובתו. התוצאה היא מבט מעניין על המפגש בין למידת מכונה לשיקול דעת מקצועי, ועל השאלה מה קורה כשהאלגוריתם מצביע על דפוס שהמומחים לא הכירו.






