Avançando na avaliação da dislexia em crianças por meio de testes computadorizados

Resumo

A Bateria Multimídia para Avaliação de Habilidades de Domínio Geral e de Domínio Específico em Leitura é uma bateria multimídia confiável e válida projetada para avaliar habilidades cognitivas e básicas de leitura. Ele permite a geração de um perfil abrangente de desempenho cognitivo e de leitura, o que é particularmente benéfico para crianças com dislexia.

Resumo

A aquisição de habilidades de leitura é um processo intrincado que exige o cultivo de várias habilidades gerais e específicas de domínio. Consequentemente, não é surpreendente que muitas crianças lutem para manter a proficiência no nível da série, particularmente quando confrontadas com desafios que abrangem múltiplas habilidades em ambos os domínios, como observado em indivíduos com dificuldades de leitura. Surpreendentemente, apesar das dificuldades de leitura estarem entre os distúrbios do neurodesenvolvimento mais prevalentes que afetam crianças em idade escolar, a maioria das ferramentas de diagnóstico disponíveis carece de uma estrutura abrangente para avaliar todo o espectro de habilidades cognitivas ligadas à dislexia, com opções computadorizadas mínimas. Notavelmente, atualmente existem ferramentas limitadas com esses recursos disponíveis para crianças de língua espanhola. O objetivo deste estudo foi delinear o protocolo de diagnóstico de crianças falantes de espanhol com dificuldades de leitura utilizando a bateria multimídia Sicole-R. Esta ferramenta para séries elementares se concentra na avaliação de habilidades cognitivas associadas à dislexia, conforme prescrito pela literatura científica. Especificamente, concentra-se na avaliação de uma série de habilidades cognitivas que estudos demonstraram estar ligadas à dislexia. Esse foco baseia-se na observação de que indivíduos com dislexia normalmente apresentam déficits em várias das áreas cognitivas avaliadas por essa ferramenta digital. A consistência interna robusta e a estrutura interna multidimensional da bateria foram demonstradas. Esta bateria multimídia provou ser uma ferramenta adequada para diagnosticar crianças com dificuldades de leitura na educação primária, oferecendo um perfil cognitivo abrangente que é valioso não apenas para fins de diagnóstico, mas também para adaptar planos de ensino individualizados.

Introdução

A dislexia é um distúrbio do neurodesenvolvimento caracterizado por dificuldades no reconhecimento preciso e/ou fluente de palavras e habilidades de ortografia e decodificação deficientes e é caracterizada por dificuldade inesperada e persistente em adquirir habilidades de leitura eficientes, apesar da instrução convencional, inteligência adequada e oportunidade sociocultural¹. Esse distúrbio neurobiológico frequentemente se manifesta como desafios na leitura, ortografia e escrita, principalmente devido a déficits fonológicos ^2,3. "A importância da identificação precoce da dislexia não pode ser exagerada, pois permite intervenção e apoio oportunos ^4,5. Quando um aluno não progride além do Nível 3 em um modelo de resposta à intervenção, torna-se essencial realizar uma avaliação mais abrangente das habilidades gerais e específicas do domínio associadas à dislexia, conforme destacado pela literatura científica. O desenvolvimento da técnica aqui apresentada baseia-se na necessidade de realizar avaliações minuciosas para garantir que intervenções e suporte apropriados sejam fornecidos. Além disso, estudos anteriores ressaltam a utilidade de ferramentas de triagem baseadas em tecnologia, como aplicativos da web e jogos de computador, para facilitar processos de triagem eficazes ^6,7. Esses estudos destacam coletivamente a natureza multifacetada da dislexia, enfatizando a necessidade de estratégias abrangentes de avaliação e intervenção para abordar os diversos perfis cognitivos de indivíduos com dislexia. Apesar da prevalência de dislexia entre crianças em idade escolar, a maioria das ferramentas de diagnóstico disponíveis carece de uma estrutura que avalie de forma abrangente as habilidades gerais e específicas do domínio. Além disso, existem opções computadorizadas mínimas, principalmente para populações de língua espanhola. Esta bateria multimídia aborda essas lacunas, aproveitando a tecnologia para facilitar uma avaliação detalhada das habilidades cognitivas ligadas à dislexia.

Perspectivas teóricas e déficits cognitivos na Dislexia
Vários modelos teóricos, incluindo teorias fonológicas, de processamento auditivo rápido, visuais, magnocelulares e cerebelares, visam explicar as causas da dislexia e informar as intervenções (ver para uma revisão)⁸. A teoria fonológica atribui a dislexia a dificuldades no processamento dos sons da linguagem⁹, enquanto a teoria do processamento auditivo rápido relaciona a dislexia a déficits na percepção de sons que mudam rapidamente¹⁰. A teoria visual destaca os aspectos visuais das dificuldades de leitura, e a teoria magnocelular aponta prejuízos nas vias de processamento visual e^auditivo11. A teoria cerebelar sugere que a dislexia surge de deficiências cerebelares que afetam o controle motor e as funções cognitivas¹². A estrutura de Compromisso Neural Atrasado (DNC) de Nicolson e Fawcett postula que a aquisição mais lenta de habilidades e o atraso no desenvolvimento da rede neural são fundamentais para a dislexia. Modelos recentes, como o modelo de déficit múltiplo, propõem que a dislexia é um distúrbio complexo influenciado por fatores genéticos, cognitivos e ambientais 13,14,15. Por exemplo, Ring e Black¹⁴ apóiam o modelo de déficit múltiplo, mostrando que os déficits de processamento fonológico e cognitivo contribuem para a heterogeneidade da dislexia. Soriano-Ferrer et ^al.15 realizaram um estudo com crianças de língua espanhola com dislexia do desenvolvimento (DD) e encontraram prejuízos significativos na velocidade de nomeação, memória de trabalho verbal e consciência fonológica (AF). Da mesma forma, Zygouris et ^al.16 e Rauschenberger et ^al.6 ressaltam a importância das ferramentas de triagem cognitiva na identificação desses déficits, com indivíduos disléxicos consistentemente pontuando mais baixo do que os pares tipicamente alcançados.

Examinando abordagens tecnológicas na triagem de dislexia: insights de estudos de pesquisa
A pesquisa sobre triagem de dislexia evoluiu com três abordagens principais: estratégias de detecção precoce, métodos de triagem multifacetados combinando várias avaliações e integração de tecnologia para maior eficiência¹⁷. A revisão sistemática recente de¹⁸ de Politi-Georgousi destaca uma mudança em direção a mais aplicações para intervir nos sintomas de dislexia, em vez de processos de triagem, alinhando-se com a integração de tecnologia para melhorar as habilidades de leitura em alunos disléxicos. Existem vários instrumentos, como o Dyslexia Early Screening Test (DEST) de Fawcett e Nicolson, que avalia velocidade, habilidades fonológicas, habilidades motoras, função cerebelar e conhecimento¹⁹. "As ferramentas baseadas em computador avançaram, incluindo um aplicativo da web que avalia as habilidades cognitivas e de leitura em crianças gregas²⁰ e ferramentas de Hautala et ^al.21 e Rauschenberg et ^al.6 que usam jogos e aprendizado de máquina para identificação precoce da dislexia. Ahmad et al. integraram jogos com redes neurais, alcançando 95% de precisão na detecção²². Estudos em diferentes ortografias ressaltam a importância da consciência fonológica e da nomeação automatizada rápida na identificação da dislexia^23,24.

Insights sobre dislexia entre crianças de língua espanhola
O estudo da dislexia em crianças de língua espanhola avançou significativamente com o uso da tecnologia Sicole-R. Jiménez et al. demonstraram sua eficácia na avaliação da dislexia entre faixas etárias, particularmente na distinção entre leitores disléxicos e tipicamente alcançadores com base no processamento fonológico e sintático durante os primeiros anos do ensino fundamental²⁵. Guzmán et al. investigaram déficits de velocidade de nomeação em crianças disléxicas com desafios fonológicos, destacando interações entre dislexia e velocidade de nomeação medida por meio de tarefas como letra-RAN e número-RAN²⁶. Outros estudos de Jiménez et al. exploraram déficits de consciência fonológica em diferentes estruturas silábicas²⁷, enquanto Ortiz et al. investigaram déficits de percepção de fala entre crianças espanholas com dislexia, revelando prejuízos no desenvolvimento da percepção de fala independentemente do contraste fonético ou da unidade linguística^28,29. Jiménez et al. investigaram a hipótese do duplo déficit de dislexia³⁰, seguida de análises de processos cognitivos e disparidades relacionadas ao gênero na prevalência de dislexia ^31,32. Rodrigo et al. exploraram o acesso lexical entre crianças disléxicas espanholas³³, e Jiménez et al. examinaram os déficits de processamento sintático³⁴. Por fim, Jiménez et al. estudaram processos fonológicos e ortográficos em subtipos disléxicos, destacando diferenças na eficiência da rota ortográfica³⁵. Esses estudos coletivamente aprimoram nossa compreensão dos desafios cognitivos e linguísticos da dislexia em populações de língua espanhola.

Os estudos realizados compartilham várias características comuns em termos de idade e histórico das crianças participantes. As crianças incluídas nesses estudos tinham idades entre 7 e 14 anos. A maioria dos estudos se concentrou em crianças do ensino fundamental com idade entre 7 e 12 anos, exceto aqueles que incluíram crianças de até 14 anos, fornecendo uma amostra que abrange desde os primeiros anos escolares até a pré-adolescência^31,32. As crianças participantes eram principalmente das Ilhas Canárias, na Espanha. Além disso, alguns estudos incluíram amostras de outras regiões da Espanha e Guatemala ^31,32. Os participantes foram recrutados em escolas públicas e privadas cujas origens incluíam áreas urbanas e suburbanas. Os níveis socioeconômicos representados nesses estudos variam de classe média-baixa a classe trabalhadora e média.

Juntas, essas investigações avançam significativamente nossa compreensão das complexidades da dislexia, contribuindo para o campo da pesquisa da dislexia. Adaptada para uso em vários países ibero-americanos, incluindo Espanha, Guatemala, Chile e México, a ferramenta facilita a avaliação da exatidão e precisão diagnóstica em uma amostra diversificada de língua espanhola para este estudo.

Este estudo teve como objetivo delinear um protocolo para o diagnóstico de crianças falantes de espanhol com dificuldades de leitura usando uma bateria multimídia especializada. O objetivo principal é fornecer uma ferramenta de avaliação abrangente que avalie as habilidades gerais e específicas do domínio associadas à dislexia.

Visão geral da configuração experimental
O SICOLE-R foi programado no Java 2 Platform Standard Edition (J2SE). O mecanismo de banco de dados HSQL é usado como um banco de dados. O software inclui 6 módulos principais a serem avaliados: 1) processamento perceptivo, que inclui as tarefas de voz, colocação e forma de articulação; 2) processamento fonológico, que inclui tarefas de isolamento de fonemas, deleção de fonemas, segmentação de fonemas e combinação de fonemas; 3) velocidade de nomeação, que inclui as tarefas de velocidade de nomeação em números, letras, cores e figuras; 4) processamento ortográfico, que inclui tarefas de compreensão morfológica de lexemas e sufixos e compreensão homófona; 5) processamento sintático, incluindo tarefas de gênero, número, palavras funcionais e estrutura gramatical; e 6) processamento semântico, que influencia as tarefas de compreensão de leitura por meio de texto informativo e narrativo. As instruções para cada tarefa, acompanhadas de uma ou duas tentativas (dependendo da tarefa) e uma demonstração, são entregues por um agente pedagógico antes do início da fase de teste. O protocolo de aplicação para cada tarefa é ilustrado aqui.

Antes de administrar a bateria multimídia à amostra do estudo, foram feitas adaptações na modalidade de língua espanhola para cada país (México, Guatemala, Equador e Chile), incluindo ajustes de vocabulário, imagens e outros conteúdos relevantes. As condições de administração eram as mesmas em todos os países da América Latina. O ambiente administrativo tinha que ser silencioso dentro da escola e livre de ruídos, distrações e interrupções. A duração da administração da bateria multimídia variou de 3 a 4 sessões de 30 minutos cada, dependendo da habilidade e idade do aluno. Devido à compatibilidade de seu banco de dados com a maioria das planilhas e sistemas de processamento de dados estatísticos, o avaliador pode analisar os resultados de cada criança e de cada tarefa. Em relação à coleta de dados, foram empregados dois tipos distintos de tarefas: 1) tarefas em que o examinador registra o desempenho oral dos alunos, anotando acertos e erros usando um mouse externo, e 2) tarefas que exigem que os alunos selecionem opções de forma independente, clicando nelas.

Protocolo

Este protocolo foi conduzido de acordo com as diretrizes fornecidas pelo Comitê de Ética da Investigação e Bem-Estar Animal (CEIBA) da Universidad de La Laguna (ULL). Os dados foram coletados em momentos diferentes de acordo com o currículo de cada país, capturando informações exclusivamente de alunos cujas administrações educacionais, escolas e pais deram consentimento. A bateria de testes utilizada neste estudo está registrada como propriedade intelectual e pode ser acessada por meio de um acordo de transferência com a ULL. Para obter mais informações sobre como obter a bateria de teste, os interessados podem entrar em contato com o Escritório de Transferência de Conhecimento (OTRI) na ULL.

1. Instalação e preparação do SICOLE-R

1. Utilizar o seguinte critério de inclusão para aplicação deste instrumento: alunos do segundo ao sexto ano. Utilizar o seguinte critério de exclusão: não incluir alunos com necessidades educacionais especiais, referindo-se àqueles que necessitaram de apoio e atenção educacional direcionada devido a deficiência sensorial ou problemas neurológicos adquiridos, entre outros fatores.
   NOTA: A avaliação é realizada com os alunos individualmente num espaço tranquilo com acesso a um computador e boa iluminação. Fones de ouvido com microfone adaptado serão necessários para facilitar a recepção das instruções das tarefas e aumentar o desempenho dos alunos.
2. Para instalar o software em um computador, execute o arquivo como administrador e clique no ícone para abrir a ferramenta. Ao abrir o aplicativo, uma interface inicial aparece, exibindo várias opções operacionais.
3. Preencha as informações dos alunos que executarão as tarefas antes de iniciar a avaliação. Depois que seus dados forem inseridos, registre-os em uma lista de alunos e suas informações poderão ser modificadas posteriormente.
4. Cada vez que um novo aluno for adicionado, uma tela de teste aparecerá antes de iniciar as tarefas. Nesta tela, peça ao aluno para tocar na bota que aparecerá na tela.
   NOTA: O objetivo deste minijogo é estabelecer uma linha de base para avaliar o controle motor dos alunos. Ele permite o monitoramento de diferenças individuais na velocidade do motor, pois o software registra as respostas pressionando as teclas do teclado. Este minijogo aparece apenas uma vez.
5. Antes de iniciar a avaliação, peça ao examinador que dê as seguintes instruções: Agora, você entrará em um ambiente de circo virtual com portões diferentes. Cada portão leva a atividades divertidas onde você participará. Um palhaço irá guiá-lo por esses portões e explicar o que fazer em cada atividade. Sente-se ao lado do examinador e ouça atentamente as instruções. Certifique-se de fazer o seu melhor em cada tarefa. Divirta-se explorando e completando essas atividades!
6. Comece as tarefas selecionando o aluno agendado para avaliação e clicando na seção Iniciar . O menu principal inclui 5 portas coloridas, cada uma correspondendo a um dos módulos a serem avaliados.
7. Cada tarefa começa com uma instrução introdutória, peça aos alunos que prestem atenção a isso. Os alunos são informados sobre a natureza do jogo e instruídos sobre como jogá-lo, facilitados por um agente pedagógico. Certifique-se de que o agente forneça instruções verbais para cada tarefa, exemplificando o procedimento por meio de um modelo e apresentando exemplos para os alunos imitarem.
8. Após a conclusão dos exemplos, certifique-se de que o agente pedagógico forneça o feedback correspondente, permitindo que os alunos refaçam o exemplo se ele foi executado incorretamente, e a avaliação começa.
   NOTA: O agente pedagógico é um personagem virtual projetado para guiar o aluno pelas tarefas. Essa função exige que o agente tenha uma fala clara e compreensível e a capacidade de fornecer orientação instrucional, modelagem de tarefas e feedback com base nas respostas dos alunos. O agente pedagógico deve ser programado para responder de forma consistente e precisa de acordo com as entradas do aluno durante as tarefas.

2. Tarefas do SICOLE-R

1. Porta Amarela: Módulo de processamento perceptivo usando uma tarefa de percepção de fala
   1. Abra o programa no computador. Navegue até a porta amarela na interface do programa. Clique em uma das subtarefas disponíveis para iniciar a tarefa: (1) voz, (2) forma de articulação e (3) colocação.
   2. Permitir que o agente pedagógico forneça orientação instrucional e modelagem de tarefas ao aluno. O agente deve dizer: Agora ouviremos pares de sílabas. Se as sílabas forem idênticas, pressione o botão azul; Se forem diferentes, pressione o botão vermelho. Veja como eu faço isso. Agora é a sua vez com esses exemplos.
   3. Apresente dois exemplos de itens ao aluno: / ba / - / pa /;/ja / - / ka /. Instrua os alunos novamente a selecionar o círculo azul se os pares forem idênticos e o botão vermelho se forem distintos.
   4. Depois que a tarefa for concluída, certifique-se de que o agente pedagógico forneça feedback com base nas respostas do aluno nos exemplos. Depois que os exemplos estiverem completos, permita que o agente instrua o aluno a iniciar a tarefa.
   5. O procedimento de seleção de círculos (azul ou vermelho) permanecerá consistente ao longo da tarefa, registrando acertos e erros. Se o aluno precisar ouvir o par de sílabas novamente, clique no ícone do alto-falante para reproduzi-lo mais uma vez. Observe que apenas uma reprodução adicional por item é permitida.
2. Porta Rosa: Módulo de consciência fonológica
   1. Tarefa de segmentação de fonemas
      1. Abra o programa no computador. Navegue até a porta rosa na interface do programa. Escolha Segmentação de fonemas para selecionar a tarefa.
      2. Permitir que o agente pedagógico forneça orientação instrucional ao aluno. O agente deve dizer: Agora vamos nos concentrar na segmentação de fonemas. Veja como eu demonstro. Em seguida, você verá dois itens de exemplo.
      3. Apresente dois exemplos de itens ao aluno. Peça ao aluno que expresse suas respostas em voz alta para cada palavra.
      4. Use o mouse externo para clicar no botão azul para respostas corretas e no botão vermelho para respostas incorretas. Certifique-se de que o agente pedagógico ofereça feedback com base nas respostas do aluno aos exemplos.
      5. Após os exemplos, certifique-se de que o agente pedagógico instrua o aluno a iniciar a tarefa.
   2. Tarefa de mesclagem de fonemas
      1. Entre no programa no computador. Navegue até a porta rosa na interface do programa. Escolha Combinação de fonemas para selecionar a tarefa.
      2. Permitir que o agente pedagógico forneça orientação instrucional ao aluno. O agente diz: Agora vamos nos concentrar na síntese de fonemas. Veja como eu demonstro. Em seguida, você verá dois itens de exemplo.
      3. Apresente dois exemplos de itens ao aluno. Peça ao aluno que articule suas respostas em voz alta para cada palavra.
      4. Utilize o mouse externo para clicar no botão azul para respostas precisas e no botão vermelho para respostas imprecisas. Certifique-se de que o agente pedagógico forneça feedback com base nas respostas do aluno aos exemplos.
      5. Após os exemplos, permita que o agente pedagógico direcione o aluno para iniciar a tarefa. O procedimento permanece consistente durante toda a execução da tarefa, registrando respostas precisas e imprecisas.
      6. Se o aluno precisar ouvir uma palavra novamente, clique no ícone do papagaio para um replay. Observe que apenas um replay por item é permitido.
   3. Tarefa de isolamento de fonemas
      1. Abra o programa no computador. Navegue até a porta rosa na interface do programa. Clique em Isolamento de fonemas para selecionar a tarefa.
      2. Permitir que o agente pedagógico forneça orientação instrucional e modelagem de tarefas ao aluno. O agente deve dizer: Agora vamos nos concentrar em isolar fonemas. Veja como eu demonstro. Em seguida, você verá dois itens de exemplo. Sua tarefa é clicar nas imagens cujo nome começa com o mesmo som da palavra-alvo.
      3. Apresente dois exemplos de itens ao aluno. Observe se o aluno clica nas imagens que começam com o mesmo som da palavra-alvo.
      4. Certifique-se de que o agente pedagógico ofereça feedback com base nas respostas do aluno aos exemplos. Após os exemplos, certifique-se de que o agente oriente o aluno para iniciar a tarefa.
      5. O procedimento permanece uniforme durante toda a tarefa, documentando acertos e erros. Se o aluno precisar de escuta adicional para uma palavra, clique no ícone do alto-falante para reproduzi-la. Observe que apenas um replay por item é permitido.
   4. Tarefa de exclusão de fonemas
      1. Abra o programa no computador. Navegue até a porta rosa na interface do programa. Selecione Exclusão de fonemas para escolher a tarefa.
      2. Permita que o agente pedagógico forneça orientação instrucional e demonstre a tarefa ao aluno. O agente deve dizer: Agora vamos nos concentrar na exclusão de fonemas. Veja como eu demonstro. Em seguida, você verá dois itens de exemplo.
      3. Apresente dois exemplos de itens ao aluno. Peça ao aluno que diga sua resposta em voz alta para cada palavra.
      4. Clique com o mouse externo no botão azul para obter respostas corretas e no botão vermelho para obter respostas incorretas. Certifique-se de que o agente pedagógico forneça feedback com base nas respostas do aluno aos exemplos.
      5. Após os exemplos, certifique-se de que o agente pedagógico instrua o aluno a iniciar a tarefa. O procedimento permanece consistente durante toda a execução da tarefa, registrando respostas corretas e incorretas.
      6. Se o aluno precisar ouvir uma palavra novamente, clique no ícone do alto-falante para um replay. Observe que apenas um replay por item é permitido.
3. Orange Door: Velocidade de nomenclatura e módulos ortográficos
   1. Tarefa de nomenclatura automatizada rápida (RAN)
      1. Acesse o programa no computador. Prossiga para a porta laranja na interface do programa. Escolha Velocidade de Nomeação para selecionar a tarefa.
      2. Permita que o agente pedagógico forneça orientação instrucional e demonstre a tarefa. Apresente um exemplo da subtarefa da letra RAN do módulo de velocidade de nomenclatura.
      3. Peça aos alunos que articulem suas respostas em voz alta. Se a resposta no exemplo for precisa, selecione o botão azul na tela. Se estiver incorreto, clique no botão vermelho.
      4. Certifique-se de que o agente pedagógico forneça feedback com base nas respostas do aluno. Após o exemplo, certifique-se de que o agente pedagógico inicie a tarefa.
      5. Inicie a tarefa clicando com o botão esquerdo do mouse para começar a cronometrar. Durante a tarefa, uma matriz de elementos aparecerá na tela, dependendo da subtarefa.
      6. Peça ao aluno que nomeie em voz alta e, em ordem, os elementos da matriz. Simultaneamente, documente quaisquer erros cometidos pelo aluno.
      7. Para cada erro, use o botão direito do mouse externo para registrar o número de erros. Assim que o aluno terminar de nomear os elementos, pressione o botão esquerdo novamente para concluir o tempo e concluir a tarefa para essa subtarefa. Após a conclusão da primeira subtarefa (letra RAN), a próxima subtarefa (número RAN) aparece automaticamente, seguindo o mesmo procedimento. Esse processo continua para as subtarefas restantes (RAN colorida e RAN de objeto).
   2. Tarefa Lexema e Sufixos
      1. Acesse o programa no computador. Navegue até a porta laranja na interface da plataforma e clique em Lexemas e Sufixos para selecionar a tarefa.
      2. Permita que o agente pedagógico ofereça orientação instrucional e modelagem de tarefas ao aluno, incluindo um item de exemplo em que o aluno usa um mouse externo para selecionar uma imagem correspondente à palavra-alvo.
      3. Certifique-se de que o agente pedagógico forneça feedback com base na resposta do aluno ao exemplo e, em seguida, instrua o aluno a iniciar a tarefa.
      4. Mantenha a consistência processual durante toda a execução da tarefa, solicitando que o aluno selecione uma imagem correspondente à palavra-alvo para cada item apresentado e registrando os acertos corretos e as respostas perdidas.
   3. Tarefa de compreensão homófona
      1. Acesse o programa no computador. Navegue até a porta laranja na interface da plataforma. Clique em Compreensão homófona para selecionar a tarefa.
      2. Permitir que o agente pedagógico ofereça orientação instrucional e modelagem de tarefas ao aluno. Apresente um item de exemplo, solicitando que o aluno use um mouse externo para selecionar uma imagem correspondente à palavra-alvo.
      3. Certifique-se de que o agente pedagógico forneça feedback com base na resposta do aluno ao exemplo e instrua o aluno a iniciar a tarefa após a apresentação do exemplo.
      4. Mantenha a consistência nas etapas processuais durante toda a execução da tarefa. Peça ao aluno que selecione uma imagem correspondente à palavra-alvo para cada item apresentado.
      5. Registre acertos corretos e respostas perdidas durante a execução da tarefa.
4. Porta Verde: Módulo de processamento sintático
   1. Tarefa de gênero
      1. Abra o programa no computador. Navegue até a porta verde na interface do programa. Clique em Gênero para selecionar a tarefa.
      2. Permita que o agente pedagógico forneça ao aluno instruções e modelagem de tarefas. Apresente dois exemplos para o aluno completar, exigindo que ele clique nas palavras correspondentes em cada frase de acordo com sua concordância de gênero usando um mouse externo.
      3. Certifique-se de que o agente pedagógico forneça feedback com base na resposta do aluno aos exemplos. Após a apresentação de exemplo, certifique-se de que o agente pedagógico oriente o aluno para iniciar a tarefa.
      4. Durante toda a execução da tarefa, mantenha a consistência no procedimento. Peça ao aluno que clique nas palavras correspondentes em cada frase de acordo com sua concordância de gênero.
      5. Colete respostas corretas e incorretas durante a execução da tarefa.
         NOTA: Ao contrário do espanhol, o inglês não distingue gênero em sua gramática.
   2. Tarefa de numeração
      1. Abra o programa no computador. Navegue até a porta verde na interface do programa. Clique em Número para selecionar a tarefa.
      2. Permita que o agente pedagógico forneça ao aluno instruções e modelagem de tarefas. Apresente dois exemplos para o aluno completar, exigindo que ele clique nas palavras correspondentes em cada frase de acordo com sua concordância numérica usando um mouse externo.
      3. Certifique-se de que o agente pedagógico forneça feedback com base na resposta do aluno aos exemplos. Após a apresentação de exemplo, certifique-se de que o agente pedagógico oriente o aluno para iniciar a tarefa.
      4. Durante toda a execução da tarefa, mantenha a consistência no procedimento. Peça ao aluno que clique nas palavras correspondentes em cada frase de acordo com sua concordância numérica.
      5. Colete acertos e erros durante a execução da tarefa.
         NOTA: Ao contrário do espanhol, o inglês não distingue números em sua gramática.
   3. Tarefa de palavras funcionais
      1. Abra o programa no computador. Navegue até a porta verde na interface do programa. Clique em Palavras Funcionais para selecionar a tarefa.
      2. Permita que o agente pedagógico forneça ao aluno instruções e modelagem de tarefas. Apresente dois exemplos para o aluno completar, exigindo que ele clique nas palavras de função correspondentes em cada frase de acordo com o contexto da frase usando um mouse externo.
      3. Certifique-se de que o agente pedagógico forneça feedback com base na resposta do aluno aos exemplos. Após a apresentação de exemplo, certifique-se de que o agente pedagógico oriente o aluno para iniciar a tarefa.
      4. Durante toda a execução da tarefa, mantenha a consistência no procedimento. Peça ao aluno que clique nas palavras funcionais correspondentes em cada frase de acordo com o contexto da frase.
      5. Colete respostas corretas e incorretas durante a execução da tarefa.
   4. Tarefa de estrutura gramatical
      1. Abra o programa no computador. Navegue até a porta verde na interface do programa. Selecione Estrutura gramatical para escolher a tarefa.
      2. Permita que o agente pedagógico forneça ao aluno instruções e demonstrações de tarefas. Apresente dois exemplos para o aluno completar, exigindo que ele clique na frase apropriada para cada figura usando um mouse externo.
      3. Certifique-se de que o agente pedagógico forneça feedback com base na resposta do aluno aos exemplos. Após a apresentação de exemplo, certifique-se de que o agente pedagógico oriente o aluno para iniciar a tarefa.
      4. Durante toda a execução da tarefa, mantenha a consistência no procedimento. Peça ao aluno que clique na frase apropriada para cada imagem usando um mouse externo.
      5. Capture respostas corretas e incorretas durante a execução da tarefa.
5. Blue Door: Módulo de processamento semântico usando a tarefa de compreensão de leitura
   1. Abra o programa no computador. Prossiga para a porta azul na interface do programa. Escolha The Fruits para o texto informativo ou Tino's Getaway para o texto narrativo.
   2. Permita que o agente pedagógico forneça ao aluno instruções de tarefas. Uma vez escolhido o tipo de texto, exiba o texto na tela.
   3. O aluno deve ler o texto e memorizar as informações mais relevantes. Depois de terminar a leitura, peça ao aluno que clique na seta na tela usando o mouse externo para indicar a conclusão da leitura e prossiga para a próxima seção.
   4. Permita que o agente pedagógico instrua o aluno a ler as perguntas e selecionar a resposta correta usando o mouse externo. O aluno lê as perguntas e seleciona a resposta correta de acordo.

3. Análise dos dados

1. Para avaliar a validade de construto e a precisão diagnóstica da bateria multimídia em uma população de língua espanhola, use a análise fatorial confirmatória (CFA) e a análise da curva ROC (receiver operating characteristic).
2. Execute CFA para validar a estrutura fatorial subjacente da bateria multimídia. Essa análise permite testar a hipótese de que os dados se encaixam em uma estrutura predefinida com base em expectativas teóricas.
3. Avalie o ajuste do modelo usando vários índices de ajuste, incluindo o índice de ajuste comparativo (CFI), índice de Tucker-Lewis (TLI), raiz quadrada média do erro de aproximação (RMSEA) e raiz quadrada média residual padronizada (SRMR). Um bom ajuste do modelo é indicado por valores de CFI e TLI maiores que 0,90, valores de RMSEA menores que 0,08 e valores de SRMR menores que 0,08.
4. Para determinar a precisão do diagnóstico da bateria multimídia, execute a análise da curva ROC. Esse método permite avaliar a capacidade do teste de classificar corretamente indivíduos com e sem dificuldades de leitura. A área sob a curva ROC (AUC) fornece uma medida da precisão geral do teste. Uma AUC de 0,5 indica nenhuma capacidade de diagnóstico, enquanto uma AUC de 1,0 indica capacidade de diagnóstico perfeita.
5. Identifique os pontos de corte ideais para a bateria analisando a sensibilidade e a especificidade em vários níveis de limite.
6. Empregando a análise da curva CFA e ROC, realize uma avaliação abrangente da bateria multimídia, confirmando sua validade de construto e precisão diagnóstica em uma população de língua espanhola.

Resultados

Exemplo de estudo
A amostra incluiu 881 participantes da Espanha (N = 325), México (N = 169), Guatemala (N = 227) e Chile (N = 160), todos falantes nativos de espanhol. A amostra foi dividida em dois grupos: 451 no grupo com dificuldade de leitura (RD) e 430 no grupo com desempenho normal (NAR). Crianças com necessidades educacionais especiais - aquelas que requerem apoio e atenção educacional específica devido a deficiências sensoriais, problemas neurológicos ou outras condições - foram excluídas porque esses fatores são normalmente usados como critérios de exclusão para dificuldades de aprendizagem ou distúrbios comportamentais graves, temporariamente ou durante a escolaridade. Os participantes do grupo RD foram selecionados com base em critérios como QI igual ou superior a 80, percentil de medição do tempo de leitura de palavras acima do percentil 75, percentil de medição do tempo de leitura de pseudopalavras acima do percentil 75 ou percentil de medição de precisão de leitura de pseudopalavras abaixo do percentil 25. Da mesma forma, o grupo NAR foi selecionado com base em critérios comparáveis, com a adição de um percentil de tarefa de compreensão PROLEC³⁶ acima do percentil 25. Todos os percentis foram determinados de acordo com as séries dos participantes. A classificação dos participantes nesses grupos dependia de tarefas de leitura de palavras e pseudopalavras, cada uma composta por blocos separados. Em ambos os blocos, os participantes foram instruídos a ler em voz alta os estímulos verbais apresentados o mais rápido possível. O bloco de leitura de palavras incluiu 32 estímulos, enquanto o bloco de leitura de pseudopalavras continha 48 estímulos. A familiaridade das palavras foi controlada por meio de critérios delineados por Guzmán e Jiménez³⁷. Foram registradas medidas de acertos, erros e tempos de latência, sendo os tempos de latência medidos desde o aparecimento de cada item até o início da resposta vocal do aluno. O bloco de leitura de palavras demonstrou alta consistência interna (α = 0,89), enquanto o bloco de leitura de pseudopalavras exibiu consistência interna ainda maior (α = 0,91). A distribuição dos alunos com RD e NAR nas diferentes séries foi a seguinte: Na segunda série, havia 30 alunos NAR e 27 alunos RD. Na transição para a terceira série, 100 NARs foram observados ao lado de 88 alunos de RD. A quarta série incluiu 100 alunos NAR e 116 RD. Na quinta série, havia 100 alunos NAR e 116 RD, enquanto na sexta série, havia 100 alunos NAR e 104 RD. Para avaliar as diferenças de idade na amostra total e dentro de cada série, foram realizados testes ANOVA de uma via. Os resultados não revelaram diferenças significativas, com todos os valores de p excedendo 0,05. Da mesma forma, a distribuição da variável sexo foi examinada por meio do teste qui-quadrado, com todos os valores de p também excedendo 0,05.

Estatística descritiva
A Tabela 1 apresenta a estatística descritiva (média e desvio-padrão) para a idade e as medidas de avaliação. Os dados são categorizados por gênero, distinguindo entre leitores com desempenho normal e aqueles com dificuldades de leitura em vários países. Os resultados mostraram correlações positivas e estatisticamente significativas entre um grande número de medidas de avaliação (ver Tabela 2). A tabela exibe correlações entre as medidas, variando de fraca a forte. Correlações menores que 0,3 são consideradas fracas, enquanto aquelas maiores que 0,5 são categorizadas como fortes. Valores de correlação específicos são fornecidos juntamente com suas respectivas classificações de força. Por exemplo, correlações fracas (r < 0,3) incluíram as de blending-segmentação (r = 0,354) e deleção-compreensão homófona (r = 0,270). Correlações moderadas (0,3 ≤ r < 0,5) foram observadas entre a estrutura gramatical-número (r = 0,463) e a estrutura funcional palavras-gramática (r = 0,512). Fortes correlações (r ≥ 0,5) são evidentes para número-gênero (r = 0,642) e imagem RAN-Color RAN (r = 0,442).

Tabela 1: Estatística descritiva das medidas. Esta tabela fornece a média, desvio padrão e outras estatísticas descritivas para as várias medidas incluídas na ferramenta digital. IDADE: Idade; NAR: Normalmente alcançando leitores; RD: Dificuldade de leitura; SEG: Segmentação; BLN: Mistura; ISO: Isolamento de fonemas; DEL: Deleção de fonemas; HOM: Compreensão homófona; R&S: Raiz & Sufixos; GEN: Gênero; NUM: Número; FW: Palavras funcionais; GRS: Estrutura Gramatical; EXT: Texto Expositivo ; NAT: Texto Narrativo; VOC: Vocalização da articulação; MOA: Forma de articulação; POA= Local de articulação; DIG: Dígito RAN; LET: Carta correu; COL: Cor RAN; FOTO: Imagem RAN Clique aqui para baixar esta tabela.

Tabela 2: Coeficientes de correlação das medidas. Esta tabela mostra os coeficientes de correlação entre as diferentes medidas da ferramenta digital, indicando a força e a direção das relações entre essas medidas. SEG: Segmentação; BLN: Mistura; ISO: Isolamento de fonemas; DEL: Deleção de fonemas; HOM: Compreensão homófona; R&S: Raiz & Sufixos; GEN: Gênero; NUM: Número; GRS: Estrutura Gramatical; FW: Palavras Funcionais; EXT: Texto Expositivo ; NAT: Texto Narrativo; VOC: Vocalização da articulação; MOA: Forma de articulação; POA= Local de articulação; DIG: Dígito RAN; LET: Carta correu; COL: Cor RAN; FOTO: Imagem RAN. Clique aqui para baixar esta tabela.

Análise fatorial confirmatória
A AFC foi realizada para avaliar a estrutura fatorial proposta da bateria multimídia. O modelo inclui um fator de segunda ordem e seis variáveis latentes, cada uma representando módulos distintos da bateria multimídia. Esses construtos incluem consciência fonológica (incluindo tarefas de segmentação fonêmica, isolamento, combinação e exclusão), módulo morfo-ortográfico (envolvendo sufixos de raiz e sufixos e tarefas de compreensão homófona), sintaxe (compreendendo tarefas de gênero, número, estrutura gramatical e palavras funcionais), percepção de fala (envolvendo tarefas de voz, modo de articulação e local de articulação), compreensão de leitura (abrangendo tarefas de compreensão de texto expositivo e narrativo) e tarefas de compreensão rápida de texto nomenclatura automatizada (tarefas de letras, cores, dígitos e imagens da tarefa RAN). Para garantir a consistência em todas as tarefas da bateria multimídia (variando de 0 a 1), usamos a estimativa de proporção de escala máxima (POMS). Os escores do POMS foram calculados para as tarefas baseadas no tempo (raízes e sufixos)³⁸.

As análises estatísticas e as apresentações gráficas foram realizadas usando o R versão 4.3.1³⁹, empregando os pacotes lavaan⁴⁰, semTools⁴¹ e ggplot2⁴² . O ajuste do modelo foi avaliado usando vários índices de qualidade de ajuste. Embora a qualidade do ajuste do qui-quadrado tenha sido significativa, χ²(df) = 632,01, p < 0,001, o que sugere uma discrepância entre o modelo hipotético e os dados observados, é importante notar que o teste do qui-quadrado é sensível ao tamanho da amostra⁴³. Portanto, índices de ajuste adicionais foram considerados.

O índice de ajuste comparativo (CFI) rendeu um valor de 0,961, excedendo o limite comumente aceito de 0,95 e indicando um bom ajuste aos dados. A raiz quadrada média do erro de aproximação (RMSEA) foi de 0,038, indicando um ajuste próximo do modelo aos dados. O resíduo quadrático médio padronizado (SRMR) foi de 0,034, abaixo do valor recomendado de 0,05, sugerindo um ajuste ideal. As cargas fatoriais para os itens variaram de 0,36 a 0,81, indicando cargas significativas em seus respectivos fatores. A variância média total extraída (AVE) excedeu .50, sugerindo validade convergente adequada, e a confiabilidade composta total (CR) foi superior a .80, indicando boa confiabilidade de consistência interna.

Em conclusão, os resultados da AFC apoiaram a estrutura fatorial proposta, demonstrando bom ajuste do modelo, validade convergente e confiabilidade. Consulte a representação gráfica do modelo na Figura 1.

Figura 1: Análise fatorial confirmatória. Esta figura ilustra os resultados da análise fatorial confirmatória realizada na ferramenta digital, destacando as cargas fatoriais e as relações entre diferentes medidas de processamento cognitivo. Abreviaturas: SIC= Sicole-R; PA= Consciência fonológica; SEG= Segmentação; BLN= Mistura; ISO= Isolamento; DEL= Deleção; MO= Processamento morfológico; HOM= Compreensão homófona; R&S= Raiz e sufixos; SYN= Processamento sintático; GEN= Sexo; NÚM= Número; GRS= Estrutura gramatical; FW= Palavras funcionais; RC= Compreensão de leitura; EXT= Texto expositivo; NAT= Texto narrativo; SP= Percepção de fala; VOC= Vocalização da articulação; MOA= Forma de articulação; POA= Local de articulação; RAN= Nomeação Automatizada Rápida; NUM= Número CORREU; LET= Letra RAN; COL= Cor RAN; PIC= Imagem RAN. Clique aqui para ver uma versão maior desta figura.

Análises de invariância de medição foram usadas para testar se a estrutura fatorial da bateria multimídia era estável entre os gêneros. O teste de invariância de medição consiste em uma série de comparações de modelos que definem restrições de igualdade cada vez mais rigorosas⁴⁴. Realizamos as análises estatísticas e seguimos os mesmos critérios do modelo de ajuste da AFC anterior. Restringimos sucessivamente os parâmetros que representam as estruturas configurais, métricas (carregamentos), escalares (interceptações) e estritas (residuais)⁴⁵. Um ajuste ruim em qualquer um desses modelos sugere que o aspecto que está sendo restringido não funciona de forma consistente para os diferentes grupos. O grau de invariância foi determinado conjuntamente quando χ²_D foi >0,05 e ΔCFI foi <0,01. Um resumo dos resultados dos índices dos modelos e as diferenças entre eles são mostrados na Tabela 3.

Tabela 3: Índices de ajuste do modelo de invariância. Esta tabela apresenta os índices de ajuste para testar a invariância de gênero do modelo, avaliando o quão bem a ferramenta digital mantém a consistência em sua estrutura e propriedades de medição entre grupos masculinos e femininos. Esses índices garantem a confiabilidade e validade da ferramenta, confirmando sua capacidade de medir processos cognitivos de forma consistente em diversos grupos de gênero. Clique aqui para baixar esta tabela.

O modelo configural, que restringiu apenas a configuração relativa das variáveis no modelo a ser a mesma em ambos os grupos, teve um ajuste adequado aos dados: χ² (292) = 745,970, p<,001, CFI = 0,964, SRMR = 0,034, RMSEA = 0,036, IC 90% (0,033, 0,038). O modelo de invariância métrica restringiu a configuração de variáveis e todas as cargas de fatores para serem constantes entre os grupos. Os índices de ajuste foram comparáveis aos do modelo configural: χ² (310) = 768,56, p<,001, CFI = 0,963, SRMR = 0,037, RMSEA = 0,036, IC 90% (0,033, 0,038). A invariância das cargas fatoriais foi apoiada pelos testes de diferenças não significativas que avaliaram a similaridade do modelo: χ²_D (18) = 26,30, p = 0,09; ΔCFI = 0,001. No modelo de invariância escalar, a configuração, as cargas fatoriais e as médias/interceptações dos indicadores foram restritas a serem as mesmas para cada grupo. Os índices de ajuste foram inferiores ao ideal: χ²(322) = 787,50, p<,001, CFI = 0,963, SRMS = 0,038, RMSEA = 0,035 (IC 90% = 0,032, 0,038). Os testes de diferença que avaliaram a similaridade do modelo sugeriram que havia invariância fatorial: χ²_D(12)=13,00, p = 0,369; ΔCFI = 0,001. Finalmente, no modelo de invariância estrita, a configuração, as cargas fatoriais, as médias/interceptações dos indicadores e os resíduos foram restringidos a serem os mesmos para cada grupo. Os índices de ajuste foram inferiores ao ideal: χ² (341) = 798,20, p<,001, CFI = 0,961, SRMS = 0,039, RMSEA = 0,0035 (IC 90% = 0,032, 0,038). A invariância estrita foi apoiada pelos testes de diferenças não significativas que avaliaram a similaridade do modelo: χ²_D(11) = 25,81, p<,001; ΔCFI = 0,002

Precisão diagnóstica
Para avaliar a precisão e a capacidade discriminativa da bateria multimídia, foram realizadas análises de características de operação do receptor (ROC). A análise ROC auxilia na determinação do limite ideal (valor de corte) para um teste de avaliação em escala contínua, equilibrando a sensibilidade (capacidade de identificar corretamente os verdadeiros positivos) e a especificidade (capacidade de identificar corretamente os verdadeiros negativos). Além disso, a análise ROC foi usada para avaliar a capacidade do teste de discriminar entre os grupos RD e NAR. Para realizar a análise, foram calculados escores Z por série para cada tarefa da bateria multimídia. A pontuação geral consistiu na soma das pontuações zeta. As análises estatísticas e as apresentações gráficas foram realizadas usando o R versão 4.3.1⁴¹. Foram utilizados os pacotes pROC⁴⁶ e ggplot2⁴² . Em termos de acurácia diagnóstica, a bateria multimídia exibiu uma área sob a curva (AUC) de 9439,8 [IC 95%: 93,31%-96,24% (DeLong)] e uma sensibilidade de 91,0 (Figura 2). As curvas ROC por grau mostraram os seguintes índices: 2° grau, AUC= 96,195% [IC: 91,54%-100% (DeLong)], Se= 0,96, Sp=0,90; 3° grau, AUC= 95,3, [IC 95%: 92,43%-98,18% (DeLong)], Se=75,70, Sp= 72,34; 4° grau, AUC=93,4 [IC 95%: 90,2%-96,66% (DeLong)], Se=0,92, Sp=0,84; 5° grau, AUC=95,9 [IC 95%: 93,11%-98,75% (DeLong)], Se=0,90, Sp=0,95; 6° grau, AUC=94,4 [IC 95%: 91,11%-97,69% (DeLong)], Se=.92, Sp=.91.

Figura 2: Análise da curva ROC. Esta figura apresenta a análise da curva ROC, que mostra a precisão diagnóstica da ferramenta digital, traçando a taxa de verdadeiros positivos em relação à taxa de falsos positivos em várias configurações de limite. As unidades para o eixo x da curva ROC são especificidade e as unidades para o eixo y são sensibilidade. Abreviaturas: ROC= curva característica de operação do receptor; AUC= área sob a curva. Clique aqui para ver uma versão maior desta figura.

Discussão

Neste estudo, a análise fatorial confirmatória (AFC) foi empregada para avaliar a estrutura fatorial da bateria Sicole-R, compreendendo um fator de segunda ordem e seis variáveis latentes representando diferentes módulos. Os resultados indicaram bom ajuste do modelo, validade convergente e confiabilidade, confirmando a eficácia da bateria na avaliação de um conjunto abrangente de habilidades cognitivas e de leitura que são críticas para indivíduos com dislexia. É importante ressaltar que o desempenho consistente da ferramenta digital em diversos grupos demográficos na Espanha, México, Guatemala e Chile sugere sua utilidade potencial em ambientes educacionais e clínicos em várias regiões de língua espanhola.

Este estudo contribui para a literatura ao demonstrar como as baterias multimídia podem ser usadas para identificar efetivamente déficits cognitivos específicos associados à dislexia. A capacidade da bateria de identificar áreas específicas de dificuldade, como consciência fonológica, percepção da fala, velocidade de nomeação, processamento ortográfico, processamento sintático e compreensão de leitura, permite intervenções personalizadas para atender às necessidades individuais dos alunos de forma eficaz. Além disso, a consistência demonstrada da bateria entre os gêneros ressalta sua utilidade na promoção de práticas de avaliação equitativas, apoiando assim iniciativas de educação inclusiva destinadas a proporcionar oportunidades iguais para todos os alunos.

Embora ferramentas anteriores com características semelhantes tenham sido projetadas para uso na língua inglesa, como o Dyslexia Early Screening Test (DEST) proposto por Fawcett e Nicolson¹⁷, que avalia múltiplos domínios, este estudo demonstrou a aplicabilidade e eficácia da bateria multimídia em um contexto linguístico diferente. Ao longo da análise, várias etapas críticas foram realizadas dentro do protocolo para garantir a precisão e validade dos resultados. Essas etapas incluíram pré-processamento de dados, especificação do modelo e estimação de parâmetros, alinhando-se com estudos como Hautala et ^al.19 que demonstraram a confiabilidade de ferramentas baseadas em computador na identificação de alunos com dificuldades de leitura. Além disso, outros estudos, como os de Protopapas et ^al.20 e Pennington et ^al.12, exploraram a implementação de ferramentas de triagem baseadas em computador para identificação de dislexia, ressaltando a importância de aproveitar a tecnologia para aprimorar as estratégias de avaliação. Além disso, o presente estudo se alinha com os avanços recentes na pesquisa sobre dislexia e avaliação psicométrica, enfatizando a relevância da bateria em contextos contemporâneos. Estudos conduzidos por Jiménez et ^al.23 e Guzmán et ^al.24 destacaram a necessidade crítica de ferramentas de avaliação robustas adaptadas a diversas origens linguísticas, ressaltando a eficácia do Sicole-R em preencher essa lacuna nas populações de língua espanhola. Além disso, a integração de tecnologias digitais na avaliação da dislexia, conforme discutido por Rauschenberg et ^al.6, reforça o rigor metodológico demonstrado na abordagem deste estudo para análise fatorial e validação.

Apesar do rigor metodológico empregado neste estudo, é importante reconhecer algumas limitações inerentes à análise. Uma limitação diz respeito à generalização dos achados, pois a amostra consistiu em um grupo demográfico específico, potencialmente limitando a aplicabilidade dos resultados a populações mais amplas. Além disso, embora tenham sido feitos esforços para garantir a invariância da medição entre os sexos, outros fatores demográficos, como idade ou status socioeconômico, não foram explicitamente contabilizados na análise, o que pode ter influenciado os resultados.

Futuras direções de pesquisa podem explorar sua adaptação a diferentes dialetos espanhóis e sua integração em estruturas educacionais mais amplas para aprimorar as estratégias de identificação. No futuro, pesquisas futuras devem ter como objetivo abordar as limitações identificadas neste estudo, como explorar a utilidade da bateria multimídia em diversas populações e investigar sua validade longitudinal e validade preditiva na previsão de resultados educacionais de longo prazo. Além disso, uma linha de pesquisa futura promissora foi destacada em uma revisão recente de Jin et ^al.47, sugerindo a incorporação de tecnologia neurobiológica. Eles realizaram uma revisão abrangente de bancos de dados científicos, selecionando estudos publicados entre 2018 e 2023. Suas descobertas sugerem que a avaliação da tecnologia neurobiológica está emergindo como uma tendência promissora no avanço do diagnóstico de dislexia.

Em conclusão, os resultados deste estudo destacam a bateria multimídia como uma ferramenta valiosa para os educadores, facilitando um suporte mais eficaz e melhores resultados para alunos com dislexia. Ao incorporar essas percepções contemporâneas, as descobertas contribuem para a evolução do discurso sobre a avaliação da dislexia, oferecendo aos profissionais e pesquisadores perspectivas atualizadas sobre estruturas eficazes de estratégias diagnósticas. Até onde sabemos, este estudo está entre os primeiros a validar uma bateria multimídia abrangente adaptada especificamente para populações de língua espanhola, preenchendo uma lacuna crítica nas atuais ferramentas de diagnóstico disponíveis para dislexia.

Materiais

Lista de materiais utilizados neste artigo

Nome	Empresa	Número de catálogo	Comentários
Sicole-R	Universidad de La Laguna	TF-263- 07