<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE ArticleSet PUBLIC "-//NLM//DTD PubMed 2.7//EN" "https://dtd.nlm.nih.gov/ncbi/pubmed/in/PubMed.dtd">
<ArticleSet>
<Article>
<Journal>
				<PublisherName>انجمن علمی کودکان استثنایی ایران</PublisherName>
				<JournalTitle>توانمندسازی کودکان استثنایی</JournalTitle>
				<Issn>2588-3488</Issn>
				<Volume>17</Volume>
				<Issue>2</Issue>
				<PubDate PubStatus="epublish">
					<Year>2026</Year>
					<Month>06</Month>
					<Day>22</Day>
				</PubDate>
			</Journal>
<ArticleTitle>Qualitative Research Synthesis of the Application of Deep Learning in Video Analysis of Social Interactions for Early Diagnosis of Autism Spectrum Disorder in Preschool Children</ArticleTitle>
<VernacularTitle>سنتزپژوهی کیفی کاربرد یادگیری عمیق در تحلیل ویدئویی تعاملات اجتماعی برای تشخیص زودهنگام اختلال طیف خودمانده در کودکان پیش‌دبستانی</VernacularTitle>
			<FirstPage>66</FirstPage>
			<LastPage>42</LastPage>
			<ELocationID EIdType="pii">246854</ELocationID>
			
<ELocationID EIdType="doi">10.22034/ceciranj.2026.566116.2013</ELocationID>
			
			<Language>FA</Language>
<AuthorList>
<Author>
					<FirstName>رحیم</FirstName>
					<LastName>مرادی</LastName>
<Affiliation>دانشیار گروه علوم تربیتی، دانشکده علوم انسانی، دانشگاه اراک، اراک، ایران.</Affiliation>
<Identifier Source="ORCID">0000-0001-9401-9631</Identifier>

</Author>
<Author>
					<FirstName>مژگان</FirstName>
					<LastName>قنات</LastName>
<Affiliation>کارشناس ارشد تکنولوژی آموزشی، دانشکده روان شناسی و علوم تربیتی، دانشگاه علامه طباطبائی، تهران، ایران</Affiliation>
<Identifier Source="ORCID">0009-0006-1274-9467</Identifier>

</Author>
</AuthorList>
				<PublicationType>Journal Article</PublicationType>
			<History>
				<PubDate PubStatus="received">
					<Year>2025</Year>
					<Month>12</Month>
					<Day>14</Day>
				</PubDate>
			</History>
		    <Abstract>Early diagnosis of autism spectrum disorder (ASD) in preschool children requires a precise analysis of social interactions, which is often prone to subjectivity and human error when using traditional methods. Deep learning, with its ability to automatically extract complex patterns from video data, offers a novel opportunity to enhance diagnostic accuracy and objectivity. This research synthesis aimed to systematically analyze the applications of deep learning in the video analysis of social interactions for the early identification of ASD symptoms in children aged 4 to 6 years. The study was conducted using a qualitative research synthesis method following the PRISMA guidelines. A systematic search was performed across Scopus, Web of Science, PubMed, ERIC, and specialized Persian journals for the period between 2013 and 2025. Following the application of inclusion criteria (empirical studies utilizing deep learning models to analyze social interaction videos of preschool children with or without ASD) and exclusion criteria (indirect studies, reviews without primary data), 27 eligible studies were selected. Data analysis was carried out using a two-stage coding method (open codes →\rightarrow→ concepts →\rightarrow→ core components) assisted by MAXQDA 2022 software. The quality of the included studies was appraised using the CASP checklist. From the analysis of 112 initial codes, 14 concepts and ultimately 6 key components were extracted, which are characterized by three distinguishing features: (1) focusing on objective behavioral indicators such as gaze tracking, motor coordination, and facial micro-expressions using CNN and LSTM models; (2) multimodal data fusion by combining video with neural (EEG) and physiological (GSR) signals within multi-model architectures; and (3) designing smart interactive environments based on robotics and serious games that simultaneously collect data and deliver educational interventions. Most importantly, this synthesis revealed that previous studies have predominantly focused on diagnostic accuracy (up to 94%), while seriously neglecting ethical dimensions (privacy of children’s video data), the generalizability of models to culturally diverse populations (including Iranian children), and algorithmic transparency. In conclusion, although deep learning holds transformative potential for the early diagnosis of ASD, transitioning from the laboratory to clinical practice requires the development of an ethical-pedagogical framework that integrates algorithmic objectivity with cultural sensitivities and children’s rights. Future research is recommended to: (1) develop transfer learning models to adapt Western architectures to the behavioral characteristics of Iranian children; (2) collaborate with child psychology experts to define criteria for “healthy interaction” within the Iranian population to prevent cultural bias in data labeling; and (3) design localized platforms for collecting and sharing anonymized video data of Iranian children in compliance with personal data protection regulations.</Abstract>
			<OtherAbstract Language="FA">تشخیص زودهنگام اختلال طیف خودمانده  (ASD) در کودکان پیش‌دبستانی مستلزم تحلیل دقیق تعاملات اجتماعی است که با روش‌های سنتی همراه با ذهنیت و خطای انسانی است. یادگیری عمیق با قابلیت استخراج خودکار الگوهای پیچیده از داده‌های ویدئویی، فرصتی نوین برای ارتقای دقت و عینیت تشخیص فراهم می‌کند. این سنتزپژوهی با هدف تحلیل نظام‌مند کاربردهای یادگیری عمیق در تحلیل ویدئویی تعاملات اجتماعی برای شناسایی زودهنگام علائم اختلال طیف خودمانده در کودکان 4 تا ۶ سال انجام شد. این مطالعه با روش سنتزپژوهی کیفی و با پیروی از دستورالعمل PRISMA انجام گرفت. جست‌وجوی سیستماتیک در پایگاه‌های اسکوپوس، وب آو ساینس، پابمد، اریک و مجله‌های تخصصی فارسی در بازه زمانی ۲۰۱۳ تا ۲۰۲5 انجام شد. پس از اعمال معیارهای ورود (مطالعات تجربی با استفاده از مدل‌های یادگیری عمیق برای تحلیل ویدئوی تعاملات اجتماعی کودکان پیش‌دبستانی با/بدون اختلال طیف خودمانده) و معیارهای خروج (مطالعات غیرمستقیم، مروری بدون داده اولیه)، ۲۷ مطالعه واجد شرایط انتخاب شدند. تحلیل داده‌ها با روش کدبندی دو مرحله‌ای (کدهای باز → مفاهیم → مؤلفه‌های اصلی) و با استفاده از نرم‌افزار MAXQDA 2022 انجام پذیرفت. کیفیت مطالعات با چک‌لیست CASP ارزیابی شد. از تحلیل ۱۱۲ کد اولیه، ۱۴ مفهوم و در نهایت ۶ مؤلفه کلیدی استخراج گردید که سه ویژگی تمایزدهنده دارند: (۱) تمرکز بر شاخص‌های رفتاری عینی مانند تحلیل حرکات چشم، هماهنگی حرکتی و میکروحرکات چهره با مدل‌های CNN و LSTM؛ (۲) تلفیق چندوجهی داده‌ها از طریق ترکیب ویدئو با سیگنال‌های عصبی (EEG) و فیزیولوژیک (GSR) در معماری‌های چندمدلی ؛ (۳) طراحی محیط‌های تعاملی هوشمند مبتنی بر ربات‌ها و بازی‌های جدی که همزمان هم داده جمع‌آوری و هم مداخله آموزشی انجام می‌دهند. مهم‌تر از همه، این سنتزپژوهی نشان داد که مطالعات پیشین عمدتاً بر دقت تشخیصی (تا ۹۴٪) تمرکز کرده‌اند، در حالی که ابعاد اخلاقی (حریم خصوصی داده‌های ویدئویی کودکان)، قابلیت تعمیم مدل‌ها به جمعیت‌های فرهنگی متنوع (شامل کودکان ایرانی) و شفافیت الگوریتمی به‌طور جدی نادیده گرفته شده‌اند. در نتیجه می‌توان گفت که یادگیری عمیق پتانسیل تحول‌آفرینی در تشخیص زودهنگام اختلال طیف خودمانده را دارد، اما گذار از آزمایشگاه به کاربست بالینی مستلزم توسعه چارچوبی اخلاقی-تربیتی است که عینیت الگوریتمی را با حساسیت‌های فرهنگی و حقوق کودک تلفیق کند. پیشنهاد می‌شود پژوهش‌های آینده: (۱) مدل‌های یادگیری انتقالی را برای تطبیق معماری‌های غربی با ویژگی‌های رفتاری کودکان ایرانی توسعه دهند؛ (۲) با مشارکت متخصصان روان‌شناسی کودک، معیارهای «تعامل سالم» را برای جمعیت ایرانی تدوین کنند تا از سوگیری فرهنگی در برچسب‌گذاری داده‌ها جلوگیری شود؛ و (۳) پلتفرم‌های بومی برای جمع‌آوری و اشتراک‌گذاری داده‌های ویدئویی آنونیم‌شده کودکان ایرانی با رعایت قانون حمایت از داده‌های شخصی طراحی شود.</OtherAbstract>
		<ObjectList>
			<Object Type="keyword">
			<Param Name="value">اختلال طیف خودمانده</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">تشخیص زودهنگام</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">یادگیری عمیق</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">تحلیل ویدئویی</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">تعاملات اجتماعی</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">کودکان پیش‌دبستانی</Param>
			</Object>
		</ObjectList>
<ArchiveCopySource DocType="pdf">https://www.ceciranj.ir/article_246854_0fd2aa653d00f848d82afe27000fe007.pdf</ArchiveCopySource>
</Article>
</ArticleSet>
