Dyslexi innebär bestående ordavkodningssvårigheter som anses vara orsakade av nedsättning i fonologiska färdigheter. Till följd av dessa svårigheter har individer med dyslexi ett annorlunda ögonrörelsemönster vid läsning. Individer med dyslexi kan många gånger övervinna sina svårigheter och lyckas i den akademiska världen. Studiens övergipande syfte var att genom en multipel fallstudie undersöka ordavkodning och ögonrörelser hos fem universitetsstudenter med dyslexi. Ögonrörelserna mättes med en dator specialiserad för detta ändamål. En kontrollgrupp av normalläsare (n=20) fördes samman för jämförelse. I föreliggande studie var användning av ordavkodningstest och mätning av ögonrörelser den metodologiska inriktningen. Resultaten visar att alla de fem studenterna med dyslexi har nedsatt ordavkodning och till stor del ett annorlunda ögonrörelsemönster som varierade något dem emellan. De kvalitativa illustrationerna av ögonrörelserna var svårtolkade i jämförelse med de kvantitativa resultaten på testen, dock anses dessa och bakgrundsinformation ge en fördjupad bild av hur en person verkligen läser. Eye tracking- metoden visade sig vara användbar men för ett större forskningsprojekt skulle det krävas att vissa korrigeringar genomfördes. / Dyslexia can be defined as permanent word decoding deficits caused by difficulties with phonological skills. An abnormal eye movement pattern while reading among individuals with dyslexia is a consequence of these difficulties. Many times these individuals overcome their dyslectic difficulties and succeed in the academic world. The purpose of the present study was to investigate five university students with dyslexia through a multiple case study. Word decoding skills and eye movements were measured, and a control group (n=20) was put together for comparison. In the present study, word decoding skills were measured through tests and eye movements were measured by a computer specialized for this purpose. The results showed that the five students have word decoding difficulties and abnormal eye movement patterns which varied to some extent between the five students. In comparison to the quantitative results from the tests the qualitative illustrations of the eye movements were hard to interpret. Although there were difficulties with interpretation, the illustrations and the background information hold significance to understand how a person reads. The eye tracking method in the present study can be useful; however, if more extensive research were to be conducted some modifications would be of importance.

O Transtorno do Espectro do Autismo (TEA) é um transtorno do neurodesenvolvimento que afeta principalmente as habilidades de interação social dos indivíduos. Para auxiliar no diagnóstico, estudos têm utilizado técnicas de rastreamento de olhar, mas, em geral, os sinais são interpretados manualmente ou a automatização considera somente alguns dos indícios que podem definir a presença do TEA em indivíduos. O presente projeto visa a preencher esta lacuna, propondo utilizar os dados do rastreamento do olhar para o desenvolvimento de um modelo de atenção visual para TEA e para Desenvolvimento Típico (DT). A partir desses modelos, é construído um classificador que visará auxiliar no diagnóstico do TEA. Para alcançar o objetivo proposto, foram realizadas as seguintes etapas: revisão bibliográfica, aprovação do comitê de ética, definição do modelo de atenção visual, implementação do modelo, análise e publicação dos resultados. Os métodos foram testados com técnica de validação cruzada e construção de curva ROC. Os resultados mostraram que o modelo de atenção visual desenvolvido é capaz de prever a atenção visual do grupo TEA e do grupo DT, e que o método para classificação desenvolvido consegue classificar um indivíduo com TEA com média de 90\\% de precisão e 83\\% de especificidade, atingindo no melhor resultado 96\\% de precisão e 93\\% de especificidade. Espera-se que o método possa ser utilizado por profissionais da área de saúde e que sirva de base também para outras aplicações / Autism Spectrum Disorder (ASD) is a neurodevelopmental disorder that affects mainly social interaction skills of individuals. In order to aid the diagnosis, studies have used eye-tracking techniques, but, in general, the signals are interpreted manually or the automation considers only some of the evidence that may define the presence of the ASD in individuals considering eye-tracking signals. This project aims at contributing to this challenge, processing data provided from eye-tracking based on a visual attention model for ASD and Typical Development (TD). From this model its build a classifier that will aid ASD diagnosis. To achieve the proposed goal, the following steps were performed: literature review, approval of the ethics committee, definition of a visual attention model, model implementation, analysis and publication of results. The methods were tested with cross-validation technique and ROC curve construction. The results showed that the developed model is able to predict visual attention of the TEA group and the DT group, and that the developed training method can classify an individual with TEA with an average of 90\\% of precision and 83\\% of specificity. In the best result was achive 96\\% of accuracy and 93\\% of specificity. It is expected that the method can be used by health professionals and also serve as a basis for other applications

O Transtorno do Espectro do Autismo (TEA) é um transtorno do neurodesenvolvimento que afeta principalmente as habilidades de interação social dos indivíduos. Para auxiliar no diagnóstico, estudos têm utilizado técnicas de rastreamento de olhar, mas, em geral, os sinais são interpretados manualmente ou a automatização considera somente alguns dos indícios que podem definir a presença do TEA em indivíduos. O presente projeto visa a preencher esta lacuna, propondo utilizar os dados do rastreamento do olhar para o desenvolvimento de um modelo de atenção visual para TEA e para Desenvolvimento Típico (DT). A partir desses modelos, é construído um classificador que visará auxiliar no diagnóstico do TEA. Para alcançar o objetivo proposto, foram realizadas as seguintes etapas: revisão bibliográfica, aprovação do comitê de ética, definição do modelo de atenção visual, implementação do modelo, análise e publicação dos resultados. Os métodos foram testados com técnica de validação cruzada e construção de curva ROC. Os resultados mostraram que o modelo de atenção visual desenvolvido é capaz de prever a atenção visual do grupo TEA e do grupo DT, e que o método para classificação desenvolvido consegue classificar um indivíduo com TEA com média de 90\\% de precisão e 83\\% de especificidade, atingindo no melhor resultado 96\\% de precisão e 93\\% de especificidade. Espera-se que o método possa ser utilizado por profissionais da área de saúde e que sirva de base também para outras aplicações / Autism Spectrum Disorder (ASD) is a neurodevelopmental disorder that affects mainly social interaction skills of individuals. In order to aid the diagnosis, studies have used eye-tracking techniques, but, in general, the signals are interpreted manually or the automation considers only some of the evidence that may define the presence of the ASD in individuals considering eye-tracking signals. This project aims at contributing to this challenge, processing data provided from eye-tracking based on a visual attention model for ASD and Typical Development (TD). From this model its build a classifier that will aid ASD diagnosis. To achieve the proposed goal, the following steps were performed: literature review, approval of the ethics committee, definition of a visual attention model, model implementation, analysis and publication of results. The methods were tested with cross-validation technique and ROC curve construction. The results showed that the developed model is able to predict visual attention of the TEA group and the DT group, and that the developed training method can classify an individual with TEA with an average of 90\\% of precision and 83\\% of specificity. In the best result was achive 96\\% of accuracy and 93\\% of specificity. It is expected that the method can be used by health professionals and also serve as a basis for other applications