Giriş: Yüz davranışları psikiyatrik bozuklukların hemen hepsinde önemli klinik bulguları içerir, fakat günümüzde bunun için herhangi bir nesnel ölçüm yöntemi yoktur. Çalışmamızın amacı özgül öğrenme bozukluğu (ÖÖB) olan çocuklarda nesnel yüz davranış verilerini toplamak, klinik karara yardımcı olmak ve sağlıklı kontroller (SK) ile bu verilerin ayrım değerini araştırmaktır. Yöntem: ÖÖB ve SK grubu, ortalama 5 dakika süren çizgi film sahneleri izle-miş, 2 dakikalık aralarda sorular sorulmuştur ve yüz davranışları video kaydına alınmıştır. Openface yazılımı video analizi için kullanılmıştır. ÖÖB ve SK grupları arasındaki verilerin ayrımı için SVM, naive-bayes, lojistik regresyon makine öğrenme yöntemleri kullanılmıştır. Performans testlerinden ROC eğrileri ve AUC değerleri elde edilmiştir. Sonuçlar: Makine öğrenme yöntemleri öngörme modelleri ayrı olarak 10 katlı çapraz geçerli kılma analizine tutul-muştur. AUC: 0.76, duyarlılık: %72, özgüllük: %92 ile SVM metodu en yüksek performansı göstermiştir. Tartışma: Çocuklarda yüz davranışının bilgisayarlı tanımlanması, ÖÖB ve diğer nörogelişimsel hastalıklarda psikiyatrik değer-lendirmeye yardımcı olabilir. Gelecekte nörogelişimsel hastalıklarda geleneksel yöntemlerin yanında, nesnel yüz davranışın değerlendirilmesi bilgilendirici ve faydalı olacaktır.

Objective: Clinical characterization of facial behavior is getting more critical in psychiatric disorders; however, there are no objective measures of these expressions. Our study aims to investigate to affective facial behaviors in specific learning disorder (SLD), collect objective facial behavior information to help decision making, and examine the discrimination ability of these behaviors in SLD and healthy controls (HC). Methods: SLD and HC group watched three, 5-minute scenes from cartoon videos and between these scenes in 2-minute question session was applied. Openface software for video analysis used three machine learning algorithms and the performance of these algorithms tested on our data using SLD and HC groups as prediction class. ROC curves and AUC had been calcu-lated. Results: Prediction models using three machine learning classifiers had been created independently with tenfold cross-validation. SVM method showed the highest AUC=0.76 with sensitivity 72%, specifity 96%. Conclu-sion: Computational identification of facial behavior in children a promising beginning for the technologies to aid psychiatrists in the evaluation of learning and other neurodevelopmental disorders. Quantitative assessment of faci-al expression in neurodevelopmental disorders are both beneficial and informative and in future may be used as an addition to traditional methods of psychiatric examination.