В данной статье проводится критическая оценка метода GRAPHOS — графово-теоретической框架, использующей машинное обучение для построения сетей корреляций когнитивных задач с целью скрининга дислексии. Исследователи применили этот подход к набору данных Dytective, включающему 3 644 участника (392 с дислексией), и сравнили его производительность с сильными базовыми моделями одиночных классификаторов. Результаты показали, что GRAPHOS не превосходит базовую модель: площадь под ROC-кривой (AUC) составила 0.8881 против 0.8883 у контрольной группы, при этом статистически значимых различий не выявлено (p = 0.989). Более того, анализ выявил серьезное демографическое смещение в данных: prevalence дислексии различался в 4,7 раза в зависимости от родного языка, а использование всего четырех демографических столбцов достигало AUC 0.724, что близко к результату всех 192 метрик задач (0.744). Авторы обнаружили двенадцатикратную разницу в уровне ложноположительных срабатываний между языковыми группами, что указывает на то, что модель учитывает демографические признаки, а не когнитивные паттерны дислексии. Психометрический анализ показал низкую общую дисперсию в выборке (KMO 0.497, альфа Кронбаха 0.171), объясняя, почему графовое представление не добавляет информативности. Статья подчеркивает важность использования согласованных по размеру нулевых моделей и аудита подгрупп при обучении классификаторов на выборках с неравномерным распределением признаков.