Die Dynamik der Handschrift verbessert die automatisierte Diagnose von Dysgraphie
Konrad Zolna, Thibault Asselborn, Caroline Jolly, Laurence Casteran, Marie-Ange Nguyen-Morel, Wafa Johal, Pierre Dillenbourg
Die Störung der Handschrift (Dysgraphie) ist alles andere als ein singuläres Problem, denn in Frankreich gelten fast 8,6 % der Bevölkerung als dysgraphisch. Die Forschung unterstreicht zudem, wie wichtig es ist, diese Handschriftschwierigkeiten so früh wie möglich zu erkennen und zu beheben, da sie sich auf das gesamte Leben eines Kindes auswirken und seine Leistung und sein Selbstvertrauen bei einer Vielzahl von schulischen Aktivitäten beeinträchtigen können.
Gegenwärtig werden Handschriftschwierigkeiten mit Hilfe eines Standardtests namens BHK festgestellt. Dieser von Therapeuten durchgeführte Test ist aufgrund seiner hohen Kosten und Subjektivität sehr mühsam. Wir präsentieren einen digitalen Ansatz zur Erkennung und Charakterisierung von Handschriftschwierigkeiten mit Hilfe eines rekurrenten neuronalen Netzmodells (RNN). Das untersuchte Kind wird gebeten, alle Buchstaben des Alphabets sowie die zehn Ziffern auf ein Grafiktablett zu schreiben. Sobald es fertig ist, liefert das RNN in wenigen Millisekunden eine Diagnose und weist eine bemerkenswerte Effizienz auf, da es mehr als 90 % der Kinder, die mit dem BHK-Test als dysgraphisch diagnostiziert wurden, korrekt identifiziert. Der Hauptvorteil unseres Tablet-basierten Systems besteht darin, dass es die dynamischen Merkmale des Schreibens erfasst - etwas, das ein menschlicher Experte, z. B. ein Lehrer, nicht leisten kann.
Wir zeigen, dass die Einbeziehung der dynamischen Informationen, die durch die Verwendung eines Tablets zur Verfügung stehen, für unseren digitalen Test zur Unterscheidung zwischen normal entwickelten und dysgraphischen Kindern von großem Nutzen ist.
