Multimodal Acquisition and Analysis of Children Handwriting for the Study of the Efficiency of Their Handwriting Movements: The @MaGma Challenge
Notice bibliographique
Résumé
Handwriting is a fundamental skill that each pupil should master for successfully completing his instructions. However, for a certain number of children, after a successful phase of handwriting learning an unexplained rough deterioration of their efficiency on paper is observed during the phase of customization of their handwriting. In this context, our goal is to make a comprehensive study of the evolution and the difficulties of children handwriting learning according to handwriting teaching approaches involved in school. To achieve such a challenge, it is necessary to collect in a secured way and to analyze a large amount of various contextualized online and offline handwritten data produced in real scholar situations by numerous pupils from kindergarten up to middle school. This is the purpose of the ongoing @MaGma project that was defined with the Academic direction of the Guadeloupian Region. In this paper, we specify the problems handled in @Magma and depict the general principles which will have to govern the collaborative infrastructure of acquisition and treatment of children's writing, based on 2 frameworks: Copilotr@ce and Dekattras. Next, we report the preliminary results of the comparative sigma-lognormal and dynamic analysis of a set of children scribbles acquired thanks to this infrastructure. We conclude by developing how these first results obtained in a real scholar acquisition context confirm the experimental results previously obtained in more clinical contexts, pointing out the fact that the Personalized Digital Bodyguard concept and vision is realizable.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».