KADYSNET: A NOVEL APPROACH TO DYSLEXIA PREDICTION IN CHILDREN: COMBINING HANDWRITTEN TEXT RECOGNITION WITH A HYBRID CNN-BILSTM-CTC MODEL AND PERSONALIZED LEARNING STRATEGIES
Notice bibliographique
Résumé
This study introduces a novel approach for early dyslexia detection in children through automated handwriting analysis, integrating a hybrid CNN-BiLSTM-CTC architecture with personalized learning strategies. Our method combines a custom CNN-BiLSTM-CTC model with tailored educational interventions to support dyslexic learners. We analyzed children's handwritten text images in English, collected from specially designed tests involving word rewriting, sentence reconstruction, and paragraph composition, particularly challenging tasks for dyslexic individuals. Notably, our CNN-BiLSTM-CTC model achieved the best result with an accuracy of 97.67%, outperforming other architectures. Compared to pre-trained models like EfficientNetB7, DenseNet121, and MobileNetV2, our custom CNN-BiLSTM-CTC model demonstrated superior performance. Key contributions include the development of a novel CNN-BiLSTM-CTC architecture for handwriting analysis and the integration of personalized learning strategies to enhance educational outcomes. By facilitating earlier and more accurate detection, this approach can significantly improve educational support for children at risk of dyslexia. Future research will focus on expanding the dataset and conducting longitudinal studies to assess the long-term impact. Customization and CNN-BiLSTM hybridization together enhance performance by capturing subtle handwriting variations and integrating spatial with sequential learning.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».