Création et évaluation d’un prototype de jeu sérieux dédié à l’amélioration de la lecture chez les enfants présentant des symptômes de dyslexie
Bibliographic record
Abstract
Cet article, qui est la synthèse d’un mémoire de maîtrise, a principalement trois objectifs. Le premier objectif consiste à développer une méthodologie de conception de jeu sérieux éducatif (JSÉ) permettant spécifiquement d’aider les enfants qui éprouvent des difficultés en lecture ou qui présentent des symptômes associés à la dyslexie développementale. Le deuxième objectif consiste à réaliser un prototype Alpha du jeu, et le troisième objectif consiste à évaluer la cohérence du scénario ainsi que l’ergonomie du jeu par un test utilisateur. Les travaux de Green et Bavellier (2012) indiquent que jouer à des jeux vidéo d’action améliore l’attention et l’apprentissage. Tandis que la recherche de Franceschini, Gori, Ruffino, Molteni et Facoetti (2013) démontre que l’utilisation d’un jeu vidéo d’action sans dimension sérieuse améliore la concentration et la vitesse de lecture des enfants dyslexiques. Dans le cadre de cette recherche, nous croyons que l’ajout d’exercices de rééducation en lecture à un jeu vidéo d’action améliorera son efficacité pour l’apprentissage de la lecture des enfants présentant des symptômes associés à la dyslexie. Les résultats de l’expérimentation portant sur la cohérence du scénario ainsi que sur l’ergonomie du jeu sont prometteurs. Des modifications devront être effectuées, notamment au niveau de la navigation et de l’optimisation des missions du jeu.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.018 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.003 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.010 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".