Algorithms and robotics allow to describe how we learn handwriting and how to better help children with difficulties

À propos

Les difficultés d'écriture sont fréquentes et handicapantes. Cependant, les difficultés d'apprentissage moteur sont dans leur ensemble difficiles à évaluer, ce qui limite par conséquent une rééducation, nécessaire le plus précocement possible. Des capteurs électroniques et des algorithmes peuvent aider à mesurer ces difficultés motrices plus facilement et plus objectivement. Les tablettes électroniques par exemple donnent accès à des caractéristiques qui ne sont pas utilisées dans les évaluations classiques.
Nous décrivons comment ces caractéristiques (dans les domaines statiques, dynamique, de pression et d'inclinaison) permettent un diagnostic de dysgraphie et comment elles évoluent au cours du développement de l'enfant. Grâce à une analyse plus fine, trois différents clusters de dysgraphie émergent. Des études longitudinales, dans le futur, devraient permettre de mettre en évidence différents profils de développement, qui devraient nécessiter des prises en charges plus personnalisées. Cependant, ces caractéristiques ne sont pas utilisées dans le contexte de la rééducation conventionnelle papier-crayon. Il est possible d'augmenter ma motivation des enfants ayant un développement typique en leur demandant d'enseigner l'écriture à un robot. Nous avons enrichi cette preuve de concept avec des activités permettant des boucles de rétrocontrôle en direct (inclinaison, pression, dynamique, pauses), et mis en place une étude de cas à long terme (20 sessions, 500 minutes au total) avec un enfant avec un trouble du développement de la coordination qui ne progressait plus avec une rééducation classique papier-crayon. Nous montrons comment cette nouvelle méthode permet de diminuer les comportements d'évitement de l'enfant, améliore sa motivation et ses compétences de motricité fine et d'écriture.
Cette thèse décrit comment de nouvelles caractéristiques numériques permettent d'implémenter des interventions de rééducation de l'écriture, qui se basent sur une adaptation plus personnalisée aux caractéristiques de l'enfant.

Handwriting difficulties are frequent and impairing. However, the assessment of motor learning skills is difficult and limits early stage rehabilitation. Electronic sensors and algorithms can help to measure motor difficulties more easily and objectively. Electronic tablets, for instance, give access to handwriting features that are not usually evaluated in classical assessments. We describe how such digital features (in static, dynamic, pressure, and tilt domains) allow diagnosing dysgraphia and how they evolve during children development. From a finer analysis, three different clusters of dysgraphia emerge, longitudinal studies will allow to underline different patterns of development that seemingly require tailored remediation strategies. However, those digital features are not used in the context of conventional pen and paper therapies. It is possible to engage children with typical development in handwrit- ing exercises by asking them to teach a robot to write. We implemented a long-term case study (20 sessions, 500 minutes in total) observing a child with severe Developmental Co- ordination Disorder who did not progress anymore with a classic pen and paper approach by enriching this setup with various training activities using real-time feedback loops (on tilt, pressure, dynamic, pauses). We show how this new method tackles previous child’s behavior avoidances, boosting his motivation, and improving his motor and writing skills.
This thesis demonstrates how new writing digital features allow the implementation of innovative handwriting remediation interventions, which rely on fostering children’s personal characteristics and adaptation skills.