Ce stage se situe dans le cadre de la capture de contexte et fait suite à des premiers travaux exploitant les paramètres cinématiques de l’écriture appliqués au test BHK, test de référence pour le diagnostic de la dysgraphie. Cependant, cette approche est dépendante de l’écriture cursive latine et n’est donc pas universelle. Elle ne permet pas non plus d’envisager un diagnostic de la dysgraphie avant le CE1, lorsque l’écriture cursive est globalement acquise par l’enfant.
La base de données acquise auprès de 400 à 500 enfants présentant ou non des troubles de l'écriture - dysgraphie (collaboration avec C Jolly, LPNC – UGA) inclut non seulement les traces numériques d’écriture mais également celles obtenues lors de tests graphomoteurs (reproduction de dessins, tracés guidés). Le stage proposé vise à exploiter des caractéristiques extraites de ces tests graphomoteurs afin de proposer une approche d’aide au diagnostic de la dysgraphie qui soit plus précoce et indépendante de l’écriture.
Dans cette approche, l’annotation de la base de données effectuée sur les tests BHK permet de distinguer les enfants dysgraphiques des enfants non dysgraphiques. Ainsi, les patterns obtenus à partir des tests graphomoteurs pourront être mis en relation avec ces scores afin de définir un pattern graphomoteur typique de la dysgraphie. Cependant, les variables extraites à partir des tests graphomoteurs évoluant avec l’âge, une modélisation de leur évolution en fonction de l’âge devra d’abord être effectuée afin d’évaluer quelles variables sont les plus pertinentes pour le diagnostic de la dysgraphie (collaboration avec V Brault, LJK (IMAG) - UGA). Le but est de trouver les paramètres, ou toute autre caractéristique, qui seraient les plus discriminants pour alimenter les modèles visant à évaluer si un enfant est dysgraphique ou non. A l’issue de cette étape, le lien entre l’écart d’un comportement « typique » et la possibilité qu’un enfant soit dysgraphique sera estimé à l’aide de modèles statistiques (par exemple, la régression logistique) et par des techniques de machine learning (algorithme de classification).
A terme, le modèle proposé devrait permettre d'identifier des paramètres discriminant formellement les enfants dysgraphiques des enfants non dysgraphiques sans se baser sur l’écriture, proposant ainsi une aide au diagnostic de la dysgraphie applicable chez le jeune enfant et universelle.