核心概念
線上筆跡分析,特別是使用顯示螢幕平板電腦收集的數據,可以有效地輔助診斷和評估發展性書寫障礙 (DD)。
研究背景
書寫是一項複雜的感知運動技能,對於兒童的學業和日常生活至關重要。
發展性書寫障礙 (DD) 是一種兒童在獲得熟練書寫技能方面遇到困難的疾病,儘管他們具有正常的認知能力和學習機會。
目前,對 DD 的評估主要依靠主觀評分量表,這些量表可能存在局限性。
電腦化評估,特別是基於線上筆跡處理的評估,正越來越受歡迎。
本研究旨在探討利用顯示螢幕平板電腦記錄的線上筆跡的量化分析是否也能有效地支持 DD 的評估。
研究方法
研究招募了 144 名三年級和四年級的小學生,他們被特殊教育顧問評估為書寫能力正常或患有書寫障礙。
兒童使用 Wacom Cintiq 16 顯示螢幕平板電腦和觸控筆完成了一項段落抄寫任務。
從線上筆跡信號中提取了時間、運動、動態、空間和其他特徵。
使用 Mann-Whitney U 檢驗和 Spearman 相關性分析探討了特徵的辨別能力。
使用基於梯度提升算法的機器學習模型進行二元分類(模擬診斷)和回歸(模擬 HPSQ-C 分數)。
研究結果
結果顯示,患有 DD 的兒童在空中停留的時間明顯更長,筆尖抬起的次數更多,筆畫高度更大,空中速度更慢,角速度變化更大。
使用機器學習模型,研究人員能夠以高達 83.6% 的準確率支持 DD 診斷,並以最小的誤差估計 HPSQ-C 總分。
研究結論
該研究表明,通過顯示螢幕平板電腦評估 DD 具有良好的應用前景。
未來需要進一步研究,以開發更複雜、更客觀的 DD 表現量化方法。
統計資料
研究招募了 144 名三年級和四年級的小學生。
患有 DD 的兒童在空中停留的時間明顯更長。
患有 DD 的兒童筆尖抬起的次數更多。
患有 DD 的兒童筆畫高度更大。
患有 DD 的兒童空中速度更慢。
患有 DD 的兒童角速度變化更大。
使用機器學習模型,研究人員能夠以高達 83.6% 的準確率支持 DD 診斷。
研究人員以最小的誤差估計 HPSQ-C 總分,誤差為 10.34%。