Fungsi carian sedang dalam pembinaan.
Fungsi carian sedang dalam pembinaan.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Automated Detection of Children at Risk of Chinese Handwriting Difficulties Using Handwriting Process Information: An Exploratory Study Pengesanan Automatik Kanak-Kanak Berisiko Kesukaran Tulisan Tangan Cina Menggunakan Maklumat Proses Tulisan Tangan: Kajian Penerokaan

Zhiming WU, Tao LIN, Ming LI

  • pandangan teks lengkap

    0

  • Petikan Ini

Ringkasan:

Kesukaran tulisan tangan (HWD) pada kanak-kanak mempunyai kesan buruk terhadap keyakinan dan kemajuan akademik mereka. Mengesan HWD adalah langkah penting pertama ke arah intervensi klinikal atau pengajaran untuk kanak-kanak dengan HWD. Sehingga kini, cara untuk mengesan HWD secara automatik masih menjadi cabaran, walaupun pendigitan tablet telah memberi peluang untuk mengumpul maklumat proses tulisan tangan secara automatik. Terutamanya, untuk pengetahuan terbaik kami, tiada penerokaan ke dalam potensi menggabungkan algoritma pembelajaran mesin dan maklumat proses tulisan tangan untuk mengesan HWD Cina secara automatik pada kanak-kanak. Untuk merapatkan jurang, kami mula-mula menjalankan eksperimen untuk mengumpul data sampel dan kemudian membandingkan prestasi lima algoritma klasifikasi yang biasa digunakan (Pokok keputusan, Mesin Vektor Sokongan (SVM), Rangkaian Neural Buatan, Naïve Bayesian dan k-Nearest Neighbor) dalam mengesan HWD. Keputusan menunjukkan bahawa: (1) hanya sebahagian kecil (13%) kanak-kanak yang mempunyai HWD Cina dan setiap model klasifikasi pada dataset tidak seimbang (39 kanak-kanak berisiko HWD berbanding 261 kanak-kanak biasa) menghasilkan keputusan yang lebih baik daripada tekaan rawak , menunjukkan kemungkinan menggunakan algoritma pengelasan untuk mengesan HWD Cina; (2) model SVM mempunyai prestasi terbaik dalam mengesan HWD Cina antara lima model klasifikasi; dan (3) prestasi model SVM, terutamanya sensitivitinya, boleh dipertingkatkan dengan ketara dengan menggunakan Teknik Pensampelan Lebihan Minoriti Sintetik untuk mengendalikan data ketidakseimbangan kelas. Kajian ini memperoleh pandangan baharu tentang ciri tulisan tangan yang meramalkan HWD Cina dalam kalangan kanak-kanak dan mencadangkan kaedah yang boleh membantu profesional klinikal dan pendidikan untuk mengesan kanak-kanak yang berisiko HWD Cina secara automatik.

Jawatankuasa
IEICE TRANSACTIONS on Information Vol.E102-D No.1 pp.147-155
Tarikh penerbitan
2019/01/01
Diumumkan
2018/10/22
ISSN dalam talian
1745-1361
DOI
10.1587/transinf.2017EDP7224
Jenis Manuskrip
PAPER
kategori
Teknologi Pendidikan

Pengarang

Zhiming WU
  Sichuan University
Tao LIN
  Sichuan University
Ming LI
  Sichuan University

Kata kunci

Contents [show]