Faire progresser l’évaluation de la dyslexie chez les enfants grâce aux tests informatisés

Résumé

La batterie multimédia pour l’évaluation des compétences du domaine général et du domaine spécifique en lecture est une batterie multimédia fiable et valide conçue pour évaluer les compétences cognitives et les compétences de base en lecture. Il permet de générer un profil complet de performances cognitives et de lecture, ce qui est particulièrement bénéfique pour les enfants dyslexiques.

Résumé

L’acquisition de compétences en lecture est un processus complexe qui exige la culture de diverses capacités générales et spécifiques au domaine. Par conséquent, il n’est pas surprenant que de nombreux enfants aient de la difficulté à maintenir leurs compétences au niveau scolaire, en particulier lorsqu’ils sont confrontés à des défis couvrant plusieurs capacités dans les deux domaines, comme on l’observe chez les personnes ayant des difficultés de lecture. Il est frappant de constater que, bien que les difficultés de lecture soient parmi les troubles neurodéveloppementaux les plus répandus chez les enfants d’âge scolaire, la majorité des outils de diagnostic disponibles ne disposent pas d’un cadre complet permettant d’évaluer l’ensemble des compétences cognitives liées à la dyslexie, avec un minimum d’options informatisées. Notamment, il existe actuellement un nombre limité d’outils avec ces fonctionnalités disponibles pour les enfants hispanophones. L’objectif de cette étude était de définir le protocole de diagnostic des enfants hispanophones ayant des difficultés de lecture à l’aide de la batterie multimédia Sicole-R. Cet outil pour les classes primaires se concentre sur l’évaluation des compétences cognitives associées à la dyslexie telles que prescrites par la littérature scientifique. Plus précisément, il se concentre sur l’évaluation d’une gamme de capacités cognitives dont des études ont démontré qu’elles étaient liées à la dyslexie. Cet axe est basé sur l’observation que les personnes dyslexiques présentent généralement des déficits dans plusieurs des aires cognitives évaluées par cet outil numérique. La cohérence interne robuste et la structure interne multidimensionnelle de la batterie ont été démontrées. Cette batterie multimédia s’est avérée être un outil approprié pour diagnostiquer les enfants ayant des difficultés de lecture dans l’enseignement primaire, offrant un profil cognitif complet qui est précieux non seulement à des fins de diagnostic, mais aussi pour l’adaptation de plans d’enseignement individualisés.

Introduction

La dyslexie est un trouble neurodéveloppemental caractérisé par des difficultés à reconnaître les mots avec précision et/ou fluidité et de faibles capacités d’orthographe et de décodage et se caractérise par une difficulté inattendue et persistante à acquérir des compétences de lecture efficaces malgré l’enseignement conventionnel, une intelligence adéquate et des opportunités socioculturelles¹. Ce trouble neurobiologique se manifeste souvent par des difficultés de lecture, d’orthographe et d’écriture, principalement dues à des déficits phonologiques ^2,3. « On ne saurait trop insister sur l’importance de l’identification précoce de la dyslexie, car elle permet une intervention et un soutien rapides ^4,5. Lorsqu’un élève ne progresse pas au-delà du niveau 3 dans un modèle de réponse à l’intervention, il devient essentiel de procéder à une évaluation plus complète des capacités générales et spécifiques au domaine associées à la dyslexie, comme le souligne la littérature scientifique. Le développement de la technique présentée ici est fondé sur la nécessité de mener des évaluations approfondies pour s’assurer que les interventions et le soutien appropriés sont fournis. De plus, des études antérieures soulignent l’utilité des outils de dépistage technologiques, tels que les applications Web et les jeux informatiques, pour faciliter l’efficacité des processus de dépistage ^6,7. Ces études mettent collectivement en évidence la nature multidimensionnelle de la dyslexie, soulignant la nécessité d’une évaluation complète et de stratégies d’intervention pour aborder les divers profils cognitifs des personnes dyslexiques. Malgré la prévalence de la dyslexie chez les enfants d’âge scolaire, la plupart des outils de diagnostic disponibles ne disposent pas d’un cadre permettant d’évaluer de manière exhaustive les compétences générales et spécifiques au domaine. De plus, il existe peu d’options informatisées, en particulier pour les populations hispanophones. Cette batterie multimédia comble ces lacunes en tirant parti de la technologie pour faciliter une évaluation détaillée des compétences cognitives liées à la dyslexie.

Perspectives théoriques et déficits cognitifs dans la dyslexie
Divers modèles théoriques, y compris les théories phonologiques, du traitement auditif rapide, visuelle, magnocellulaire et cérébelleuse, visent à expliquer les causes de la dyslexie et à éclairer les interventions (voir pour une revue)⁸. La théorie phonologique attribue la dyslexie à des difficultés à traiter les sons du langage⁹, tandis que la théorie du traitement auditif rapide relie la dyslexie à des déficits dans la perception des sons changeant rapidement¹⁰. La théorie visuelle met en évidence les aspects visuels des difficultés de lecture, et la théorie magnocellulaire met en évidence des déficiences dans les voies de traitement visuel et auditif¹¹. La théorie cérébelleuse suggère que la dyslexie résulte de déficiences cérébelleuses affectant le contrôle moteur et les fonctions cognitives¹². Le cadre DNC (Delayed Neural Commitment) de Nicolson et Fawcett postule qu’une acquisition de compétences plus lente et un développement retardé du réseau neuronal sont au cœur de la dyslexie. Des modèles récents, tels que le modèle à déficits multiples, suggèrent que la dyslexie est un trouble complexe influencé par des facteurs génétiques, cognitifs et environnementaux 13,14,15. Par exemple, Ring et Black¹⁴ soutiennent le modèle des déficits multiples, montrant que les déficits de traitement phonologique et cognitif contribuent à l’hétérogénéité de la dyslexie. Soriano-Ferrer et ^coll.15 ont mené une étude auprès d’enfants hispanophones atteints de dyslexie développementale (DD) et ont constaté des déficiences significatives de la vitesse de dénomination, de la mémoire de travail verbale et de la conscience phonologique (AP). De même, Zygouris et ^coll.16 et Rauschenberger et ^coll.6 soulignent l’importance des outils de dépistage cognitif dans l’identification de ces déficits, les personnes dyslexiques obtenant systématiquement des résultats inférieurs à ceux de leurs pairs ayant des résultats typiques.

Examen des approches technologiques dans le dépistage de la dyslexie : perspectives d’études de recherche
La recherche sur le dépistage de la dyslexie a évolué selon trois approches principales : les stratégies de détection précoce, les méthodes de dépistage multidimensionnelles combinant diverses évaluations et l’intégration de la technologie pour une efficacité accrue¹⁷. La^18e revue systématique récente de Politi-Georgosi met en évidence une évolution vers davantage d’applications pour intervenir dans les symptômes de dyslexie plutôt que dans les processus de dépistage, en s’alignant sur l’intégration de la technologie pour améliorer les compétences en lecture chez les élèves dyslexiques. Différents outils existent, tels que le Dyslexia Early Screening Test (DEST) de Fawcett et Nicolson, qui évalue la vitesse, les compétences phonologiques, les capacités motrices, la fonction cérébelleuse et les connaissances¹⁹. « Les outils informatiques ont progressé, y compris une application Web évaluant les compétences en lecture et cognitives chez les enfants grecs²⁰ et des outils de Hautala et ^al.21 et Rauschenberg et ^al.6 qui utilisent les jeux et l’apprentissage automatique pour l’identification précoce de la dyslexie. Ahmad et al. ont intégré le jeu aux réseaux neuronaux, atteignant une précision de détection^{de 95 % 22}. Des études portant sur différentes orthographes soulignent l’importance de la conscience phonologique et de la dénomination automatisée rapide dans l’identification de la dyslexie^23,24.

Aperçu de la dyslexie chez les enfants hispanophones
L’étude de la dyslexie chez les enfants hispanophones a considérablement progressé grâce à l’utilisation de la technologie Sicole-R. Jiménez et al. ont démontré son efficacité dans l’évaluation de la dyslexie dans tous les groupes d’âge, en particulier pour distinguer les lecteurs dyslexiques des lecteurs typiques sur la base du traitement phonologique et syntaxique au cours des premières années du primaire²⁵. Guzmán et al. ont étudié les déficits de vitesse de dénomination chez les enfants dyslexiques ayant des problèmes phonologiques, en mettant en évidence les interactions entre la dyslexie et la vitesse de dénomination mesurée par des tâches telles que lettre-RAN et nombre-RAN²⁶. D’autres études menées par Jiménez et al. ont exploré les déficits de conscience phonologique dans différentes structures syllabiques²⁷, tandis qu’Ortiz et al. ont étudié les déficits de perception de la parole chez les enfants espagnols dyslexiques, révélant des déficiences dans le développement de la perception de la parole, quel que soit le contraste phonétique ou l’unité linguistique^28,29. Jiménez et al. ont étudié l’hypothèse du double déficit de la dyslexie³⁰, suivie d’analyses des processus cognitifs et des disparités liées au genre dans la prévalence de la dyslexie ^31,32. Rodrigo et al. ont exploré l’accès lexical chez les enfants dyslexiques espagnols³³, et Jiménez et al. ont examiné les déficits de traitement syntaxique³⁴. Enfin, Jiménez et al. ont étudié les processus phonologiques et orthographiques dans les sous-types dyslexiques, mettant en évidence les différences d’efficacité des voies orthographiques³⁵. Collectivement, ces études améliorent notre compréhension des défis cognitifs et linguistiques de la dyslexie dans les populations hispanophones.

Les études menées partagent plusieurs caractéristiques communes en termes d’âge et d’origine des enfants participants. Les enfants inclus dans ces études étaient âgés de 7 à 14 ans. La plupart des études se sont concentrées sur des enfants de l’école primaire âgés de 7 à 12 ans, à l’exception de celles qui incluaient des enfants de moins de 14 ans, fournissant un échantillon allant des premières années d’école à la préadolescence^31,32. Les enfants participants venaient principalement des îles Canaries en Espagne. De plus, certaines études ont inclus des échantillons provenant d’autres régions d’Espagne et du Guatemala^31,32. Les participants ont été recrutés dans des écoles publiques et privées situées dans des zones urbaines et suburbaines. Les niveaux socio-économiques représentés dans ces études vont de la classe moyenne inférieure à la classe ouvrière et moyenne.

Ensemble, ces enquêtes font progresser considérablement notre compréhension des complexités de la dyslexie, contribuant ainsi au domaine de la recherche sur la dyslexie. Adapté pour être utilisé dans plusieurs pays ibéro-américains, dont l’Espagne, le Guatemala, le Chili et le Mexique, l’outil facilite l’évaluation de l’exactitude et de la précision du diagnostic dans un échantillon hispanophone diversifié pour cette étude.

Cette étude visait à définir un protocole de diagnostic des enfants hispanophones ayant des difficultés de lecture à l’aide d’une batterie multimédia spécialisée. L’objectif principal est de fournir un outil d’évaluation complet qui évalue à la fois les compétences générales et spécifiques au domaine associées à la dyslexie.

Vue d’ensemble de la configuration expérimentale
Le SICOLE-R a été programmé dans la Java 2 Platform Standard Edition (J2SE). Le moteur de base de données HSQL est utilisé comme base de données. Le logiciel comprend 6 modules principaux à évaluer : 1) le traitement perceptuel, qui comprend les tâches de voicing, de placement et de manière d’articuler ; 2) le traitement phonologique, qui comprend l’isolement des phonèmes, la suppression des phonèmes, la segmentation des phonèmes et les tâches de mélange de phonèmes ; 3) la vitesse de nommage, qui comprend les tâches de nommage de la vitesse en chiffres, lettres, couleurs et images ; 4) le traitement orthographique, qui comprend des tâches de compréhension morphologique des lexèmes et des suffixes et de la compréhension homophone ; 5) le traitement syntaxique, y compris le sexe, le nombre, les mots fonctionnels et les tâches de structure grammaticale ; et 6) le traitement sémantique, qui influence les tâches de compréhension de lecture par le biais de textes informatifs et narratifs. Les instructions pour chaque tâche, accompagnées d’un ou deux essais (selon la tâche) et d’une démonstration, sont délivrées par un agent pédagogique avant le lancement de la phase de test. Le protocole d’application de chaque tâche est illustré ici.

Avant d’administrer la batterie multimédia à l’échantillon de l’étude, des adaptations ont été apportées à la modalité de langue espagnole pour chaque pays (c’est-à-dire le Mexique, le Guatemala, l’Équateur et le Chili), y compris des ajustements au vocabulaire, aux images et à d’autres contenus pertinents. Les conditions d’administration étaient les mêmes dans tous les pays d’Amérique latine. L’environnement administratif devait être calme au sein de l’école et exempt de bruit, de distractions et d’interruptions. La durée de l’administration de la batterie multimédia variait de 3 à 4 sessions de 30 minutes chacune, en fonction des capacités et de l’âge de l’élève. En raison de sa compatibilité avec la plupart des tableurs et des systèmes de traitement de données statistiques, l’évaluateur peut analyser les résultats de chaque enfant et de chaque tâche. En ce qui concerne la collecte de données, deux types de tâches distincts ont été utilisés : 1) les tâches où l’examinateur enregistre les performances orales des étudiants, en notant les réussites et les erreurs à l’aide d’une souris externe, et 2) les tâches demandant aux étudiants de sélectionner indépendamment des options en cliquant dessus.

Protocole

Ce protocole a été réalisé conformément aux directives fournies par le Comité de Ética de la Investigación y Bienestar Animal (CEIBA) de l’Universidad de La Laguna (ULL). Les données ont été collectées à des moments différents en fonction du programme de chaque pays, en recueillant des informations exclusivement auprès des élèves dont les administrations éducatives, les écoles et les parents ont donné leur consentement. La batterie de tests utilisée dans cette étude est enregistrée en tant que propriété intellectuelle et peut être consultée par le biais d’un accord de transfert avec l’ULL. Pour obtenir de plus amples renseignements sur la façon d’obtenir la batterie de tests, les parties intéressées peuvent communiquer avec l’Office of Knowledge Transfer (OTRI) de l’ULL.

1. Installation et préparation de SICOLE-R

1. Utilisez le critère d’inclusion suivant pour l’application de cet outil : élèves de la deuxième à la sixième année. Utilisez le critère d’exclusion suivant : n’incluez pas les élèves ayant des besoins éducatifs spéciaux, c’est-à-dire ceux qui avaient besoin de soutien et d’attention éducative ciblée en raison d’une déficience sensorielle ou de problèmes neurologiques acquis, entre autres facteurs.
   REMARQUE : L’évaluation est effectuée avec les élèves individuellement dans un espace calme avec accès à un ordinateur et un bon éclairage. Des écouteurs avec un microphone adapté seront nécessaires pour faciliter la réception des instructions de tâche et augmenter les performances des élèves.
2. Pour installer le logiciel sur un ordinateur, exécutez le fichier en tant qu’administrateur et cliquez sur l’icône pour ouvrir l’outil. À l’ouverture de l’application, une première interface apparaît, affichant différentes options de fonctionnement.
3. Remplissez les informations des élèves qui effectueront les tâches avant de commencer l’évaluation. Une fois leurs données saisies, enregistrez-les dans une liste d’étudiants, et leurs informations peuvent être modifiées ultérieurement.
4. Chaque fois qu’un nouvel élève est ajouté, un écran de test s’affiche avant de commencer les tâches. Sur cet écran, demandez à l’élève de taper sur la botte qui apparaîtra à l’écran.
   REMARQUE : L’objectif de ce mini-jeu est d’établir une base de référence pour évaluer le contrôle moteur des élèves. Il permet de surveiller les différences individuelles de vitesse du moteur, car le logiciel enregistre les réponses en appuyant sur les touches du clavier. Ce mini-jeu n’apparaît qu’une seule fois.
5. Avant de commencer l’évaluation, demandez à l’examinateur de donner les instructions suivantes : Maintenant, vous entrerez dans un environnement de cirque virtuel avec différentes portes. Chaque porte mène à des activités amusantes auxquelles vous participerez. Un clown vous guidera à travers ces portes et vous expliquera ce qu’il faut faire dans chaque activité. Veuillez vous asseoir à côté de l’examinateur et écouter attentivement les instructions. Assurez-vous de faire de votre mieux dans chaque tâche. Amusez-vous à explorer et à compléter ces activités !
6. Commencez les tâches en sélectionnant l’élève qui doit être évalué et en cliquant sur la section Démarrer . Le menu principal comprend 5 portes colorées, chacune correspondant à l’un des modules à évaluer.
7. Chaque tâche commence par une instruction d’introduction, demandez aux élèves d’y prêter attention. Les élèves sont informés de la nature du jeu et de la façon de le jouer, animés par un agent pédagogique. Assurez-vous que l’agent donne des instructions verbales pour chaque tâche, en illustrant la procédure à l’aide d’un modèle et en présentant des exemples que les étudiants peuvent imiter.
8. Une fois les exemples terminés, assurez-vous que l’agent pédagogique fournit une rétroaction correspondante, permettant aux élèves de refaire l’exemple s’il a été mal exécuté, et l’évaluation commence.
   NOTE : L’agent pédagogique est un personnage virtuel conçu pour guider l’élève dans les tâches. Ce rôle exige que l’agent ait un discours clair et compréhensible et qu’il soit capable de fournir des conseils pédagogiques, une modélisation des tâches et des commentaires basés sur les réponses des étudiants. L’agent pédagogique doit être programmé pour répondre de manière cohérente et précise en fonction des entrées de l’élève pendant les tâches.

2. Tâches SICOLE-R

1. Yellow Door : Module de traitement perceptuel utilisant une tâche de perception de la parole
   1. Ouvrez le programme sur l’ordinateur. Naviguez jusqu’à la porte jaune dans l’interface du programme. Cliquez sur l’une des sous-tâches disponibles pour lancer la tâche : (1) voicing, (2) manière d’articuler et (3) placer.
   2. Permettre à l’agent pédagogique de fournir des conseils pédagogiques et de modéliser les tâches à l’élève. L’agent doit dire : Maintenant, nous allons entendre des paires de syllabes. Si les syllabes sont identiques, appuyez sur le bouton bleu ; S’ils sont différents, appuyez sur le bouton rouge. Regardez comment je le fais. C’est maintenant à votre tour avec ces exemples.
   3. Présentez deux exemples d’éléments à l’élève :/ba/-/pa/ ;/ja/-/ka/. Demandez à nouveau aux élèves de sélectionner le cercle bleu si les paires sont identiques et le bouton rouge si elles sont distinctes.
   4. Une fois la tâche terminée, assurez-vous que l’agent pédagogique fournit une rétroaction basée sur les réponses de l’élève dans les exemples. Une fois les exemples terminés, permettez à l’agent de demander à l’étudiant de lancer la tâche.
   5. La procédure de sélection des cercles (bleu ou rouge) restera cohérente tout au long de la tâche, en enregistrant les succès et les échecs. Si l’élève a besoin d’entendre à nouveau la paire de syllabes, cliquez sur l’icône du haut-parleur pour la rejouer une fois de plus. Notez qu’une seule lecture supplémentaire par élément est autorisée.
2. Pink Door : Module de conscience phonologique
   1. Tâche de segmentation des phonèmes
      1. Ouvrez le programme sur l’ordinateur. Naviguez jusqu’à la porte rose dans l’interface du programme. Choisissez Segmentation des phonèmes pour sélectionner la tâche.
      2. Permettre à l’agent pédagogique de fournir des orientations pédagogiques à l’élève. L’agent devrait dire : Maintenant, nous allons nous concentrer sur la segmentation des phonèmes. Regardez-moi faire une démonstration. Ensuite, vous verrez deux exemples d’éléments.
      3. Présentez deux exemples d’éléments à l’élève. Demandez à l’élève d’exprimer sa réponse à haute voix pour chaque mot.
      4. Utilisez la souris externe pour cliquer sur le bouton bleu pour les réponses correctes et sur le bouton rouge pour les réponses incorrectes. Assurez-vous que l’agent pédagogique offre une rétroaction basée sur les réponses de l’étudiant aux exemples.
      5. Après les exemples, assurez-vous que l’agent pédagogique donne des instructions à l’élève pour commencer la tâche.
   2. Tâche de fusion de phonèmes
      1. Entrez le programme sur l’ordinateur. Naviguez jusqu’à la porte rose dans l’interface du programme. Choisissez Fusion de phonèmes pour sélectionner la tâche.
      2. Permettre à l’agent pédagogique de fournir des orientations pédagogiques à l’élève. L’agent dit : Maintenant, nous allons nous concentrer sur la synthèse des phonèmes. Regardez-moi faire une démonstration. Ensuite, vous verrez deux exemples d’éléments.
      3. Présentez deux exemples d’éléments à l’élève. Demandez à l’élève d’articuler ses réponses à haute voix pour chaque mot.
      4. Utilisez la souris externe pour cliquer sur le bouton bleu pour des réponses précises et sur le bouton rouge pour des réponses inexactes. S’assurer que l’agent pédagogique fournit une rétroaction basée sur les réponses de l’élève aux exemples.
      5. Après les exemples, laissez l’agent pédagogique diriger l’élève pour initier la tâche. La procédure reste cohérente tout au long de l’exécution de la tâche, enregistrant les réponses exactes et inexactes.
      6. Si l’élève a besoin d’écouter à nouveau un mot, cliquez sur l’icône du perroquet pour une rediffusion. Notez qu’une seule reprise par élément est autorisée.
   3. Tâche d’isolation des phonèmes
      1. Ouvrez le programme sur l’ordinateur. Naviguez jusqu’à la porte rose dans l’interface du programme. Cliquez sur Isolation des phonèmes pour sélectionner la tâche.
      2. Permettre à l’agent pédagogique de fournir des conseils pédagogiques et de modéliser les tâches à l’élève. L’agent devrait dire : Nous allons maintenant nous concentrer sur l’isolation des phonèmes. Regardez-moi faire une démonstration. Ensuite, vous verrez deux exemples d’éléments. Votre tâche consiste à cliquer sur les images dont le nom commence par le même son que le mot cible.
      3. Présentez deux exemples d’éléments à l’élève. Observez si l’élève clique sur les images qui commencent par le même son que le mot cible.
      4. Assurez-vous que l’agent pédagogique offre une rétroaction basée sur les réponses de l’étudiant aux exemples. Après les exemples, assurez-vous que l’agent guide l’élève pour commencer la tâche.
      5. La procédure reste uniforme tout au long de la tâche, documentant à la fois les succès et les échecs. Si l’élève a besoin d’une écoute supplémentaire pour un mot, cliquez sur l’icône du haut-parleur pour le rejouer. Notez qu’une seule reprise par élément est autorisée.
   4. Tâche de suppression du phonème
      1. Ouvrez le programme sur l’ordinateur. Naviguez jusqu’à la porte rose dans l’interface du programme. Sélectionnez Suppression de phonème pour choisir la tâche.
      2. Permettez à l’agent pédagogique de fournir des conseils pédagogiques et de faire la démonstration de la tâche à l’élève. L’agent devrait dire : Maintenant, nous allons nous concentrer sur la suppression des phonèmes. Regardez-moi faire une démonstration. Ensuite, vous verrez deux exemples d’éléments.
      3. Présentez deux exemples d’éléments à l’élève. Demandez à l’élève de dire sa réponse à haute voix pour chaque mot.
      4. Cliquez avec la souris externe sur le bouton bleu pour les réponses correctes et sur le bouton rouge pour les réponses incorrectes. S’assurer que l’agent pédagogique fournit une rétroaction basée sur les réponses de l’élève aux exemples.
      5. Après les exemples, assurez-vous que l’agent pédagogique donne des instructions à l’élève pour initier la tâche. La procédure reste cohérente tout au long de l’exécution de la tâche, enregistrant les réponses correctes et incorrectes.
      6. Si l’élève a besoin d’écouter à nouveau un mot, cliquez sur l’icône du haut-parleur pour une rediffusion. Notez qu’une seule reprise par élément est autorisée.
3. Orange Door : Vitesse de nommage et modules orthographiques
   1. Tâche de nommage automatisé rapide (RAN)
      1. Accédez au programme sur l’ordinateur. Passez à la porte orange dans l’interface du programme. Choisissez Vitesse de nommage pour sélectionner la tâche.
      2. Permettre à l’agent pédagogique de fournir des conseils pédagogiques et de faire la démonstration de la tâche. Présentez un exemple de la sous-tâche RAN de la lettre RAN du module de vitesse de nommage.
      3. Demandez aux élèves d’exprimer leurs réponses à haute voix. Si la réponse de l’exemple est exacte, sélectionnez le bouton bleu à l’écran. Si ce n’est pas le cas, cliquez sur le bouton rouge.
      4. S’assurer que l’agent pédagogique fournit une rétroaction basée sur les réponses de l’étudiant. Après l’exemple, assurez-vous que c’est l’agent pédagogique qui initie la tâche.
      5. Démarrez la tâche en cliquant sur le bouton gauche de la souris pour commencer le minutage. Au cours de la tâche, une matrice d’éléments apparaîtra à l’écran, en fonction de la sous-tâche.
      6. Demandez à l’élève de nommer à haute voix et, dans l’ordre, les éléments de la matrice. En même temps, documentez les erreurs commises par l’élève.
      7. Pour chaque erreur, utilisez le bouton droit de la souris externe pour enregistrer le nombre d’erreurs. Une fois que l’élève a fini de nommer les éléments, appuyez à nouveau sur le bouton gauche pour terminer le chronométrage et terminer la tâche de cette sous-tâche. À la fin de la première sous-tâche (lettre RAN), la sous-tâche suivante (numéro RAN) apparaît automatiquement, en suivant la même procédure. Ce processus se poursuit pour les sous-tâches restantes (RAN couleur et RAN objet).
   2. Tâche Lexème et suffixes
      1. Accédez au programme sur l’ordinateur. Naviguez jusqu’à la porte orange dans l’interface de la plate-forme et cliquez sur Lexèmes et suffixes pour sélectionner la tâche.
      2. Permettre à l’agent pédagogique d’offrir des conseils pédagogiques et de modéliser des tâches à l’élève, y compris un exemple d’élément où l’élève utilise une souris externe pour sélectionner une image correspondant au mot cible.
      3. Assurez-vous que l’agent pédagogique fournit une rétroaction basée sur la réponse de l’étudiant à l’exemple, puis lui demande de commencer la tâche.
      4. Maintenez une cohérence procédurale tout au long de l’exécution de la tâche, en incitant l’étudiant à sélectionner une image correspondant au mot cible pour chaque élément présenté et en enregistrant à la fois les résultats corrects et les réponses manquées.
   3. Tâche de compréhension homophone
      1. Accédez au programme sur l’ordinateur. Naviguez jusqu’à la porte orange dans l’interface de la plate-forme. Cliquez sur Compréhension homophone pour sélectionner la tâche.
      2. Permettre à l’agent pédagogique d’offrir des conseils pédagogiques et de modéliser les tâches à l’élève. Présentez un exemple d’élément, en incitant l’élève à utiliser une souris externe pour sélectionner une image correspondant au mot cible.
      3. Assurez-vous que l’agent pédagogique fournit une rétroaction basée sur la réponse de l’étudiant à l’exemple et demandez à l’étudiant de commencer la tâche après la présentation de l’exemple.
      4. Maintenir la cohérence des étapes procédurales tout au long de l’exécution de la tâche. Demandez à l’élève de sélectionner une image correspondant au mot cible pour chaque élément présenté.
      5. Enregistrez les résultats corrects et les réponses manquées pendant l’exécution de la tâche.
4. Green Door : module de traitement syntaxique
   1. Tâche sur l’égalité des sexes
      1. Ouvrez le programme sur l’ordinateur. Naviguez jusqu’à la porte verte dans l’interface du programme. Cliquez sur Sexe pour sélectionner la tâche.
      2. Permettre à l’agent pédagogique de fournir à l’élève des instructions et de modéliser les tâches. Présentez deux exemples à l’élève à compléter, en lui demandant de cliquer sur les mots correspondants dans chaque phrase en fonction de leur accord de genre à l’aide d’une souris externe.
      3. Assurez-vous que l’agent pédagogique fournit une rétroaction basée sur la réponse de l’élève aux exemples. À la suite de l’exemple de présentation, assurez-vous que l’agent pédagogique guide l’élève pour commencer la tâche.
      4. Tout au long de l’exécution de la tâche, maintenez la cohérence de la procédure. Invitez l’élève à cliquer sur les mots correspondants dans chaque phrase en fonction de son accord de genre.
      5. Collectez les réponses correctes et incorrectes lors de l’exécution de la tâche.
         REMARQUE : Contrairement à l’espagnol, l’anglais ne fait pas de distinction de genre dans sa grammaire.
   2. Tâche de numérotation
      1. Ouvrez le programme sur l’ordinateur. Naviguez jusqu’à la porte verte dans l’interface du programme. Cliquez sur Numéro pour sélectionner la tâche.
      2. Permettre à l’agent pédagogique de fournir à l’élève des instructions et de modéliser les tâches. Présentez deux exemples à l’élève à compléter, en lui demandant de cliquer sur les mots correspondants dans chaque phrase en fonction de l’accord de leur nombre à l’aide d’une souris externe.
      3. Assurez-vous que l’agent pédagogique fournit une rétroaction basée sur la réponse de l’élève aux exemples. À la suite de l’exemple de présentation, assurez-vous que l’agent pédagogique guide l’élève pour commencer la tâche.
      4. Tout au long de l’exécution de la tâche, maintenez la cohérence de la procédure. Demandez à l’élève de cliquer sur les mots correspondants dans chaque phrase en fonction de leur concordance numérique.
      5. Collectez à la fois les succès et les échecs pendant l’exécution de la tâche.
         REMARQUE : Contrairement à l’espagnol, l’anglais ne distingue pas les chiffres dans sa grammaire.
   3. Tâche des mots fonctionnels
      1. Ouvrez le programme sur l’ordinateur. Naviguez jusqu’à la porte verte dans l’interface du programme. Cliquez sur Mots fonctionnels pour sélectionner la tâche.
      2. Permettre à l’agent pédagogique de fournir à l’élève des instructions et de modéliser les tâches. Présentez deux exemples à l’élève à compléter, en lui demandant de cliquer sur les mots fonctionnels correspondants dans chaque phrase en fonction du contexte de la phrase à l’aide d’une souris externe.
      3. Assurez-vous que l’agent pédagogique fournit une rétroaction basée sur la réponse de l’élève aux exemples. À la suite de l’exemple de présentation, assurez-vous que l’agent pédagogique guide l’élève pour commencer la tâche.
      4. Tout au long de l’exécution de la tâche, maintenez la cohérence de la procédure. Demandez à l’élève de cliquer sur les mots fonctionnels correspondants dans chaque phrase en fonction du contexte de la phrase.
      5. Collectez les réponses correctes et incorrectes lors de l’exécution de la tâche.
   4. Tâche de structure grammaticale
      1. Ouvrez le programme sur l’ordinateur. Naviguez jusqu’à la porte verte dans l’interface du programme. Sélectionnez Structure grammaticale pour choisir la tâche.
      2. Permettre à l’agent pédagogique de fournir à l’élève des instructions et des démonstrations de tâches. Présentez deux exemples à l’élève pour qu’il les remplisse, en leur demandant de cliquer sur la phrase appropriée pour chaque image à l’aide d’une souris externe.
      3. Assurez-vous que l’agent pédagogique fournit une rétroaction basée sur la réponse de l’élève aux exemples. À la suite de l’exemple de présentation, assurez-vous que l’agent pédagogique guide l’élève pour commencer la tâche.
      4. Tout au long de l’exécution de la tâche, maintenez la cohérence de la procédure. Demandez à l’élève de cliquer sur la phrase appropriée pour chaque image à l’aide d’une souris externe.
      5. Capturez les réponses correctes et incorrectes lors de l’exécution de la tâche.
5. Blue Door : module de traitement sémantique utilisant une tâche de compréhension écrite
   1. Ouvrez le programme sur l’ordinateur. Passez à la porte bleue dans l’interface du programme. Choisissez soit The Fruits pour le texte informatif, soit Tino’s Getaway pour le texte narratif.
   2. Permettre à l’agent pédagogique de donner à l’élève des instructions de tâche. Une fois le type de texte choisi, affichez le texte à l’écran.
   3. L’étudiant doit lire le texte et mémoriser les informations les plus pertinentes. Une fois la lecture terminée, demandez à l’élève de cliquer sur la flèche à l’écran à l’aide de la souris externe pour indiquer la fin de la lecture et de passer à la section suivante.
   4. Permettez à l’agent pédagogique d’instruire l’étudiant à lire les questions et à sélectionner la bonne réponse à l’aide de la souris externe. L’élève lit les questions et choisit la bonne réponse en conséquence.

3. Analyse des données

1. Pour évaluer la validité de construction et la précision diagnostique de la batterie multimédia dans une population hispanophone, utilisez l’analyse factorielle confirmatoire (CFA) et l’analyse de la courbe ROC (Receiver Operating Characteristic).
2. Effectuez une analyse CFA pour valider la structure factorielle sous-jacente de la batterie multimédia. Cette analyse permet de tester l’hypothèse selon laquelle les données s’adaptent à une structure prédéfinie basée sur des attentes théoriques.
3. Évaluez l’ajustement du modèle à l’aide de plusieurs indices d’ajustement, notamment l’indice d’ajustement comparatif (CFI), l’indice de Tucker-Lewis (TLI), l’erreur quadratique moyenne d’approximation (RMSEA) et la racine carrée résiduelle moyenne standardisée (SRMR). Un bon ajustement du modèle est indiqué par des valeurs CFI et TLI supérieures à 0,90, des valeurs RMSEA inférieures à 0,08 et des valeurs SRMR inférieures à 0,08.
4. Pour déterminer la précision du diagnostic de la batterie multimédia, effectuez une analyse de la courbe ROC. Cette méthode permet d’évaluer la capacité du test à classer correctement les individus avec et sans difficultés de lecture. L’aire sous la courbe ROC (AUC) fournit une mesure de la précision globale du test. Une AUC de 0,5 indique l’absence de capacité diagnostique, tandis qu’une AUC de 1,0 indique une capacité de diagnostic parfaite.
5. Identifiez les points de coupure optimaux pour la batterie en analysant la sensibilité et la spécificité à différents niveaux de seuil.
6. En utilisant à la fois l’analyse des courbes CFA et ROC, effectuez une évaluation complète de la batterie multimédia, confirmant sa validité de construction et sa précision de diagnostic dans une population hispanophone.

Résultats

Étude d’échantillon
L’échantillon comprenait 881 participants d’Espagne (N = 325), du Mexique (N = 169), du Guatemala (N = 227) et du Chili (N = 160), tous de langue maternelle espagnole. L’échantillon a été divisé en deux groupes : 451 dans le groupe des troubles de lecture (DR) et 430 dans le groupe des lecteurs normalement performants (NAR). Les enfants ayant des besoins éducatifs spéciaux, c’est-à-dire ceux qui nécessitent un soutien et une attention éducative spécifique en raison de déficiences sensorielles, de problèmes neurologiques ou d’autres affections, ont été exclus parce que ces facteurs sont généralement utilisés comme critères d’exclusion pour les troubles d’apprentissage ou les troubles graves du comportement, soit temporairement, soit pour la durée de leur scolarité. Les participants du groupe RD ont été sélectionnés sur la base de critères tels qu’un QI égal ou supérieur à 80, un centile de mesure du temps de lecture des mots au-dessus du 75e centile, un centile de mesure du temps de lecture des pseudo-mots au-dessus du 75e centile ou un centile de mesure de la précision de lecture des pseudo-mots inférieur au 25e centile. De même, le groupe NAR a été sélectionné sur la base de critères comparables, avec l’ajout d’un percentile de tâche de compréhension PROLEC³⁶ au-dessus du 25e percentile. Tous les percentiles ont été déterminés en fonction du niveau scolaire des participants. La classification des participants dans ces groupes reposait sur des tâches de lecture de mots et de lecture de pseudo-mots, chacune comprenant des blocs distincts. Dans les deux blocs, les participants ont été invités à lire à haute voix les stimuli verbaux présentés le plus rapidement possible. Le bloc de lecture de mots comprenait 32 stimuli, tandis que le bloc de lecture de pseudomots contenait 48 stimuli. La familiarité des mots a été contrôlée à l’aide de critères décrits par Guzman et Jiménez³⁷. Des mesures de succès, d’erreurs et de temps de latence ont été enregistrées, les temps de latence étant mesurés à partir de l’apparition de chaque élément jusqu’au début de la réponse vocale de l’élève. Le bloc de lecture de mots a montré une cohérence interne élevée (α = 0,89), tandis que le bloc de lecture de pseudo-mots a montré une cohérence interne encore plus grande (α = 0,91). La répartition des élèves avec RD et NAR entre les différents niveaux scolaires était la suivante : En deuxième année, il y avait 30 élèves NAR et 27 élèves RD. Lors de la transition vers la troisième année, 100 NAR ont été observés aux côtés de 88 élèves RD. La quatrième année comprenait 100 élèves de la NAR et 116 élèves de la RD. En cinquième année, il y avait 100 élèves de la NAR et 116 élèves RD, tandis qu’en sixième année, il y avait 100 élèves de la NAR et 104 élèves RD. Pour évaluer les différences d’âge dans l’échantillon total et au sein de chaque niveau scolaire, des tests ANOVA unidirectionnels ont été effectués. Les résultats n’ont révélé aucune différence significative, toutes les valeurs p dépassant 0,05. De même, la distribution de la variable du sexe a été examinée à l’aide du test du chi carré, toutes les valeurs p dépassant également 0,05.

Statistiques descriptives
Le tableau 1 présente les statistiques descriptives (moyenne et écart-type) de l’âge et les mesures d’évaluation. Les données sont classées par sexe, en distinguant les lecteurs normalement performants et ceux ayant des troubles de lecture dans divers pays. Les résultats ont montré des corrélations positives et statistiquement significatives entre un grand nombre de mesures d’évaluation (voir tableau 2). Le tableau présente les corrélations entre les mesures, allant de faible à forte. Les corrélations inférieures à 0,3 sont considérées comme faibles, tandis que celles supérieures à 0,5 sont classées comme fortes. Des valeurs de corrélation spécifiques sont fournies à côté de leurs classifications de résistance respectives. Par exemple, les corrélations faibles (r < 0,3) comprenaient celles de la segmentation par mélange (r = 0,354) et de la compréhension homophone par délétion (r = 0,270). Des corrélations modérées (0,3 ≤ r < 0,5) ont été observées entre la structure grammaticale-nombre (r = 0,463) et la structure grammaticale fonctionnelle des mots (r = 0,512). De fortes corrélations (r ≥ 0,5) sont évidentes pour le nombre par sexe (r = 0,642) et le RAN image en couleur (r = 0,442).

Tableau 1 : Statistiques descriptives des mesures. Ce tableau fournit la moyenne, l’écart-type et d’autres statistiques descriptives pour les diverses mesures incluses dans l’outil numérique. ÂGE : Âge ; NAR : Normalement atteindre les lecteurs ; RD : Trouble de lecture ; SEG : Segmentation ; BLN : Assemblage ; ISO : Isolation des phonèmes ; DEL : Suppression du phonème ; CDM : Compréhension homophone ; R&S : Racine et suffixes ; GEN : Genre ; NUM : Nombre ; FW : Mots fonctionnels ; GRS : Structure grammaticale ; EXT : Texte expositif ; NAT : Texte narratif ; COV : Voicing de l’articulation ; MOA : Mode d’articulation ; POA = Lieu d’articulation ; DIG : Digit RAN ; LET : Lettre Ran ; COL : Couleur RAN ; PIC : Photo RAN Veuillez cliquer ici pour télécharger ce tableau.

Tableau 2 : Coefficients de corrélation des mesures. Ce tableau montre les coefficients de corrélation entre les différentes mesures de l’outil numérique, indiquant la force et la direction des relations entre ces mesures. SEG : Segmentation ; BLN : Assemblage ; ISO : Isolation des phonèmes ; DEL : Suppression du phonème ; CDM : Compréhension homophone ; R&S : Racine et suffixes ; GEN : Genre ; NUM : Nombre ; GRS : Structure grammaticale ; FW : Mots fonctionnels ; EXT : Texte expositif ; NAT : Texte narratif ; COV : Voicing de l’articulation ; MOA : Mode d’articulation ; POA = Lieu d’articulation ; DIG : Digit RAN ; LET : Lettre Ran ; COL : Couleur RAN ; PHOTO : Photo COURUE. Veuillez cliquer ici pour télécharger ce tableau.

Analyse factorielle de confirmation
L’analyse comparative des facteurs a été réalisée afin d’évaluer la structure factorielle proposée pour la batterie multimédia. Le modèle comprend un facteur de second ordre et six variables latentes, chacune représentant des modules distincts de la batterie multimédia. Ces constructions comprennent la conscience phonologique (y compris les tâches de segmentation phonémique, d’isolement, de mélange et de suppression), le module morpho-orthographique (impliquant des tâches de compréhension de la racine et des suffixes et de l’homophone), la syntaxe (comprenant le genre, le nombre, la structure grammaticale et les tâches de mots fonctionnels), la perception de la parole (impliquant les tâches de voix, de mode d’articulation et de lieu d’articulation), la compréhension de la lecture (englobant les tâches de compréhension de texte expositif et de texte narratif) et la compréhension rapide nommage automatique (lettres, couleurs, chiffres et images à partir de la tâche RAN). Pour assurer la cohérence de toutes les tâches de la batterie multimédia (allant de 0 à 1), nous avons utilisé l’estimation de la proportion de mise à l’échelle maximale (POMS). Les scores POMS ont été calculés pour les tâches basées sur le temps (racines et suffixes)³⁸.

Des analyses statistiques et des présentations graphiques ont été effectuées à l’aide de la version 4.3.1³⁹ de R, en utilisant les packages lavaan⁴⁰, semTools⁴¹ et ggplot2⁴² . L’ajustement du modèle a été évalué à l’aide de divers indices de qualité de l’ajustement. Bien que la qualité de l’ajustement du khi-deux soit significative, χ²(df) = 632,01, p < 0,001, ce qui suggère une divergence entre le modèle hypothétique et les données observées, il est important de noter que le test du khi-deux est sensible à la taille de l’échantillon⁴³. Par conséquent, des indices d’ajustement supplémentaires ont été pris en compte.

L’indice d’ajustement comparatif (CFI) a donné une valeur de 0,961, dépassant le seuil communément accepté de 0,95 et indiquant un bon ajustement aux données. La racine de l’erreur quadratique moyenne d’approximation (RMSEA) était de 0,038, indiquant un ajustement étroit du modèle aux données. La racine carrée résiduelle moyenne normalisée (SRMR) était de 0,034, ce qui était inférieur à la valeur recommandée de 0,05, ce qui suggère un ajustement idéal. Les charges factorielles pour les articles variaient de 0,36 à 0,81, indiquant des charges importantes sur leurs facteurs respectifs. La variance moyenne totale extraite (AVE) dépassait 0,50, ce qui suggère une validité convergente adéquate, et la fiabilité composite totale (CR) était supérieure à 0,80, indiquant une bonne fiabilité de cohérence interne.

En conclusion, les résultats de l’EFC ont soutenu la structure factorielle proposée, démontrant un bon ajustement du modèle, une validité convergente et une fiabilité. Veuillez vous référer à la représentation graphique du modèle dans la figure 1.

Figure 1 : Analyse factorielle de confirmation. Cette figure illustre les résultats de l’analyse factorielle confirmatoire réalisée sur l’outil numérique, mettant en évidence les charges factorielles et les relations entre différentes mesures de traitement cognitif. Abréviations : SIC= Sicole-R ; PA = Conscience phonologique ; SEG = Segmentation ; BLN = Mélange ; ISO= Isolation ; DEL= Suppression ; MO= Traitement morphologique ; HOM= Compréhension homophone ; R&S = Racine et suffixes ; SYN= Traitement syntaxique ; GEN = Sexe ; NUM= Nombre ; GRS = Structure grammaticale ; FW = Mots fonctionnels ; RC = Compréhension écrite ; EXT= Texte expositif ; NAT= Texte narratif ; SP = Perception de la parole ; COV = Voicing de l’articulation ; MOA = Mode d’articulation ; POA = Lieu d’articulation ; RAN = Rapid Automatized Naming ; NUM = Numéro RAN ; LET= Lettre RAN ; COL= Couleur RAN ; PIC= Image RAN. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Des analyses d’invariance de mesure ont été utilisées pour vérifier si la structure factorielle de la batterie multimédia était stable entre les sexes. Le test de l’invariance de mesure consiste en une série de comparaisons de modèles qui définissent des contraintes d’égalité de plus en plus strictes⁴⁴. Nous avons effectué les analyses statistiques et suivi les mêmes critères d’ajustement que le CFA précédent. Nous avons successivement contraint les structures configurale, métrique (charges), scalaire (interceptions) et stricte (résidus)⁴⁵. Un mauvais ajustement dans l’un ou l’autre de ces modèles suggère que l’aspect contraint ne fonctionne pas de manière cohérente pour les différents groupes. Le degré d’invariance a été déterminé conjointement lorsque χ²_D était >0,05 et ΔCFI était <0,01. Le tableau 3 présente un résumé des résultats des indices des modèles et des différences entre eux.

Tableau 3 : Indices d’ajustement du modèle d’invariance. Ce tableau présente les indices d’ajustement permettant de tester l’invariance selon le sexe du modèle, en évaluant dans quelle mesure l’outil numérique maintient la cohérence de sa structure et ses propriétés de mesure entre les groupes masculins et féminins. Ces indices garantissent la fiabilité et la validité de l’outil en confirmant sa capacité à mesurer les processus cognitifs de manière cohérente dans divers groupes de genre. Veuillez cliquer ici pour télécharger ce tableau.

Le modèle configural, qui limitait uniquement la configuration relative des variables dans le modèle à être la même dans les deux groupes, avait un ajustement adéquat aux données : χ²(292) = 745,970, p<,001, CFI = 0,964, SRMR = 0,034, RMSEA = 0,036, IC à 90 % (0,033, 0,038). Le modèle d’invariance des métriques a contraint la configuration des variables et toutes les charges factorielles à être constantes entre les groupes. Les indices d’ajustement étaient comparables à ceux du modèle configural : χ²(310) = 768,56, p<,001, CFI = 0,963, MRMR = 0,037, RMSEA = 0,036, IC à 90 % (0,033, 0,038). L’invariance des charges factorielles a été confirmée par les tests de différence non significative qui ont évalué la similarité du modèle : χ²_D (18) = 26,30, p = 0,09 ; ΔCFI = 0,001. Dans le modèle d’invariance scalaire, la configuration, les charges factorielles et les moyennes/points d’intersection des indicateurs ont été contraintes d’être les mêmes pour chaque groupe. Les indices d’ajustement étaient loin d’être idéaux : χ²(322) = 787,50, p<,001, CFI = 0,963, SRMS = 0,038, RMSEA = 0,035 (IC à 90 % = 0,032, 0,038). Les tests de différence qui ont évalué la similarité des modèles ont suggéré qu’il y avait une invariance factorielle : χ²_D(12) = 13,00, p = 0,369 ; ΔCFI = 0,001. Enfin, dans le modèle d’invariance stricte, la configuration, les charges factorielles, les moyennes/interceptions des indicateurs et les résidus ont été contraints d’être les mêmes pour chaque groupe. Les indices d’ajustement étaient loin d’être idéaux : χ²(341) = 798,20, p<,001, CFI = 0,961, SRMS = 0,039, RMSEA = 0,0035 (IC à 90 % = 0,032, 0,038). L’invariance stricte a été soutenue par les tests de différence non significative qui ont évalué la similarité des modèles : χ²_D(11) = 25,81, p<,001 ; ΔCFI = 0,002

Précision du diagnostic
Pour évaluer la précision et la capacité discriminante de la batterie multimédia, des analyses des caractéristiques de fonctionnement du récepteur (ROC) ont été effectuées. L’analyse ROC aide à déterminer le seuil optimal (valeur seuil) pour un test d’évaluation à échelle continue, en équilibrant la sensibilité (capacité à identifier correctement les vrais positifs) et la spécificité (capacité à identifier correctement les vrais négatifs). De plus, l’analyse ROC a été utilisée pour évaluer la capacité du test à faire la distinction entre les groupes DR et NAR. Pour effectuer l’analyse, des scores Z ont été calculés par note pour chaque tâche de la batterie multimédia. Le score omnibus était constitué de la somme des scores zêta. Des analyses statistiques et des présentations graphiques ont été réalisées à l’aide de la version 4.3.1^{41 de} R. Les packages pROC⁴⁶ et ggplot2⁴² ont été utilisés. En termes de précision diagnostique, la batterie multimédia présentait une aire sous la courbe (AUC) de 9439,8 [IC à 95 % : 93,31 %-96,24 % (DeLong)] et une sensibilité de 91,0 (Figure 2). Les courbes ROC par grade ont montré les indices suivants : 2° grade, AUC = 96,195 % [IC : 91,54 %-100 % (DeLong)], Se = 0,96, Sp = 0,90 ; 3° grade, AUC = 95,3, [IC à 95 % : 92,43 %-98,18 % (DeLong)], Se = 75,70, Sp = 72,34 ; 4° grade, AUC = 93,4 [IC à 95 % : 90,2 %-96,66 % (DeLong)], Se = 0,92, Sp = 0,84 ; 5° grade, AUC = 95,9 [IC à 95 % : 93,11 % à 98,75 % (DeLong)], Se = 0,90, Sp = 0,95 ; grade 6°, AUC = 94,4 [IC à 95 % : 91,11 % à 97,69 % (DeLong)], Se = 0,92, Sp = 0,91.

Figure 2 : Analyse du ROC de la courbe. Cette figure présente l’analyse de la courbe ROC, qui montre la précision diagnostique de l’outil numérique en traçant le taux de vrais positifs par rapport au taux de faux positifs à différents paramètres de seuil. Les unités de l’axe x de la courbe ROC sont la spécificité et les unités de l’axe y sont la sensibilité. Abréviations : ROC= courbe caractéristique de fonctionnement du récepteur ; AUC = aire sous la courbe. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Discussion

Dans cette étude, l’analyse factorielle confirmatoire (CFA) a été utilisée pour évaluer la structure factorielle de la batterie Sicole-R, comprenant un facteur de second ordre et six variables latentes représentant différents modules. Les résultats ont indiqué un bon ajustement du modèle, une validité convergente et une fiabilité, confirmant l’efficacité de la batterie dans l’évaluation d’un ensemble complet de compétences cognitives et de lecture qui sont essentielles pour les personnes dyslexiques. Il est important de noter que les performances constantes de l’outil numérique dans divers groupes démographiques en Espagne, au Mexique, au Guatemala et au Chili suggèrent son utilité potentielle dans les contextes éducatifs et cliniques de diverses régions hispanophones.

Cette étude contribue à la littérature en démontrant comment les batteries multimédias peuvent être utilisées pour identifier efficacement des déficits cognitifs spécifiques associés à la dyslexie. La capacité de la batterie à identifier des zones de difficulté spécifiques, telles que la conscience phonologique, la perception de la parole, la vitesse de nommage, le traitement orthographique, le traitement syntaxique et la compréhension de la lecture, permet des interventions sur mesure pour répondre efficacement aux besoins individuels des élèves. De plus, la cohérence démontrée de la batterie entre les sexes souligne son utilité dans la promotion de pratiques d’évaluation équitables, soutenant ainsi les initiatives d’éducation inclusive visant à offrir des chances égales à tous les élèves.

Bien que des outils antérieurs présentant des caractéristiques similaires aient été conçus pour être utilisés en anglais, tels que le test de dépistage précoce de la dyslexie (DEST) proposé par Fawcett et Nicolson¹⁷, qui évalue plusieurs domaines, cette étude a démontré l’applicabilité et l’efficacité de la batterie multimédia dans un contexte linguistique différent. Tout au long de l’analyse, plusieurs étapes critiques ont été franchies dans le cadre du protocole afin d’assurer l’exactitude et la validité des résultats. Ces étapes comprenaient le prétraitement des données, la spécification du modèle et l’estimation des paramètres, conformément à des études telles que Hautala et ^coll.19 qui ont démontré la fiabilité des outils informatiques pour identifier les élèves ayant des difficultés de lecture. De plus, d’autres études, telles que celles de Protopapas et ^al.20 et Pennington et ^al.12, ont exploré la mise en œuvre d’outils de dépistage informatisés pour l’identification de la dyslexie, soulignant l’importance d’exploiter la technologie pour améliorer les stratégies d’évaluation. De plus, l’étude actuelle s’aligne sur les progrès récents de la recherche sur la dyslexie et de l’évaluation psychométrique, soulignant la pertinence de la batterie dans les contextes contemporains. Des études menées par Jiménez et ^al.23 et Guzmán et ^al.24 ont mis en évidence le besoin critique d’outils d’évaluation robustes adaptés à divers contextes linguistiques, soulignant l’efficacité de Sicole-R pour combler cette lacune au sein des populations hispanophones. De plus, l’intégration des technologies numériques dans l’évaluation de la dyslexie, telle que discutée par Rauschenberg et ^al.6, renforce la rigueur méthodologique démontrée dans l’approche de cette étude en matière d’analyse factorielle et de validation.

Malgré la rigueur méthodologique employée dans cette étude, il est important de reconnaître certaines limites inhérentes à l’analyse. L’une des limites concerne la généralisabilité des résultats, car l’échantillon était composé d’un groupe démographique spécifique, ce qui pourrait limiter l’applicabilité des résultats à des populations plus larges. De plus, bien que des efforts aient été déployés pour assurer l’invariance des mesures entre les sexes, d’autres facteurs démographiques, comme l’âge ou le statut socioéconomique, n’ont pas été explicitement pris en compte dans l’analyse, ce qui a pu influencer les résultats.

De futures orientations de recherche pourraient explorer son adaptation à différents dialectes espagnols et son intégration dans des cadres éducatifs plus larges afin d’améliorer les stratégies d’identification. À l’avenir, les recherches futures devraient viser à s’attaquer aux limites identifiées dans cette étude, comme l’exploration de l’utilité de la batterie multimédia dans diverses populations et l’étude de sa validité longitudinale et de sa validité prédictive dans la prédiction des résultats scolaires à long terme. De plus, une étude récente de Jin et ^al.47 a mis en évidence une future ligne de recherche prometteuse, suggérant l’incorporation de la technologie neurobiologique. Ils ont procédé à un examen complet des bases de données scientifiques, en sélectionnant les études publiées entre 2018 et 2023. Leurs résultats suggèrent que l’évaluation de la technologie neurobiologique est en train de devenir une tendance prometteuse pour faire progresser le diagnostic de dyslexie.

En conclusion, les résultats de cette étude mettent en évidence la batterie multimédia comme un outil précieux pour les éducateurs, facilitant ainsi un soutien plus efficace et de meilleurs résultats pour les élèves dyslexiques. En intégrant ces connaissances contemporaines, les résultats contribuent à l’évolution du discours sur l’évaluation de la dyslexie, offrant aux praticiens et aux chercheurs des perspectives actualisées sur des cadres stratégiques de diagnostic efficaces. À notre connaissance, cette étude est parmi les premières à valider une batterie multimédia complète adaptée spécifiquement aux populations hispanophones, comblant ainsi une lacune critique dans les outils de diagnostic actuellement disponibles pour la dyslexie.

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
Sicole-R	Universidad de La Laguna	TF-263- 07