MOVE-2-LEARN : Le développement sensorimoteur des enfants et l'acquisition des compétences fondamentales en mathématiques et en Français
Ce projet analyse le lien entre développement sensorimoteur et performances scolaires (mathématiques, français) chez des enfants de 5 à 10 ans. Il intègre des facteurs démographiques (âge, sexe, IMC) et socio-économiques (IPS). À partir de tests moteurs (MABC-2) et des évaluations nationales en mathématiques et français (DEPP), des méthodes statistiques et d’apprentissage automatique sont utilisées pour prédire les performances, identifier les compétences motrices clés et optimiser les outils d’évaluation.
Le projet est divisé en 2 WorkPackages
WP 1 : Catégorisation scientifique du développement sensorimoteur d'élèves de GS-CP-CE1-CE2 et CM1 en fonction des niveaux d'IPS, du sexe et de l'âge. 1285 enfants d'écoles marseillaises ont participé à une grande campagne d'expérimentation scientifique basée sur l’utilisation du test M-ABC2 pour caractériser leur développement sensorimoteur. Un premier article est soumis pour publication.
WP2 : Pour les 1285 enfants ayant participé au WP1, nous allons comparer les données de développement sensorimoteur aux données obtenues lors des évaluations nationales en Français et Mathématiques. Il s'agira de poser la question suivante : Peut-on lier certaines caractéristiques du développement sensorimoteur (trois niveaux de compétences motrices) aux apprentissages des savoirs fondamentaux plus spécifiquement, en mathématiques et Français ? Les données mises à disposition par la DEPP seront entièrement anonymes, et permettront de faire le lien avec les données de développement moteur par des tables combinées de pseudonymation. Les données seront accessibles uniquement sur les serveurs de la DEPP, sécurisés et garantissant un anonymat complet et systématique.
La méthode pour analyser les liens entre développement sensorimoteur et performances académiques consistera à combiner une analyse statistique classique avec des méthodes avancées d'Intelligence Artificielle permettant de traiter ces données complexes par leur hétérogénéité. En particulier, en s'appuyant sur des techniques d'apprentissage automatique, il s'agira d'identifier les patterns d'indicateurs pouvant être prédicteurs de performances académiques à partir de données collectées structurées en combinant l'analyse de séries temporelles (e.g. LSTM) et les modèles de classification sur petits ensembles de données (e.g. SVM, MLP). Une attention particulière sera portée sur l'explicabilité des modèles pour l'interprétation des prédictions avec un focus sur l'analyse des importances des caractéristiques (e.g. RFE).