5-9 juin 2023 PARIS (France)
Classification automatique de données déséquilibrées et bruitées : application aux exercices de manuels scolaires
Elise Lincker  1, 2@  , Camille Guinaudeau  3, 4, *@  , Olivier Pons  5, *@  , Jérôme Dupire  5@  , Isabelle Barbet  5@  , Céline Hudelot  6@  , Vincent Mousseau  6@  , Caroline Huron  7, 8@  
1 : CEDRIC
Conservatoire National des Arts et Métiers (CNAM)
2 : Laboratoire Interdisciplinaire des Sciences du Numérique
Université Paris-Saclay, Centre National de la Recherche Scientifique
3 : Japanese French Laboratory for Informatics, CNRS, NII
4 : Université Paris-Saclay
Université Paris-Sud - Université Paris-Saclay
5 : CEDRIC
Conservatoire National des Arts et Métiers (CNAM)
6 : Mathématiques et Informatique pour la Complexité et les Systèmes
CentraleSupélec, Université Paris-Saclay
7 : System Engineering and Evolution Dynamics
Université Sorbonne Paris Cité, Institut National de la Santé et de la Recherche Médicale - INSERM
8 : Learning Planet Institute [Paris]
Learning Planet Institute [Paris]
* : Auteur correspondant

Pour faciliter l'inclusion scolaire, il est indispensable de pouvoir adapter de manière automatique les manuels scolaires afin de les rendre accessibles aux enfants dyspraxiques. Dans ce contexte, nous proposons une tâche de classification des exercices selon leur type d'adaptation à la dyspraxie. Nous introduisons un corpus d'exercices extraits de manuels de français de niveau élémentaire, qui soulève certains défis de par sa petite taille et son contenu déséquilibré et bruité. Afin de tirer profit des modalités textuelles, structurelles et visuelles présentes dans nos données, nous combinons des modèles état de l'art par des stratégies de fusion précoce et tardive. Notre approche atteint une exactitude globale de 0.802. Toutefois, les expériences témoignent de la difficulté de la tâche, particulièrement pour les classes minoritaires, pour lesquelles l'exactitude tombe à 0.583.


Personnes connectées : 2 Vie privée
Chargement...