Tilbake til søkeresultatene

IKTPLUSS-IKT og digital innovasjon

Gameplay prediction of reading difficulties (GAMEPLAY). A machine learning approach based on school starters serious gameplay

Alternativ tittel: Prediksjon av lesevansker basert på spilldata. En tilnærming basert på førsteklassingers bruk av et seriøst lesespill.

Tildelt: kr 5,5 mill.

Prosjektnummer:

321047

Søknadstype:

Prosjektperiode:

2021 - 2024

Midlene er mottatt fra:

Geografi:

Å kunne lese og skrive regnes som en grunnleggende ferdighet både for å lykkes i utdanning, opplæring og jobb, og for å kunne ha god livskvalitet. Mange elever strever imidlertid med å lære seg å lese. Selv om det er velkjent at tidlige tiltak er helt avgjørende for å hjelpe elever som står i faresonen for å utvikle lese- og skrivevansker, finnes det i dag ikke noen forskningsbaserte, presise verktøy som lærerne kan ta i bruk for å hjelpe disse elevene allerede ved skolestart. I tillegg vet vi at mange av testene som benyttes i dag, kan gi negative opplevelser og manglende mestringsfølelse for elever som strever. Hovedmålet med forskningsprosjektet Gameplay er å utvikle en metode for å oppdage hvilke førsteklassinger som står i fare for å utvikle lese- og skrivevansker så tidlig som mulig, samtidig som elevene får en positiv opplevelse. Elevene spiller et lære å lese-spill, og algoritmer skal lete etter skjulte spor i data fra spillet som kan tyde på at eleven er i fare for å utvikle lese- og skrivevansker. Gameplay er sannsynligvis det første prosjektet i verden hvor man bruker maskinlæring til tidlig avdekking av lese- og skrivevansker. Elevene vil spille lesespillet daglig i fem uker i løpet av de første månedene i første klasse. Data fra spillet vil gi detaljert informasjon om blant annet hvor lang tid elevene bruker på å svare, hva de trykker på, og antall riktige eller gale svar. For å trene opp maskinlæringsalgoritmene, vil prosjektet i første omgang analysere data fra På Sporet-prosjektet ved Lesesenteret. I tillegg er det behov for et større datasett for å trene de kraftige algoritmene. Over 1000 første- og andreklassinger i Osloskolen vil derfor delta i et forskningsprosjekt som vil gi kunnskap om både spill og leseferdigheter. I siste fase vil Gameplay integrere maskinlæring med en spillplattform som oppleves positiv og praktisk for norske lærere.

Research has established the importance of early literacy interventions to help struggling readers to overcome their reading difficulties. Early intervention for children with reading difficulties (RD) is therefore a societal priority. Early reading intervention requires early identification. However, identifying school starters who risk facing RD has remained an error-prone process. In Norway, the national quality monitoring system has no validated tool available for the identification of struggling readers at school start. Our aim in GAMEPLAY is to develop a non-intrusive method for accurate early detection of risk for developing reading difficulties in first-grade school children. We do this through innovative use of gameplay data obtained from the child's interaction with a digital reading game. The children will play the reading game daily during a five-week period during the first months of school. The data contain detailed recordings of each game session in terms of, e.g., response times, item clicked, number of correct responses and number of incorrect responses. Hence, through playing an enjoyable digital reading game, we obtain rich data which carries information about the child's developmental trajectories of perceptual, cognitive and linguistic skills. This data will be subjected to state-of-the-art AI/machine learning algorithms in order to detect whether the child may be at risk for developing reading difficulties. To train and evaluate various machine learning algorithms, we will initially use high-quality data already obtained as part of the On Track research project. In order to train the more powerful AI algorithms, this dataset is too small. We therefore will collect a larger dataset, involving many more participants. Our project will also specify how the predictive model may be integrated with the game platform for the benefit of teachers.

Publikasjoner hentet fra Cristin

Ingen publikasjoner funnet

Ingen publikasjoner funnet

Ingen publikasjoner funnet

Aktivitet:

IKTPLUSS-IKT og digital innovasjon

Temaer og emner

InternasjonaliseringLTP2 Utvikle fagmiljøer av fremragende kvalitetFornyelse og innovasjon i offentlig sektorIKT forskningsområdeKunstig intelligens, maskinlæring og dataanalyseIKT forskningsområdeProgramvarer og tjenesterIKT forskningsområdeVisualisering og brukergrensesnittUtdanningLTP2 Fornyelse i offentlig sektorAnvendt forskningInternasjonaliseringInternasjonalt prosjektsamarbeidPortefølje Utdanning og kompetanseIKT forskningsområdeMenneske, samfunn og teknologiBransjer og næringerMedia og kulturPolitikk- og forvaltningsområderGrunnforskningLTP2 Styrket konkurransekraft og innovasjonsevneUtviklingsarbeidLTP2 IKT og digital transformasjonLTP2 Muliggjørende og industrielle teknologierLTP2 Fagmiljøer og talenterPolitikk- og forvaltningsområderNæring og handelBransjer og næringerLTP2 Utdanning og livslang læringPortefølje Muliggjørende teknologierDigitalisering og bruk av IKTIKT forskningsområdeBransjer og næringerIKT-næringenLTP2 Innovasjon i stat og kommunePolitikk- og forvaltningsområderDigitaliseringPolitikk- og forvaltningsområderForskningPolitikk- og forvaltningsområderLæring, skole og utdanningLTP2 Et kunnskapsintensivt næringsliv i hele landetPortefølje Demokrati, styring og fornyelsePortefølje Naturvitenskap og teknologiPortefølje Industri og tjenestenæringerDigitalisering og bruk av IKTOffentlig sektorFornyelse og innovasjon i offentlig sektorInnovasjonsprosjekter og prosjekter med forpliktende brukermedvirkningPortefølje Humaniora og samfunnsvitenskapUtdanningUndervisning og læring