evidoria

← Retour à la liste

Bonne pratique Importée

Évaluation par reconnaissance vocale IA de la fluidité de lecture orale en xhosa

Afrique du Sud · Cape Town · Voir le profil de Afrique du Sud · Voir le profil de Cape Town

Preuves: Observationnel / avant-après Top 40% 53/100 · Demandez à Evidence Copilot à propos de cette pratique

Une équipe dirigée par l'université du Cap a affiné des modèles de reconnaissance vocale open source pour noter automatiquement la fluidité de lecture orale des petites classes en xhosa, à partir de 14 971 enregistrements d'élèves de la 1re à la 4e année en Afrique du Sud, atteignant environ 91 % d'efficacité diagnostique par rapport aux données annotées par des humains.

14,971 recordings
Enregistrements EGRA collectés pour l'entraînement/la validation du modèle en isiXhosa
>19 hours
Heures de parole d'enfants collectées
8 months
Durée de la collecte de données
85 %
Accord entre les évaluateurs humains et l'expert EGRA
~91 %
Efficacité diagnostique des modèles affinés par rapport aux données étiquetées par des humains
Évaluation par reconnaissance vocale IA de la fluidité de lecture orale en xhosa

Détails

Promoteur
University of Cape Town, with Western Sydney University, University of Pretoria, Universidade Federal de Pernambuco and Macquarie University
Période
2024–2025
Mots-clés
AI speech recognition, early-grade reading assessment, African languages, EGRA

Contexte

Les évaluations de la lecture en début de scolarité (EGRA) sont des tests de lecture orale individuels utilisés pour repérer les enfants en difficulté de littératie, et constituent l'outil standard dans les pays à revenu faible et intermédiaire, mais elles nécessitent des évaluateurs humains formés et sont rarement disponibles dans les langues africaines au-delà des quelques-unes disposant déjà d'un support de reconnaissance vocale.

Objectifs

Une équipe de recherche dirigée par l'Université du Cap, avec l'Université de Pretoria, la Western Sydney University, l'Universidade Federal de Pernambuco et la Macquarie University, s'est fixé pour objectif d'automatiser la notation EGRA pour l'isiXhosa, l'une des langues officielles d'Afrique du Sud.

Activités

Au cours d'un effort de collecte de données de 8 mois, soutenu par une subvention Grand Challenges de la Fondation Gates, l'équipe a rassemblé 14 971 enregistrements EGRA, soit plus de 19 heures de parole d'enfants, dans des écoles sud-africaines de la 1re à la 4e année ; trois évaluateurs humains indépendants ont d'abord validé l'approche de notation par rapport à un expert EGRA, puis les modèles de reconnaissance vocale affinés ont été comparés à ces données étiquetées par des humains.

Résultats

Les évaluateurs humains ont atteint 85 % d'accord avec l'expert EGRA, et les modèles de reconnaissance vocale affinés ont atteint environ 91 % d'efficacité diagnostique par rapport aux données étiquetées par des humains.

Conclusions

L'évaluation publiée note qu'aucune configuration de modèle n'a minimisé simultanément les taux d'erreurs de faux positifs et de faux négatifs, ce qui signifie qu'un déploiement précoce impliquerait de troquer un type de classification erronée contre un autre, et que les travaux demeurent une validation au stade de la recherche plutôt qu'un système national d'évaluation opérationnel.

Mise en œuvre
Coût indicatif
Moyen (50 k€–500 k€) — Funded by a Gates Foundation Grand Challenges grant covering an 8-month multi-institution data-collection and model-validation effort; no specific budget figure is published.
Délai jusqu’aux résultats
Moyen (1–3 ans) — Data collection ran over 8 months within an overall project period reported as 2024-2025, and the work remains at research-validation stage rather than fielded deployment.
Personnel et compétences
University of Cape Town (lead), University of Pretoria, Western Sydney University, Universidade Federal de Pernambuco, Macquarie University

Conditions de réussite

  • a large volume of annotated child-speech recordings (14,971) spanning grades 1-4
  • independent human-marker validation against an EGRA expert before model benchmarking
  • grant funding (Gates Foundation Grand Challenges) to support extended data collection

Modes d’échec courants

  • no single model configuration minimises both false-positive and false-negative error rates simultaneously, so early deployment would trade one type of misclassification for another

Habituellement financé par

Philanthropic / foundation funding

Pistes de financement indicatives pour des pratiques de ce type — vérifiez toujours les appels en cours et les règles d'éligibilité de chaque programme.

Vous portez cette pratique ? Revendiquez-la — les porteurs vérifiés obtiennent un contact public sur la page et peuvent proposer des corrections.

Sources de données

D'où proviennent les informations de cette pratique, et quand.

Pièces jointes

Pratiques similaires qui pourraient vous être utiles