evidoria

← Back to browse

Good practice

Lexplore — Dépistage par IA et suivi oculaire de la dyslexie et des difficultés de lecture

Sweden · Stockholm · See the Sweden profile

Lexplore, spin-off de l'Institut Karolinska, utilise le suivi oculaire par IA pour repérer le risque de dyslexie en ~5 minutes, avec ~8 000 enfants dépistés depuis 2016. Une étude de 2026 a montré un effet important sur un petit échantillon.

~8,000 children
Enfants évalués de manière cumulée (2016–2026)
95 %
Précision revendiquée par l'entreprise
29 students
Échantillon de l'étude de validation indépendante (2026)
2.64 Cohen's d
Taille de l'effet, différence du temps de fixation (2026)
Lexplore — Dépistage par IA et suivi oculaire de la dyslexie et des difficultés de lecture Lexplore — Dépistage par IA et suivi oculaire de la dyslexie et des difficultés de lecture

Details

Maturity
Established
Promoter
Lexplore AB
Period
2016–ongoing; independent US validation study published 2026
Keywords
reading assessment, dyslexia screening, eye-tracking AI, literacy diagnostics

Context

Lexplore est né en 2016 d'une scission de l'Institut Karolinska, en Suède, pour commercialiser des recherches sur l'oculométrie sous la forme d'une évaluation de la lecture notée par IA. Un enfant lit un court passage pendant qu'une caméra suit les fixations et régressions oculaires ; un modèle d'apprentissage automatique compare ce schéma à un ensemble de référence normé afin de signaler un risque de dyslexie ou de difficultés de lecture en environ cinq minutes, sans qu'un spécialiste soit nécessaire pour l'administrer.

Results

L'entreprise déclare avoir évalué environ 8 000 enfants en Suède et aux États-Unis et qualifie sa propre précision d'« impressionnants 95 % » — un chiffre d'entreprise, non audité de manière indépendante. En mai 2026, des chercheurs de l'université de Floride centrale et de l'université du Kansas ont publié la première validation indépendante évaluée par des pairs dans Frontiers in Education : en étudiant 29 élèves du primaire (12 présentant un trouble de la lecture, 17 non) dans une seule école à charte, ils ont constaté une différence statistiquement significative et de très grande ampleur du temps de fixation moyen entre les deux groupes (t(27)=6,696, p<0,001, d de Cohen≈2,64). La même étude a souligné que l'échantillon était restreint et limité à un seul établissement, que 16 « lecteurs émergents » supplémentaires n'ont produit aucune donnée d'oculométrie exploitable, et a critiqué l'algorithme propriétaire pour son manque de transparence quant à la manière dont il convertit les mouvements oculaires en score de risque.

Implementation

Indicative cost
Medium (€50k–€500k) — No public price disclosed; cost_band set to medium reflecting a commercial school-licensed diagnostic tool.
Time to results
Short (< 1 year) — Assessment itself takes about five minutes per student; timeline_band set to short for adoption at a new school.
Staffing & skills
No specialist required to administer the five-minute screening

Conditions for success

  • Camera-based eye-tracking hardware and a normed reference dataset
  • Independent peer-reviewed validation of the underlying signal (fixation-time difference)

Common failure modes

  • Proprietary algorithm criticised for lacking transparency in converting eye movements to a risk score
  • 16 'emerging readers' in the validation study produced no usable eye-tracking data
  • Independent validation is small (single school, 29 students) relative to commercial scale (~8,000 screened)

Data sources

Where this practice's information was retrieved from, and when.

Attachments

Similar practices you may find useful