Facteurs neurocognitifs dans la réponse à l'intervention EdTech

L'objectif primordial de cette proposition est de remédier aux limites inhérentes aux approches correctives actuelles utilisées dans les troubles de lecture (RD). Plus précisément, les expérimentateurs visent à évaluer l'efficacité d'une intervention basée sur la technologie pour les enfants atteints de RD, à l'aide d'un essai contrôlé randomisé. Nature du problème. Le trouble de lecture (RD) est le trouble d'apprentissage le plus courant, affectant 10 à 15 % des enfants d'âge scolaire. Elle entraîne des déficiences fonctionnelles majeures à toutes les étapes de la vie. Une mine de données documente les désavantages tout au long de la vie en matière de réussite scolaire et professionnelle. De manière problématique, les interventions actuelles en lecture fondées sur des données probantes reposent en grande partie sur les services de spécialistes formés, soit dans des salles de classe disposant de ressources suffisantes, soit dans des contextes cliniques. Ainsi, les écoles (ou les pays) qui manquent de ressources sont souvent incapables de proposer des interventions en lecture à leurs élèves. Cette situation potentiellement tragique a favorisé le projet proposé qui vise à évaluer un traitement abordable, prometteur et basé sur la technologie, qui présente un double avantage, celui d'être à domicile et, également, d'être mis en œuvre sans la supervision directe d'un expert, minimisant ainsi les ressources demandes. Des études récentes ont soutenu l'efficacité des interventions de lecture basées sur la technologie, en particulier GraphoLearn, qui se concentre sur l'enseignement des compétences phonologiques et la correspondance des lettres et des sons, bien qu'avec une variation notable des tailles d'effet. Comme souligné dans une méta-analyse récente, la taille des échantillons a tendance à être petite et il existe une variation marquée dans les composants méthodologiques clés d'une étude à l'autre, en particulier le dosage du jeu (qui est bien en deçà des recommandations des experts dans la plupart des études), le groupe témoin (par exemple, les groupes actifs par rapport aux passif) et le niveau d'implication des adultes dans l'administration. Plus pertinent, l'utilité de GraphoLearn n'a pas été suffisamment examinée en dehors des limites des environnements scolaires contrôlés, omettant ainsi d'informer sur la valeur de l'administration à domicile - la principale caractéristique positive de GraphoLearn. De même, les prédicteurs possibles de résultats négatifs pour l'administration à domicile sont inexplorés (par exemple, le respect du dosage de jeu prescrit, qui, comme indiqué dans nos données préliminaires, peut varier).

Aperçu de l'objectif 1. Le projet proposé aborde les limites inhérentes aux interventions correctives en mettant en œuvre un essai contrôlé randomisé (ECR) à grande échelle de GraphoLearn administré à domicile chez 450 enfants RD (garçons et filles, âgés de 6,0 à 10,0). Pour atteindre cet objectif rapidement et à moindre coût, les expérimentateurs recruteront des participants inscrits au Healthy Brain Network [HBN], une étude en cours sur la santé mentale et les troubles d'apprentissage chez les enfants âgés de 5,0 à 21,0 ans, dont la famille s'inquiète du comportement et/ou de l'apprentissage (n cible = 10 000 ; n actuel = 3 000+). Le HBN comprend des caractérisations psychiatriques, cognitives, EEG et IRM multimodales complètes pour tous les participants, fournissant à l'étude proposée de riches données descriptives. Les troubles de la lecture seront identifiés à l'aide du TOWRE (score standard < 85). Les enfants seront affectés à un programme de 12 semaines/20 heures de GraphoLearn ou à une condition de contrôle "active", groupe apparié pour le QI et le niveau de lecture. Le contrôle consistera en un jeu mathématique, de style similaire à GraphoLearn, pour contrôler les effets non spécifiques de l'intervention, tels que le temps passé sur le programme, l'attention et d'autres facteurs. Les enfants randomisés dans le groupe témoin se verront proposer GraphoLearn après l'étude en raison de considérations éthiques. Conformément aux conditions du monde réel, les interventions non liées à l'étude au cours de la période d'étude seront autorisées. Ils seront documentés pour une description complète de l'échantillon et pour l'analyse des prédicteurs de réponse (Objectif 2).

Objectif 1 : Évaluer l'efficacité de GraphoLearn sur un large échantillon d'enfants atteints de RD. Le niveau de lecture des enfants sera évalué avant, pendant (semaine 6) et à la fin de l'étude active (semaine 12). Les effets prolongés seront évalués 12 semaines après le traitement (semaine 24). Les expérimentateurs émettent l'hypothèse de différences statistiquement significatives du niveau de lecture en faveur du groupe GraphoLearn par rapport au groupe témoin aux semaines 12 et 24. Si l'hypothèse est confirmée, elle aura d'importantes implications en matière de santé publique pour les enfants atteints de RD (il n'y a aucune prétention que le programme se substituera à une remédiation à la lecture individualisée et supervisée par des experts).

Aperçu de l'objectif 2. L'identification des facteurs au niveau du participant et au niveau de l'environnement qui prédisent la réponse au traitement est un objectif d'actualité important, mais n'a pas été pris en compte pour GraphoLearn. Pour les interventions spécialisées, une constatation constante est que les enfants plus âgés et les enfants souffrant de troubles du langage ou cognitifs sont moins susceptibles d'en bénéficier. Ici, les expérimentateurs tirent parti de la diversité des présentations cliniques comorbides parmi les mauvais lecteurs de HBN pour identifier les prédicteurs putatifs de la réponse au traitement. Conformément aux études récentes suggérant la valeur ajoutée des caractéristiques cérébrales pour la prédiction des résultats de l'intervention, les expérimentateurs tirent également parti de la disponibilité des données IRM anatomiques dans le développement de modèles prédictifs.

Objectif 2. Identifier les facteurs liés aux participants et au niveau de l'environnement qui sont significativement associés aux résultats de GraphoLearn. Les caractérisations phénotypiques et d'imagerie étendues incluses dans l'échantillon HBN sont particulièrement adaptées pour explorer un vaste ensemble de facteurs participants et environnementaux qui peuvent prédire les résultats du traitement. Des modèles de régression forestière aléatoire seront utilisés pour prédire les différences de réponse d'intervention à GraphoLearn, sur la base d'un ensemble a priori de variables démographiques, cognitives, émotionnelles, cérébrales et d'environnement domestique. En supposant que la conformité (c'est-à-dire le temps réel passé à jouer à GraphoLearn par rapport au temps prescrit) s'avère être un prédicteur puissant de la réponse, les analyses exploratoires examineront également les prédicteurs de la conformité pour augmenter encore la valeur réelle du travail proposé.