L'intelligence artificielle : un moyen de dépistage des troubles du langage chez les enfants arabophones.

Abstract

Le trouble développemental du langage (TDL) constitue un enjeu de santé publique, qui affecte significativement l’acquisition du langage et compromet le développement social, scolaire et émotionnel de l’enfant. Ces difficultés rendent le dépistage précoce complexe surtout dans les langues sous-étudiées et sous-dotées d’outils diagnostiques, notamment l’arabe. L’objectif de notre étude est d’identifier les marqueurs linguistiques du TDL en arabe tunisien et de développer un algorithme basé sur l’intelligence artificielle (IA) pour diagnostiquer ce trouble. Notre méthodologie comporte une évaluation clinique des capacités cognitives et langagières à l’aide de quatre tâches : cognitive, phonologique, lexicale et morphologique. Ensuite, des enregistrements audios sont réalisés en clinique et à domicile. Les données recueillies seront analysées et utilisées pour entraîner des algorithmes d’apprentissage automatique et d’apprentissage profond. Les résultats suggèrent que certaines erreurs linguistiques, notamment lexicales, morphosyntaxiques et phonologiques, sont des indicateurs fiables du TDL. De plus, nous avons obtenu une performance favorable avec un modèle d’IA multimodal combinant à la fois des données acoustiques et linguistiques. Ce modèle montre une bonne robustesse et une fiabilité satisfaisante à classifier les enfants avec et sans TDL. Notre étude montre que l’IA semble être un outil de diagnostic prometteur favorisant une évaluation accessible et adaptée aux particularités linguistiques de la population arabophone. Developmental language disorder (DLD) is a public health issue that significantly affects language acquisition and compromises children's social, academic, and emotional development. These challenges make early detection complex, especially in understudied languages lacking diagnostic tools, particularly Arabic. The objective of our study is to identify the linguistic markers of DLD in Tunisian Arabic and to develop an artificial intelligence (AI) based algorithm to diagnose this disorder. Our methodology involves a clinical assessment of cognitive and language abilities using four cognitive, phonological, lexical, and morphological tasks. Audio recordings are then made in the clinic and at home. The collected data will be analyzed and used to train machine learning and deep learning algorithms. The results suggest that certain linguistic errors, particularly lexical, morphosyntactic, and phonological, are reliable indicators of DLD. Furthermore, we achieved favorable performance with a multimodal AI model combining both acoustic and linguistic data. This model demonstrates good robustness and satisfactory reliability in classifying children with and without DLD. Our study shows that AI appears to be a promising diagnostic tool, facilitating accessible assessment adapted to the linguistic specificities of the Arabic-speaking population.