Analyse multimodale des interactions thérapeutiques enfant-cheval par modèles vision-langage, dans un programme australien d’apprentissage assisté par les équidés pour le bien-être socio-émotionnel : étude de développement et d’évaluation
Multimodal Analysis of Child-Horse Therapeutic Interactions Using Vision-Language Models in an Australian Aboriginal Equine-Assisted Learning Program for Social and Emotional Well-Being: Development and Evaluation Study.
Dema KD, Coffin J, Vaz S, Wang G, Olsson C
Journal of medical Internet research
Résumé de l'article
Le lien entre l’humain et le cheval a toujours joué un rôle dans le développement humain et a plus récemment été appliqué à la promotion de la santé mentale via les programmes d’apprentissage assisté par les équidés (EAL). En EAL, l’évaluation et la documentation clinique reposent souvent sur les observations du praticien, enregistrées par des listes de contrôle comportementales, des entretiens structurés et des notes de progrès. Ces méthodes sont exigeantes en temps, subjectives et manquent de standardisation, ce qui pose des défis importants. Pour répondre à ces problématiques, cette étude a développé un cadre de santé numérique basé sur l’intelligence artificielle (IA) et les modèles vision-langage (VLM), capable d’analyser les interactions thérapeutiques enfant-cheval. Le cadre a été conçu en collaboration avec le programme EAL Yawardani Jan-ga, qui soutient le bien-être social et émotionnel des jeunes autochtones de la région de Kimberley en Australie-Occidentale. Le système intègre trois modules principaux : une classification d’activité utilisant un VLM pour identifier 9 activités thérapeutiques, une analyse proxémique qui classe le contact physique entre l’enfant et le cheval, et une analyse de la posture corporelle de l’enfant pour évaluer les états liés à la confiance avec un raisonnement interprétable. Le cadre a été évalué à l’aide d’images réelles issues de sessions thérapeutiques. Les résultats montrent une précision de 90,6 % pour la classification d’activité, 88,6 % pour l’analyse proxémique, et une cohérence moyenne de 0,916 pour l’analyse de la posture. Ces découvertes suggèrent que les approches basées sur l’IA et les VLM peuvent compléter la documentation et l’évaluation des praticiens en EAL, réduisant ainsi la charge de travail et améliorant la robustesse de l’évaluation des programmes de promotion du bien-être des enfants.
Résumé généré par IA à partir de l'étude source.
Analyse clinique réservée aux membres
Résumé clinique, implications pour la pratique, limites de l'étude et schéma méthodologique.