Một cây bút không chỉ ghi trẻ viết gì: THInkPen đo cả cách bàn tay đang vật lộn với nét chữ

Một trang vở chỉ cho giáo viên thấy kết quả cuối cùng: chữ có đúng không, đủ nhanh không, nét có dễ đọc không. Nó không cho biết đứa trẻ đã dừng bút bao lâu giữa hai nét, lực ấn thay đổi thất thường ra sao hay bàn tay rung và đổi hướng nhiều đến mức nào để tạo ra cùng một chữ.

THInkPen, một cây bút cảm biến do các nhà nghiên cứu tại Politecnico di Milano và cộng sự phát triển, được thiết kế để ghi phần “vô hình” đó. Bên ngoài, trẻ vẫn viết bằng mực trên giấy như bình thường. Bên trong, bút đo chuyển động ba chiều, lực tác dụng lên đầu bút và hướng cầm, rồi biến một phút viết tay thành hàng trăm chỉ số mô tả quá trình vận động.

Trong nghiên cứu công bố trên PLOS Digital Health tháng 7/2026, nhóm thử hệ thống với 707 học sinh từ lớp 1 tiểu học đến lớp 3 trung học cơ sở tại Italy. Các chỉ số từ bút có tương quan với điểm đánh giá viết tay chuẩn, phản ánh những thay đổi theo tuổi và có thể được dùng để huấn luyện mô hình phân loại học sinh có nguy cơ gặp khó khăn khi viết.

Điều cần giữ đúng mức là chữ “phát hiện sớm”. Nghiên cứu cho thấy THInkPen có tiềm năng hỗ trợ sàng lọc sớm trong trường học; nó không trực tiếp so sánh với giáo viên để chứng minh rằng bút luôn nhận ra vấn đề trước giáo viên. Hệ thống cũng không tự chẩn đoán dysgraphia.

Điều trang giấy không ghi lại

Đánh giá viết tay truyền thống thường dựa vào sản phẩm cuối: số ký tự viết đúng trong một khoảng thời gian, hình dạng chữ, khoảng cách và mức dễ đọc. Những tiêu chí này quan trọng, nhưng hai trẻ có thể tạo ra dòng chữ khá giống nhau trong khi quá trình vận động phía sau rất khác.

Một trẻ có thể viết nhanh và liền mạch. Trẻ khác đạt kết quả gần tương đương nhưng phải nhấc bút liên tục, dừng lâu để chuẩn bị nét tiếp theo hoặc thay đổi lực ấn nhiều lần. Các khác biệt đó liên quan tới mức tự động hóa của kỹ năng viết — tức bàn tay có thực hiện chuỗi vận động trơn tru hay vẫn cần nhiều điều khiển có ý thức.

THInkPen được phát triển để đo chính quá trình này mà không buộc trẻ chuyển sang tablet hay bảng số hóa. Vỏ bút in 3D chứa ruột mực thông thường cùng một bộ đo quán tính 9 bậc tự do gồm accelerometer, gyroscope và magnetometer ba trục. Một cảm biến áp điện ở đầu bút ghi lực ấn xuống giấy.

Tổng cộng hệ thống lưu 11 tín hiệu: gia tốc ba trục, vận tốc góc ba trục, từ trường ba trục, lực và mốc thời gian. Tần số lấy mẫu là 50 Hz. Dữ liệu có thể được chuyển qua Bluetooth Low Energy tới tablet để lưu và xử lý.

707 học sinh, mỗi bài chỉ kéo dài một phút

Nhóm tuyển 707 học sinh trong hai năm học 2022–2023 và 2023–2024 tại các trường ở Varese và Novara. Trẻ trải dài từ lớp 1 đến lớp 8 theo cách đánh số của nghiên cứu, tương ứng toàn bộ năm năm tiểu học và ba năm trung học cơ sở của Italy.

Mỗi học sinh thực hiện hai dạng bài từ bộ BVSCO-3, một công cụ đánh giá lâm sàng viết và chính tả được dùng tại Italy. Trong một bài, trẻ lặp lại từ “UNO” trong một phút. Ở bài còn lại, các em viết chuỗi số bằng chữ — “UNO, DUE, TRE…” — cũng trong một phút. Tùy lớp và thời điểm, nhiệm vụ được thực hiện bằng chữ in hoặc chữ thảo.

Điểm BVSCO-3 truyền thống vẫn được chấm thủ công bởi người được đào tạo, dựa trên số grapheme viết đúng. Đây là nhãn tham chiếu để nhóm kiểm tra xem các tín hiệu từ bút có thực sự phản ánh năng lực viết hay không.

Từ dữ liệu cảm biến, nhóm trích xuất 178 chỉ số. Chúng bao phủ nhiều khía cạnh: thời gian bút nằm trên giấy và ở trên không, số nét mỗi giây, độ biến thiên của lực, độ mượt của chuyển động, góc nghiêng, dao động nhỏ của bàn tay và thành phần tần số của tín hiệu vận động.

Trẻ viết tốt không nhất thiết di chuyển bút nhanh hơn

Một kết quả đáng chú ý nằm ở thời gian giữa các nét. Những học sinh viết thành thạo hơn có xu hướng đạt tốc độ tổng thể cao không phải chủ yếu vì đầu bút lao nhanh hơn trên giấy, mà vì chúng giảm thời gian ở trạng thái “in-air” — khoảng dừng khi bút được nhấc khỏi mặt giấy trước nét tiếp theo.

Ở chữ thảo, sự khác biệt còn dễ thấy hơn. Người viết thành thạo có thể nối cả từ thành một chuyển động dài, trong khi người mới học thường nhấc bút giữa các chữ cái. Vì vậy cùng một từ, số lần nhấc bút và khoảng dừng có thể tiết lộ mức tự động hóa mà chỉ nhìn vào hình dạng cuối cùng khó nhận thấy.

Lực viết cũng mang thông tin. Hiệu suất tốt hơn liên quan tới việc thay đổi lực ổn định hơn giữa các đỉnh lực liên tiếp. Độ mượt của chuyển động cũng tăng theo năng lực viết ở nhiều nhiệm vụ. Ngược lại, góc nghiêng của bút không cho thấy mối liên hệ đáng kể với tốc độ viết trong mẫu nghiên cứu này.

Khi so sánh giữa các lớp, nhiều chỉ số đạt trạng thái tương đối ổn định vào khoảng lớp 3 tiểu học. Nhóm tác giả lưu ý đây không phải lúc kỹ năng ngừng phát triển; nó phản ánh thời điểm nhiều thành phần của động tác viết bắt đầu trở nên tự động hơn, trong khi một số khía cạnh vẫn tiếp tục cải thiện ở các lớp sau.

AI nhìn vào chuyển động, không đọc xem trẻ viết chữ gì

Sau phần phân tích thống kê, nhóm dùng các chỉ số cảm biến để xây dựng mô hình phân loại. Học sinh được gắn nhãn “có nguy cơ” nếu điểm chuẩn hóa BVSCO-3 của nhiệm vụ ở mức Z ≤ -1,5; những em còn lại thuộc nhóm không nguy cơ.

Nhóm thử Random Forest, AdaBoost và TabPFN — một foundation model dành cho dữ liệu dạng bảng. Kết quả tốt nhất xuất hiện ở hai nhiệm vụ chữ thảo, nơi hai nhóm cân bằng hơn sau khi loại học sinh lớp 1 vì nhiều em chưa thành thạo kiểu chữ này.

Với bài lặp “UNO” bằng chữ thảo, TabPFN đạt accuracy trung bình 0,82, recall 0,77, precision 0,84 và F1 0,80. Ở bài viết chuỗi số bằng chữ thảo, accuracy đạt 0,84, recall 0,81, precision 0,86 và F1 0,83. Các phép đánh giá được thực hiện qua nhiều lần chia dữ liệu, thay vì báo cáo kết quả trên chính tập huấn luyện.

Những con số này không có nghĩa bút “chẩn đoán đúng 84% dysgraphia”. Nhãn mục tiêu là nguy cơ khó khăn viết tay theo ngưỡng BVSCO-3, không phải chẩn đoán lâm sàng. Paper cũng nêu rằng ngưỡng nghiêm ngặt hơn, Z = -2, mới liên quan đến chẩn đoán dysgraphia và việc chẩn đoán nằm ngoài phạm vi nghiên cứu.

Mô hình còn chỉ ra kiểu khó khăn nào khiến trẻ bị xếp vào nhóm nguy cơ

Nhóm sử dụng SHAP để xem đặc trưng nào ảnh hưởng nhiều tới quyết định của các mô hình chữ thảo. Tám trong mười chỉ số quan trọng nhất xuất hiện ở cả hai nhiệm vụ, gồm số nét, thời gian trung bình bút ở trên không, mức biến thiên lực, tần suất thay đổi vận tốc góc và các đặc trưng liên quan tới dao động nhỏ của bàn tay.

Điều này làm cho đầu ra hữu ích hơn một nhãn “có/không”. Về nguyên tắc, giáo viên hoặc chuyên gia có thể biết một trẻ đang khác chuẩn chủ yếu ở nhịp viết, kiểm soát lực hay độ mượt của vận động, từ đó quyết định liệu có cần đánh giá chuyên sâu hơn.

Tuy nhiên, SHAP chỉ giải thích mô hình đã dựa vào đặc trưng nào để phân loại; nó không chứng minh nguyên nhân y khoa của khó khăn. Một khoảng dừng dài giữa các nét có thể phản ánh nhiều yếu tố, từ mức thành thạo chữ thảo tới chiến lược viết cá nhân.

“Sớm hơn giáo viên” vẫn là giả thuyết, chưa phải kết quả của paper

Thông cáo từ Politecnico di Milano đặt THInkPen trong bối cảnh sàng lọc tại trường học, nơi một công cụ định lượng có thể giúp nhận ra trường hợp cần chuyển tiếp tới dịch vụ thần kinh–tâm thần trẻ em. Lợi thế thực tế là trẻ dùng một cây bút trên giấy bình thường, nên việc đo không thay đổi nhiều hành vi viết hàng ngày.

Nhưng nghiên cứu không tổ chức một thử nghiệm trong đó giáo viên và THInkPen cùng quan sát trẻ rồi đo xem bên nào phát hiện vấn đề trước hoặc chính xác hơn. Vì vậy, nói cây bút có thể nhìn thấy những dấu hiệu khó quan sát bằng mắt thường là phù hợp; nói nó đã được chứng minh phát hiện trước giáo viên thì chưa.

Mẫu nghiên cứu cũng chỉ gồm học sinh tại một số trường ở Italy, sử dụng nhiệm vụ và chuẩn BVSCO-3 của tiếng Italy. Các mô hình cần được kiểm tra trên nhóm trẻ độc lập, ở nhiều vùng địa lý và hệ chữ khác trước khi có thể coi là công cụ sàng lọc phổ quát.

Dataset còn mất cân bằng ở các bài chữ in: nhóm nguy cơ chỉ chiếm khoảng 8,1% trong bài UNO và 12,3% trong bài NUM, khiến F1 thấp hơn so với chữ thảo. Chính các tác giả yêu cầu thận trọng khi diễn giải hiệu năng và đề xuất những nghiên cứu lớn, cân bằng hơn, đặc biệt với trẻ đã được chẩn đoán dysgraphia.

Cây bút có thể trở thành một cảm biến vận động ở ngay trong lớp học

Ý tưởng đáng chú ý của THInkPen không phải biến giáo viên thành người thừa. Nó bổ sung một lớp dữ liệu mà quan sát thông thường gần như không thể ghi liên tục: hàng chục lần thay đổi lực, gia tốc và thời gian dừng trong từng phút viết.

Nếu các mô hình được xác thực rộng hơn, cùng một bài kiểm tra ngắn có thể vừa tạo ra trang viết để giáo viên hoặc chuyên gia xem, vừa tạo ra hồ sơ vận động để máy tính so sánh với xu hướng phát triển theo tuổi. Những trường hợp lệch rõ có thể được ưu tiên đánh giá kỹ hơn thay vì chờ tới khi khó khăn đã thể hiện thành điểm số kém kéo dài.

Bước tiếp theo vì vậy không chỉ là làm AI chính xác thêm vài phần trăm. THInkPen cần chứng minh hiệu quả trong sàng lọc triển khai thực tế: liệu nó có giúp phát hiện đúng nhiều trẻ cần hỗ trợ hơn, giảm chuyển tuyến không cần thiết và hoạt động ổn định giữa các trường, ngôn ngữ và phong cách viết khác nhau hay không.

Nguồn: PLOS Digital Health — Quantitative analysis of handwriting kinematics in primary and lower secondary school children through a sensorized ink pen; Politecnico di Milano — THInk Pen: a “smart” pen for the early screening of dysgraphia; Politecnico di Milano / EurekAlert.