Identifying Linguistic Markers of French-Speaking Teenagers With Developmental Language Disorder: Which Tasks Matter?
Notice bibliographique
Résumé
PURPOSE: This research aimed to identify reliable tasks discriminating French-speaking adolescents with developmental language disorder (DLD) from their peers with typical language (TL) and to assess which linguistic domains represent areas of particular weakness in DLD. Unlike English, morphosyntax has not been identified as a special area of weakness when compared with lexicosemantics in French preschoolers with DLD. Since there is evidence that subject-verb number agreement is consolidated in later childhood, one might expect morphosyntax to be a particular weakness and marker of French DLD only in (pre)adolescence. METHOD: = 12.2 years). Using robust statistics that are less affected by outliers, we selected the most discriminating subtasks between our groups, calculated their optimal cutoff score, and derived diagnostic accuracy statistics. We combined these subtasks in a multivariable model to identify which subtasks contributed the most to the identification of DLD. RESULTS: Seven subtasks were selected as discriminating between our groups, and three showed outstanding diagnostic accuracy: Recalling Sentences, a multiword task assessing lexicosemantic skills, and a subject-verb number agreement production task. When combined, we found that the latter contributed the most to our multivariable model. CONCLUSION: This study provides evidence that the most relevant markers to identify DLD in French teenagers are tasks assessing lexicosemantics and morphosyntactic domains, and that morphosyntax should be considered an important area of weakness in French-speaking teenagers with DLD. SUPPLEMENTAL MATERIAL: https://doi.org/10.23641/asha.21753932.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».