Familiarity Effect and recall abilities in written narratives of 6 to 11 year-old children
Notice bibliographique
Résumé
De nombreux linguistes et psychologues (Nelson, 1977 ; Kintsch et Van Dijk, 1978 ; Nelson 1978 ; Freebody et Anderson, 1983 ; Dehnière, 1984 ; Hudson et Nelson, 1983 ; Fayol, 1985) ont étudié le type textuel narratif et ont constaté un impact du degré de familiarité sur la qualité des restitutions : plus la situation référée est connue, meilleure est la capacité de compréhension/mémorisation/restitution. Cependant, lors de ces protocoles expérimentaux, c'est le thème de l'histoire qui est plus ou moins connu du sujet (i.e. "goûter d'anniversaire" vs "retirer de l'argent à la banque"). En ce qui nous concerne, nous avons cherché à voir ce qu'il en était si le contenu du récit était ou non déjà inscrit en mémoire à long terme. Pour cela, nous avons travaillé avec des enfants âgés de 6/7 ans (i.e. CP) à 10/11 ans (i.e. CM2) et un groupe référence d'adultes (i.e. étudiants de fin de 1ère année universitaire) et nous avons comparé des rappels écrits effectués sur la base du Petit Chaperon Rouge (i.e. histoire au contenu [+ connu]) et de Dan, le petit chasseur canadien (i.e. histoire au contenu [- connu]). L'analyse se préoccupe des niveaux macro- et microstructurel en ce sens qu'elle observe le niveau des composantes narratives jusqu'au niveau du mot en passant par l'examen des sous-composantes narratives et de la relation sémantique de cause/conséquence. Les résultats obtenus attestent les thèses déjà soutenues au sujet du degré de familiarité du thème : un contenu préalablement connu permet à l'enfant de libérer de l'espace cognitif en mémoire de travail, et ce, tant en phase de compréhension/mémorisation qu'en phase de restitution. En effet, cette thèse montre que le trait [+ connu] permet un allègement des opérations de haut niveau (i.e. activation et organisation des contenus par exemple) qui se traduit par un traitement significativement plus important des opérations de bas niveau (i.e. niveau grapho-moteur par exemple).
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».