Orthographic Learning of Inconsistent Non-Words in Good and Poor Spellers: Linking Dictation and Eye-Tracking Measures
Notice bibliographique
Résumé
The French writing system contains numerous phoneme-to-grapheme inconsistencies that vary in their properties and distribution across words. These inconsistencies represent a major challenge for children learning to spell, especially for poor spellers or children with dyslexia-dysorthographia. To our knowledge, no study has examined how inconsistencies shape orthographic learning using both eye-movement data and dictation performance, in children with good and poor spelling skills. In this eye-tracking study, twenty French-speaking children aged 9 to 12 (good spellers: n = 10; poor spellers: n = 10) learned the spelling of six bisyllabic non-words containing an inconsistent syllable across three learning cycles while we recorded their eye movements. One week later, children completed delayed dictation and recognition tasks assessing long-term consolidation and retrieval. Both groups improved their spelling accuracy and exhibited shorter and fewer fixations across learning cycles, reflecting progressive orthographic learning. However, poor spellers fixated more often and longer on the inconsistent syllable and demonstrated weaker long-term retention, suggesting a less holistic encoding and difficulties consolidating orthographic representations over time. Future research should examine whether these learning patterns generalize to real words, classroom contexts, and to children with dyslexia-dysorthographia across broader learning conditions.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».