Difficultés d'écriture et de lecture des mots-outils pour des sourds
Bibliographic record
Abstract
Résumé : Dans cet article, nous montrons que les mots-outils jouent un rôle important dans les difficultés des sourds à l’écrit. Dans un premier temps, en nous basant sur différents corpus recueillis depuis une dizaine d’années, nous faisons une synthèse des observations liées aux erreurs de production des mots-outils par les sourds. Dans un deuxième temps, nous montrons que les mots-outils posent aussi des problèmes au niveau de la compréhension. Nous nous basons ici sur les résultats de tests de lecture recueillis à l’aide d’une technique d’autoprésentation par segments, qui fournit deux indices de compréhension : le temps de lecture et le nombre d’erreurs. Le nombre important d’erreurs sur les mots-outils pourrait s’expliquer par la distance entre la LSQ et le français, rendant difficile le transfert positif. Nous montrons que les erreurs produites par des adultes sourds en compréhension présentent des similarités avec celles des enfants entendants dont le français est la langue première. Nous proposerons d’expliquer ces similarités par l’existence de stades d’acquisition différenciés pour les mots pleins et pour les mots-outils. Nous conclurons en montrant qu’un modèle d’éducation bilingue est susceptible d’apporter une amélioration dans l’apprentissage des mots-outils par les enfants sourds.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.021 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.014 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".