L’utilisation d’une mesure de la mémoire phonologique auprès d’une population d’enfants linguistiquement hétérogène
Bibliographic record
Abstract
Résumé: Cette étude avait comme objectif de mettre à l’essai une tâche de répétition de non-mots destinée à une population francophone auprès d’une population dont la langue d’origine n’est pas le français. Un groupe de locuteurs de langues d’origine (n = 27) a été apparié à un groupe de locuteurs natifs du français (n = 27) possédant des connaissances lexicales réceptives comparables. Nous avons comparé les résultats des deux groupes à une tâche de répétition de non-mots. Les résultats des analyses de variance indiquent que les participants de langues d’origine ont obtenu des résultats équivalents à ceux des locuteurs natifs, et ce malgré le fait que leur langue d’origine ne soit pas celle à partir de laquelle les non-mots ont été construits. Cette étude met en lumière la possibilité d’utilisation d’une tâche de répétition de non-mots auprès d’une population linguistiquement hétérogène, tout en fournissant des pistes de réflexion relativement à l’unité de mesure qui devrait être privilégiée, soit la mesure de syllabes réussies, afin de tenter de limiter le plus possible l’influence de différents facteurs pouvant intervenir lors de la réalisation de la tâche.
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 | 0.002 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.006 | 0.000 |
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".