Quel rôle joue la connaissance des lettres dans l'acquisition de l'écriture en maternelle ?
Bibliographic record
Abstract
De nombreuses recherches longitudinales menées en anglais et en français ont montré que la connaissance du nom des lettres à l'école maternelle est l'un des prédicteurs de la réussite en lecture et en écriture. De plus, d'autres recherches ont également mis en évidence l'influence de cette connaissance dans le développement initial de la langue écrite. D'autres recherches ont montré que les enfants qui étaient de bons connaisseurs du nom des lettres sont ceux qui ont aussi mieux réussi à écrire. Ainsi, ces résultats vont dans le même sens que d'autres recherches en confirmant le rôle primordial de la connaissance du nom des lettres dans les associations oral-écrit, dans l'apprentissage implicite du son des lettres ainsi que dans le développement de la sensibilité phonémique. Cette contribution vise à préciser les liens entre le rôle joué par la connaissance du nom des lettres sur les performances orthographiques, à partir de résultats obtenus au cours d'une étude longitudinale menée auprès de 140 enfants francophones (âge moyen : 5 ans et 6 mois) fréquentant la maternelle au Québec. Ces enfants ont été soumis à deux tâches individuelles permettant de dégager la connaissance des lettres : reconnaissance de lettres et dénomination de lettres. Ils ont également été soumis à une tâche individuelle de production de mots sans modèle (écritures approchées).
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 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
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".