Nonword repetition to identify DLD in older school-age children
Bibliographic record
Abstract
Objectifs. La haute valeur diagnostique des tests de répétitions de non-mots (RNM) pour identifier le trouble développemental du langage (TDL) a été largement démontrée pour les enfants monolingues et bilingues d’âge préscolaire et scolaire. Cette étude étend l’analyse de la RNM à des enfants plus âgés. Méthodologie. Un test existant de RNM en langue française dont l’efficacité diagnostique a été démontrée pour l’âge de 5 ans a été complété par des items comprenant 6 à 8 syllabes, et ressemblant ou non à des mots. Ce test a été administré à 64 participants incluant des enfants de CE2, de 6 e et des adultes ainsi qu’un groupe d’enfants bilingues et un groupe d’enfants présentant un TDL. Résultats. Les enfants TDL ont obtenu des scores globalement plus faibles quelle que soit la longueur des items, ont commis davantage d’erreurs et ont été moins aidés par le fait que le non-mot ressemble à un mot. Les enfants bilingues présentant un développement typique ont obtenu des scores similaires à leurs pairs monolingues. Un effet d’âge n’a été trouvé qu’entre les adultes et les deux groupes d’enfants. Conclusions. Les enfants plus âgés ont besoin de tâches de RNM plus complexes. L’efficacité diagnostique de la RNM chez les enfants plus âgés peut être améliorée en utilisant des composants du score et non le score global.
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 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.003 | 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".