Le traitement morphologique dans l’écriture des mots chez les élèves de 6 e année du primaire
Bibliographic record
Abstract
Résumé Cet article présente les résultats d’une étude analysant l’écriture de mots morphologiques chez des élèves francophones en fin de primaire. L’effet de trois variables sur l’écriture de mots fut vérifié : le type de mots, leur fréquence et le niveau d’habileté orthographique des élèves. Au total, 242 élèves de 6 e année ont été soumis à une version adaptée d’une épreuve de BELEC (Mousty et al. , 1994) comprenant trois types de mots : 1. des mots morphologiques dont le morphogramme peut être dérivé par la mise en application de ces mots au féminin, 2. des mots morphologiques dont le morphogramme peut être déduit grâce à un mot de la même famille sémantique et 3. des mots lexicaux dont la consonne finale n’est pas dérivable et qui doit être mémorisée. Dans l’épreuve, la moitié des mots est de haute fréquence (mots fréquents), et l’autre moitié, de basse fréquence (mots rares). Pour vérifier l’effet du niveau d’habileté des élèves, trois groupes furent constitués en fonction de leur score à une épreuve standardisée de décision lexicale (Khomsi et al. , 2006). Les résultats des analyses révèlent que le type du mot et le niveau d’habileté en orthographe ont un effet significatif sur les scores des élèves dans l’écriture des mots. Les mots morphologiques possédant un dérivé féminin ont été mieux orthographiés que les autres types de mot. L’écart de réussite entre les mots lexicaux fréquents et rares a été plus élevé que celui entre les mots morphologiques fréquents et rares. Par ailleurs, ce sont les élèves avancés en orthographe qui ont obtenu les meilleures performances, quel que soit le type de mot. Enfin, les élèves ont fait plus d’erreurs d’omission de la consonne finale pour les mots lexicaux et plus d’erreurs de substitution de la consonne finale des mots morphologiques.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.009 | 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".