effet du nombre des graphèmes en Anglais - Aix Marseille Université

160Des prédictions au niveau des motstemps de réponse du sujet X pour le mot Y. On introduit donc ici une grande source de bruit.Une solution à ce problème est de faire répéter l'expérience une vingtaine de fois, par exemple,pour chaque sujet. Dans de telles conditions, on obtient une moyenne des performances dusujet X sur le même mot Y. Cette mesure fournit un meilleur indice pour résumer la distributionthéorique des temps d'identification du sujet X pour le mot Y et permet de réduire encorel'erreur produite. Cependant, cette solution risque de générer un autre problème. En effet, enrépétant le traitement d'un mot, on change aussi, d'une certaine manière, son statut lexical : unmot peu fréquent n'aurait plus tout à fait le statut de mot peu fréquent après avoir été traitéplusieurs fois par le système de lecture. Le risque est donc que la répétition interagisse avec lestatut lexical des mots.Une autre solution au problème du bruit est de ne plus placer notre analyse strictement auniveau des mots mais au niveau de petits groupes de mots. En effet, l'objectif de ce type d'étudesest de parvenir à ordonner une série de mots en fonction de leur latences d'identification.Finalement, c'est bien cet ordre des performances que doivent reproduire et simuler les modèles.Or, la présence de bruit, inévitable, ne permet pas de considérer les mesures obtenuescomme reflétant de manière fiable l'ordre théorique des performances pour ces mots. Ceci estillustré à la Figure 8.15. L'ordre des mots sur une échelle temporelle est défini par les tempsd'identification moyens obtenus pour chaque mot. Cet ordre est variable d'une expérience àl'autre lorsque le nombre de sujets utilisés est peu élevé (cf. les coefficients de corrélationsentre les études de Wayne State, McGill et Washington). Pour un grand nombre de sujets enrevanche, les variations de l'ordre des performances, d'une étude à l'autre, sont réduites. Il restenéanmoins que, en dépit de ces variations de l'ordre des performances, certains groupes demots seront toujours traités plus rapidement que d'autres. Aussi, en divisant en petits groupesl'ordre des performances au niveau des mots, et en calculant une moyenne commune pour cesgroupes, les corrélations inter-études doivent être meilleures et, donc, les données proposéespour tester les performances des modèles de ce fait plus robustes.