effet du nombre des graphèmes en Anglais - Aix Marseille Université

162Des prédictions au niveau des motsNouvel ordre des performancesm1 m2 ......... mi mi+1Figure 8.16. : Segmentation de l'ordre des performances au niveau des mots en sous-groupes de n=3 items.Une moyenne est calculée pour chacun de ces sous-groupes constituant un nouvel ordre des performancesmoins bruité.Numéro duSous-Groupede mots242219161310741Numéro duSous-Groupede mots2154 2254 23540 0,5 1Temps(normalisé)Figure 8.17. : Courbes représentant les moyennes des temps de réponse (en abscisse) de chaque sous-groupe,avec le numéro du sous-groupe (en ordonnée). Le graphe de gauche donne les valeurs de moyennes en millisecondeset le graphe de droite une valeur du temps normalisé suivant les valeurs temporelles maximales etminimales.242219161310741Pour illustrer notre proposition, prenons l'exemple du FUM. Ce modèle est l'un des raresmodèles capable de donner des prédictions quantitatives dans la tâche de LIP. La plupart desautres modèles computationnels du traitement des mots écrits ont été réalisés pour rendrecompte des données obtenues dans la tâche de prononciation. Nous avons donc réalisé dessimulations avec le FUM sur les 120 mots de notre expérience et avec les paramètres définisau chapitre 7. Pour chaque mot, nous enregistrons le cycle de traitement pour lequel les courbesd'activation des mots dépassent un certain seuil d'identification fixé à 0.67. Nous corrélonsensuite les données empiriques par mot aux données simulées. Nous obtenons un coefficientde coefficient de corrélation de 0.10.Ce résultat n'est évidemment pas très satisfaisant. Toutefois, comme nous l'avons signaléau chapitre 7, ce modèle présente encore, au niveau du traitement des mots individuels, quelquesproblèmes mineurs. Ces problèmes se situent au niveau de mots particuliers et se répercutentinévitablement sur les performances du modèle, et donc sur le coefficient de corrélation