effet du nombre des graphèmes en Anglais - Aix Marseille Université

Des prédictions au niveau des mots 163avec les données. De plus, nous n'avons pas réalisé pour cette simulation d'adaptation propresà la tâche de LIP mais nous avons réalisé des simulations simples n'intégrant pas lescontraintes potentielles de la tâche. Il n'est donc pas surprenant d'obtenir encore un score aussifaible.La Figure 8.18 illustre finalement la performance du modèle lorsque l'on calcule lesmoyennes des latences prédites par le modèle pour chaque sous-groupe défini suivant l'ordrede nos données empiriques. On constate ainsi une grande différence entre les courbes préditeset les courbes empiriques (Figure 8.17). Même au niveau de groupes de mots, le FUMsemble encore assez loin des courbes empiriques obtenues dans notre expérience, ces courbesfournissent néanmoins une contrainte empirique sur laquelle les modèles peuvent s'appuyerpour tester la validité des performances qu'ils prédisent.Numéro duSous-Groupede mots2422191613107410 0,5 1Temps(normalisé)Figure 8.18. : Courbes représentant les moyennes des temps de réponse (en abscisse, les mesures temporellesen cycles ont été ici directement normalisées) de chaque sous-groupe, avec le numéro du sous-groupe (en ordonnée).En résumé, nous avons montré dans ce chapitre que l'évaluation des modèles au niveau desitems passe avant tout par l'évaluation des données empiriques. En ce sens, envisager uneévaluation aussi contraignante des modèles computationnels suppose que les tests proposéssoient fiables et robustes. Les études présentées jusqu'à maintenant ne répondent pas à cedouble critère de fiabilité/robustesse, car elles se basent sur un nombre trop réduit de mesures(sujets) par mot. L'étude que nous avons présentée améliore la qualité des données qui vontservir de support à l'évaluation des modèles. Toutefois, une part d'erreur demeure dans cesdonnées. C’est pourquoi, pour pallier ce problème, nous proposons de ne plus placer l'éva-