effet du nombre des graphèmes en Anglais - Aix Marseille Université

82Modèles de la perception visuelle des motscorrespondant aux triplets de lettres le composant. Ces unités envoient ensuite leur activationau niveau des unités cachées, lesquelles excitent à leur tour les unités phonologiques. Le modèles'appuie finalement sur une procédure d'apprentissage utilisant un algorithme de rétropropagationdu gradient de l'erreur ("Back-propagation", Rumelhart, Hinton, & Williams,1986). Cet algorithme compare l'activation obtenue au niveau des unités phonologiques àl'activation souhaitée et calcule une mesure de l'erreur produite. Cette erreur est ensuite utiliséepour ajuster le poids des connexions provenant des unités cachées, puis des unités orthographiques.Cette procédure a pour effet de réduire l'erreur produite à chaque essai.Après un certain nombre d'époques, le modèle est censé avoir appris les relations orthophonologiquesprésentes dans le lexique qui lui a été présenté et il est possible de passer à laseconde phase de test. On présente alors une entrée orthographique au modèle. L'activationpasse ensuite jusqu'aux unités cachées et, enfin, aux unités phonologiques. On mesure alors,une fois encore, un score d'erreur. Ce score indique le niveau de performance du modèle pourun mot donné. Seidenberg et McClelland présentent dans la suite de leur article une série desimulations montrant que leur modèle à voie unique est capable de simuler notamment leseffets de régularité/consistance ainsi que les interactions entre fréquence et régularité (Seidenberget al., 1984 ; Taraban & McClelland, 1987).Malgré sa capacité à simuler un grand nombre de données expérimentales et plus particulièrementà rendre compte du problème de l'inconsistance grapho-phonémique, ce modèle atrès vite été critiqué sur la question de la généralisation de son apprentissage et, donc, de laprononciation de non-mots. Besner, Twilley, McCann, et Seergobin (1990) ainsi que Coltheartet al. (1993) soulignent la faiblesse du modèle à cet égard. Ces auteurs utilisent unesérie de non-mots issue de l'étude de Glushko (1979) et montrent, par exemple, que le modèleproduit seulement 69% de prononciations correctes contre 91% dans les conditions les plusdifficiles pour les sujets humains. Seidenberg et McClelland (1990) répondent à cette critiqueen indiquant que leur modèle est limité dans ses capacités de généralisation à cause del'échantillon lexical utilisé. Ce lexique réduit ne permettrait pas, selon eux, d'atteindre un niveausatisfaisant pour généraliser correctement l'ensemble des relations ortho-phonologiques.Il reste néanmoins que ce modèle semble bien limité, non pas de par sa faible expérience, maisbel et bien à cause de ses choix computationnels et surtout représentationnels. Une autre critiqueporte sur la manière dont le modèle simule des latences de prononciation. Seidenberg et