effet du nombre des graphèmes en Anglais - Aix Marseille Université

Modèles de la perception visuelle des mots 87jours par l'intermédiaire d'unités cachées, aux unités phonologiques, elles-mêmes divisées entrois sous-groupes onset-voyelle-coda. Ce réseau comprend ainsi 105 unités graphèmes, 100unités cachées et 61 unités phonèmes. Le modèle utilise pratiquement la même procédured'apprentissage que celle présentée pour le modèle de Seidenberg et McClelland (1989).Avec ce nouveau schéma de représentation, les capacités de généralisation du modèle sontaméliorées. Il reste néanmoins une ambiguïté du fait de l'hétérogénéité des représentationsutilisées. En effet, ce modèle ne dispose plus de représentations distribuées mais d'unitéssymboliques (des graphèmes ou des phonèmes). Aussi, quand on présente une séquence delettres au modèle, cette séquence doit être tout d'abord segmentée en graphèmes, lesquels activentensuite des unités cachées codant, de manière distribuée, les correspondances graphophonémiques.Il apparaît ainsi que ces auteurs ont fait paradoxalement le choix - arbitraire ? -d'unités symboliques dans un modèle qui se voulait initialement sous-symbolique et distribué.4.7. Zorzi et al., 1998Dans un article récent, Zorzi et al. (1998) explorent sous un autre angle le double problèmede consistance/généralisation ainsi que la question associée d'un traitement orthophonologiqueà une ou deux voies. Dans une première étude, les auteurs utilisent simplementun modèle composé de deux niveaux de représentations (orthographique et phonologique)reliés entre eux par un réseau de connexions. La tâche de ce modèle est simplement d'associer,au cours d'une phase d'apprentissage (utilisant la règle delta), les deux niveaux de représentation.L'unité de base, au niveau orthographique, est la lettre, et le phonème au niveauphonologique. A noter toutefois un point important : lettres et phonèmes sont positionnéssuivant une distinction en onset et rime. Après apprentissage, ces auteurs montrent que lesystème réussit à extraire, presque parfaitement, les correspondances les plus régulières entrelettres et phonèmes.Dans une seconde simulation, Zorzi et al. couplent, en parallèle, le premier modèle à unréseau d'unités cachées. La partie "unités cachées" du modèle est entraînée avec un algorithmede rétro-propagation et la partie initiale du modèle garde la même procédure d'entraînement.Cette seconde version approche les performances humaines notamment sur le plan de la prononciationdes non-mots (d'après les données de Glushko, 1979). Ces auteurs soulignentainsi que le réseau initial à deux niveaux semble avoir appris les relations régulières entre