Modele mots fleches

Dans le BR, l`accent est mis sur la prise de décision optimale. Cela signifie que le modèle représente naturellement les différences entre les tâches telles que la décision lexicale, l`identification perceptuelle et l`amorçage masqué. Différentes tâches exigent des décisions différentes; par conséquent, le processus de décision optimal doit nécessairement être différent. En outre, un modèle bayésien doit nécessairement tenir compte de la probabilité antérieure, ce qui donne une explication naturelle de l`effet de fréquence de mot. Comme déjà noté, la façon dont un mot est traité dépend de sa relation avec d`autres mots dans le lexique. La façon dont les mots s`influencent les uns les autres est généralement perçue comme un processus de compétition lexicale. Dans le modèle, les lettres sont représentées en tant que vecteurs décrivant les coordonnées dans un espace multidimensionnel. Les dimensions peuvent être considérées comme correspondant à des fonctions de lettre, bien qu`elles encodent également des informations positionnelles. À chaque étape de temps, le modèle accumule un échantillon bruyant de l`entrée qui est créée en ajoutant du bruit au vecteur d`entrée. Comme plus d`échantillons sont accumulés, l`estimation du modèle de la valeur réelle de l`entrée devient plus précise et donc l`identité et la position des lettres est connue avec une plus grande certitude. Pour chaque mot dans le lexique, le modèle calcule la probabilité d`observer l`entrée, étant donné que le mot aurait généré cette entrée P (Evidence | Word). Le modèle connaît également la fréquence de chaque mot P (Word). À partir de là, il peut utiliser le théorème de Bayes (figure 1) pour calculer la probabilité de chaque mot étant donné l`entrée P (mot | Evidence).

Un mot peut être identifié lorsque cette probabilité dépasse un seuil prédéterminé. Dans un modèle de connexionnistes, tous les mots auront un certain degré d`activation. Dans le BR, l`activation devient quelque chose de beaucoup plus spécifique: la probabilité. Pour se concentrer sur les principes fondamentaux, le modèle incorpore de nombreuses hypothèses simplificatrices sur la nature de l`information visuelle disponible. Par exemple, toutes les lettres d`un mot sont supposées être tout aussi perceptibles. Jusqu`à une date relativement récente, la recette standard pour une étude de la lecture serait de sélectionner soigneusement de petits sous-ensembles de mots qui variaient sur une ou deux mesures d`intérêt, puis de les comparer en utilisant soit une tâche de décision lexicale ou une tâche de nommage accéléré. Cependant, nous avons maintenant accès à plusieurs bases de données à grande échelle, ou mégastudies, contenant des informations de décision lexicale pour entre dix et 40 000 mots.

Comments are closed.