Pour répondre à la question 1 de la recherche, qui a estimé combien de la variance des compétences de rédaction de lettres était due aux différences entre les élèves et les lettres, un LR-LLTM inconditionnel (ci-après dénommé le modèle 1) a été utilisé. Sans l`inclusion de tous les prédicteurs, le LR – LLTM inconditionnel estime les cotes moyennes des bûches de tout étudiant écrivant correctement une lettre (c.-à-d. les effets fixes) ainsi que le montant de la variance dans les compétences de rédaction de lettres en raison de différences entre les étudiants et différences entre les lettres (c.-à-d. les effets aléatoires). Pour faciliter une interprétation conviviale des coefficients de moyenne, les cotes logarithmique ont été converties en une probabilité estimée pour tout coefficient statistiquement significatif. Le modèle 2 comprenait une covariable étudiante à code factice de savoir si l`étudiant connaissait correctement le nom de la lettre. De même, les modèles 3 à 5 évaluaient la mesure dans laquelle les prédicteurs des élèves et des lettres expliquaient les différences individuelles à chaque niveau respectif. Modèle 3 étendu modèle 2 avec l`inclusion d`une covariable codée factice de savoir si l`étudiant connaissait correctement le son de la lettre ainsi que l`interaction entre la lettre-nom et la connaissance de la lettre-son, et le modèle 4 a ajouté une variable centrée grand-moyenne pour PA. Enfin, le modèle 5 a ajouté les prédicteurs suivants de la variance des lettres: (a) un code factice indiquant si la lettre était la première lettre du nom de l`étudiant, (b) un code factice indiquant si la lettre était postérieure au nom de l`élève, (c) une mesure de la fréquence textuelle, (d) un code factice pour indiquer l`ordre des lettres, (e) les variables codées factices pour indiquer le type de lettre (CV, VC, NSL, ou voyelle), (f) un code factice pour indiquer si la lettre était symétrique ou asymétrique, et (g) un code factice pour indiquer la nombre de traits dans une lettre. Étant donné que le modèle 5 comprenait des caractéristiques de lettre k – 1 des lettres CV, des lettres VC, des NSL et des voyelles, les lettres de CV ont été choisies comme référent. Par la suite, les coefficients pour les lettres de VC, les NSL et les voyelles ont testé si la valeur était significativement différente des lettres de CV; il était donc nécessaire d`estimer les contrastes spécifiques entre les trois autres caractères de la lettre pour vérifier si les lettres de VC, les NSL et les voyelles étaient statistiquement distinguées les unes des autres. Les lettres diffèrent par le nombre et la combinaison des traits individuels.
Bien que des recherches antérieures sur l`examen du nombre de traits chez les enfants apprenant l`alphabet latin ont été mélangés (p. ex., Treiman & Kessler, 2011), les traits peuvent affecter le nombre et la combinaison des muscles, principalement du poignet et des doigts qui doivent être employé et contrôlé pendant l`écriture (Hulstijn & van Galen, 1983; van mier & Hulstijn, 1993). En revanche, la recherche avec les enfants chinois indique que la complexité visuelle affecte la performance de leur écriture; c`est-à-dire, les enfants produisent plus de caractères qui contiennent peu de traits que les caractères qui contiennent de nombreux traits (Yin & Treiman, 2013). Ainsi, le nombre de traits dans une lettre pourrait être un facteur potentiel qui pourrait affecter les compétences de rédaction de lettres, en particulier lorsque les enfants apprennent d`abord à écrire. L`étape suivante consistait à modéliser les prédicteurs spécifiques au niveau des élèves et des lettres dans les modèles restants (c.-à-d., modèles 2 à 5 dans le tableau 2) pour chacun des groupes d`âge individuels. Pour le modèle impliquant les enfants de 3 ans, l`inclusion de la lettre-nom et la connaissance de la lettre-son et PA, ainsi que les caractéristiques de la lettre, a entraîné la variance des étudiants en baisse de 4,58 dans le modèle 1 à 3,38 dans le modèle 5 (c.-à-d., Pseudo-R2 =. 26).
Commenti recenti