Modélisation bayésienne de l'apprentissage de la lecture

Modélisation bayésienne de l'apprentissage de la lecture », réalisée sous la direction de Sylviane Valdois et Julien Diard au sein du laboratoire LPNC
Soutenance de thèse Alexandra Steinhilber

Le cadre théorique majeur de l’étude de l’apprentissage de la lecture est la théorie d’auto-apprentissage. Selon cette théorie, l’apprentissage de la lecture repose sur l’apprentissage incident de formes orthographiques nouvelles, grâce à un décodage phonologique réussi. Le contexte pourrait jouer un rôle facilitateur lorsque le décodage phonologique est partiellement correct. A ce jour, seuls deux modèles computationnels d’auto-apprentissage existent. Ils se placent dans le cadre théorique de l’architecture double-voie, qui suppose des traitements différents pour la lecture de mots connus et de mots nouveaux. Le traitement des mots connus se fait par un accès direct au lexique, alors que le traitement des mots nouveaux se fait par segmentation graphémique, puis application de conversions graphèmes-phonèmes, indépendantes des connaissances lexicales. Ces modèles conditionnent l’apprentissage orthographique d’un nouveau mot à la connaissance préalable de sa forme phonologique. Cependant, des données comportementales remettent en cause les hypothèses faites par ces modèles. Plusieurs études discutent la pertinence du graphème en tant qu’unité psycholinguistique par excellence du décodage et suggèrent que la lecture, même de nouveaux mots, se fait par analogie aux connaissances lexicales. Par ailleurs, les études comportementales montrent que l’apprentissage orthographique incident sans connaissance phonologique préalable est possible. Cette thèse porte sur la modélisation de l’apprentissage de la lecture et s’inscrit dans le cadre de la théorie de l’auto-apprentissage. Nous évaluons l’hypothèse selon laquelle un traitement uniquement lexical, ne reposant sur aucune unité psycholinguistique prédéfinie, mais utilisant l’attention visuelle pour segmenter le stimulus, est en mesure de simuler un auto-apprentissage réussi. Nous faisons également l’hypothèse que l’apprentissage orthographique est possible même sans contexte et lorsque la forme phonologique n’est pas préalablement connue, alors même que ces deux dimensions sont facilitantes. Nous proposons un nouveau modèle computationnel probabiliste d’apprentissage de la lecture, nommé « BRAID-Acq ». Il dispose d’une architecture de type simple-voie, et d’un sous-modèle visuo-attentionnel permettant une prise d’information visuelle spatialement quelconque, sans forcément s’aligner sur une unité psycholinguistique présupposée. Le modèle dispose également d’un sous-modèle attentionnel phonologique, couplé à son pendant visuel, pour mettre en relation des segments orthographiques et phonologiques. Il simule la dynamique de l’exploration attentionnelle au cours du traitement. La validation du modèle s’est faite en deux étapes. Dans une version préliminaire de BRAID-Acq, purement visuelle, nous montrons que le modèle simule l’évolution des comportements oculomoteurs lors de l’exposition répétée à des mots nouveaux. Nous montrons que la quantité d’attention visuelle du modèle a un impact sur cette évolution, ainsi que sur les effets de longueur et de lexicalité. Ensuite, nous montrons que le modèle BRAID-Acq complet est capable de lire correctement la plupart des mots nouveaux sur la base d’un traitement sous-lexical flexible, qui n’implique ni segmentation graphémique, ni conversions graphèmes-phonèmes. Il simule avec succès une variété de situations d’auto-apprentissage (en contexte et hors contexte, avec et sans forme phonologique préalable), mais en adoptant un traitement unique. Nous montrons que le présence de contexte et la connaissance de la forme phonologique sont facilitantes mais pas indispensables pour apprendre. En particulier, le contexte du modèle permet de désambiguïser la lecture de nouveaux mots lorsqu’elle est difficile, par exemple lorsque le mot est irrégulier, lorsque la langue est opaque ou lorsque le niveau de connaissances orthographiques est faible. En conclusion, le modèle BRAID-Acq simule l’auto-apprentissage avec succès, ce qui appuie nos hypothèses. Jury : Sylviane Valdois - CNRS - Directrice de thèse Julien Diard - CNRS - Co-directeur de thèse Pierre Bessière - CNRS - Rapporteur Franck Ramus - CNRS - Rapporteur Marie-Line Bosse - UGA - Examinatrice et Présidente du Jury Marie Lallier - BCBL - Examinatrice Fabienne Chetail - ULB - Examinatrice