Des chercheurs de l'université Aalto, en Finlande, ont mis au point un modèle d'intelligence artificielle capable de reproduire fidèlement les mouvements oculaires d'un lecteur et d'expliquer pourquoi nos yeux ignorent certains mots pendant la lecture.
Lorsque nous lisons, l'œil n'effectue pas un balayage continu du texte, mais progresse par une série de fixations brèves, séparées par des sauts rapides, les saccades, et une partie des mots n'est jamais fixée directement. Jusqu'ici, les chercheurs expliquaient ce phénomène par des règles fixes, liées à la longueur ou à la fréquence d'un mot. Le nouveau modèle, présenté dans une étude parue dans Nature Human Behaviour, traite chaque décision du regard comme un choix pris sous incertitude, à trois niveaux, celui du mot, de la phrase et du texte. « Nous avons utilisé, pour la première fois, des méthodes d'IA pour comprendre, et non simplement imiter, la façon dont les gens lisent », a déclaré Antti Oulasvirta, professeur à l'université Aalto et titulaire d'une bourse du Conseil européen de la recherche.
Les mots courts, fréquents et prévisibles sont sautés plus souvent
Plus la confiance du modèle envers un mot à venir est élevée, plus ce mot risque d'être sauté. C'est donc le cas pour les mots courts, fréquents et prévisibles, aussi bien chez les lecteurs humains que dans la simulation. Dans les deux cas, la probabilité de saut diminue avec la longueur du mot et augmente avec sa fréquence. Pour chaque mot à venir, le modèle évalue le gain d'information attendu d'une fixation supplémentaire, puis le compare au temps qu'elle coûterait, une logique héritée de la théorie de la décision plutôt que d'une règle de lecture prédéfinie.
Les modèles cognitifs plus anciens, comme E-Z Reader ou le Bayesian Reader, reliaient plutôt fréquence et prévisibilité aux mouvements oculaires via des règles fixées à l'avance. À l'inverse, la durée de fixation sur un mot augmente avec sa longueur, et diminue avec sa fréquence ou sa prévisibilité. Le regard se pose généralement entre le début et le milieu du mot, une constante que les chercheurs nomment la position de lecture préférée, et revient plus souvent en arrière sur les phrases syntaxiquement ambiguës.
Le modèle reproduit aussi l'adaptation des lecteurs pressés par le temps
Pour tester ce mécanisme sous contrainte, les chercheurs ont constitué un nouveau jeu de données, avec 39 participants suivis par un dispositif de suivi du regard et 32 autres soumis à des questions de compréhension, sous des limites de temps de 30, 60 ou 90 secondes par texte. Avec plus de temps, la vitesse de lecture baisse chez les humains, de 191 à 166 mots par minute en moyenne, tandis que le taux de mots sautés recule et que les retours en arrière du regard, les régressions, augmentent. La compréhension grimpe en parallèle, de 59 % à 83 % de bonnes réponses aux questionnaires. La simulation reproduit chacune de ces tendances, avec une corrélation de 0,9999 entre les résultats humains et ceux du modèle. Une version du modèle dotée d'une mémoire illimitée reproduit nettement moins fidèlement les données humaines que le modèle complet, avec une erreur de simulation environ huit fois supérieure. Cette limite artificielle confirme que les contraintes de mémoire, et non leur absence, expliquent le comportement observé chez les lecteurs.
Antti Oulasvirta avait posé les bases théoriques de cette approche en 2022, dans un article consacré à la rationalité computationnelle comme théorie générale de l'interaction homme-machine. Les chercheurs envisagent plusieurs usages pratiques pour ce modèle, des lunettes connectées capables d'adapter le texte affiché au contexte, jusqu'à des outils de lecture pensés pour les personnes dyslexiques.
Mais les prédictions du modèle pour les lecteurs non natifs ou dyslexiques n'ont pas encore été testées.
Participer à la discussion
Partagez votre avis avec la communauté Clubic.