Une IA décrypte les mécanismes de notre lecture oculaire
Des chercheurs finlandais ont développé une intelligence artificielle capable de simuler avec précision les mouvements de nos yeux lors de la lecture, offrant ainsi un nouvel éclairage sur la manière dont notre cerveau traite l’information écrite. Cette avancée pourrait déboucher sur des applications innovantes pour l’aide à la lecture.
L’œil lecteur : un mouvement complexe et fragmenté
Contrairement à une idée reçue, nos yeux ne parcourent pas un texte de manière fluide et continue. Le processus de lecture est en réalité caractérisé par une succession de brèves fixations, entrecoupées de mouvements rapides appelés saccades. Pendant ces phases de fixation, notre vision perçoit les mots, tandis que les saccades permettent de passer d’un mot à l’autre. Fait étonnant, une partie des mots sont même « sautés », c’est-à-dire qu’ils ne sont jamais directement fixés par notre regard.
Traditionnellement, les scientifiques expliquaient ce phénomène par des règles prédéfinies, liées à la longueur ou à la fréquence d’un mot dans la langue. Cependant, une nouvelle approche, portée par une équipe de l’université Aalto en Finlande, propose une explication plus nuancée grâce à l’intelligence artificielle.
Une IA qui apprend à « choisir » où regarder
Le modèle d’IA développé par ces chercheurs, dont les travaux sont publiés dans la revue Nature Human Behaviour, aborde le mouvement oculaire non pas comme une réaction mécanique, mais comme une série de décisions prises sous incertitude. L’IA analyse le choix du regard à trois niveaux : celui du mot individuel, celui de la phrase dans son ensemble, et celui du texte global.
« Nous avons utilisé, pour la première fois, des méthodes d’IA pour comprendre, et non simplement imiter, la façon dont les gens lisent, » explique Antti Oulasvirta, professeur à l’université Aalto et chercheur principal sur ce projet.
Les mots courts et fréquents, premières victimes du « saut »
L’une des découvertes majeures de ce modèle est que la probabilité qu’un mot soit « sauté » augmente lorsque la confiance du système quant à la prédiction du mot suivant est élevée. En d’autres termes, notre cerveau, à l’instar de l’IA, a tendance à ignorer les mots qui sont courts, très fréquents dans la langue, et donc facilement anticipables. Inversement, la probabilité de fixer un mot diminue avec sa longueur et augmente avec sa fréquence d’apparition.
Ce mécanisme s’apparente à une forme d’optimisation des ressources cognitives. Pour chaque mot à venir, le modèle évalue le « gain d’information » potentiel d’une fixation supplémentaire par rapport au temps que cela prendrait. Cette logique, empruntée à la théorie de la décision, se substitue aux anciennes règles de lecture figées. Les modèles cognitifs antérieurs, tels que E-Z Reader ou Bayesian Reader, se basaient sur des règles préétablies pour lier la fréquence et la prévisibilité des mots aux mouvements oculaires.
Adaptation et contraintes : les clés de la lecture efficace
Le modèle d’IA simule également la capacité des lecteurs humains à adapter leur stratégie en fonction du temps disponible. Les recherches montrent que lorsqu’un lecteur est pressé, il a tendance à accélérer sa lecture, à moins fixer de mots et à moins revenir en arrière sur le texte (régressions). Cette stratégie privilégie une couverture plus large de l’information au détriment des détails, entraînant une compréhension globale qui peut être moins fine.
À l’inverse, lorsque le temps est suffisant, le lecteur investit davantage de fixations et de régressions, permettant une compréhension plus approfondie et précise du contenu. La simulation IA reproduit ces comportements avec une fidélité remarquable, les données humaines et celles du modèle présentant une corrélation de 0,9999. Cette précision renforce l’idée que les contraintes cognitives, comme la mémoire de travail, jouent un rôle crucial dans l’efficacité de notre lecture.
Perspectives futures : vers une aide à la lecture personnalisée
Les applications potentielles de cette recherche sont multiples. Les scientifiques envisagent l’utilisation de ce modèle pour développer des technologies d’aide à la lecture. Parmi les pistes explorées, on trouve des lunettes connectées capables d’adapter dynamiquement le texte affiché en fonction du contexte de lecture, ou encore des outils spécifiquement conçus pour les personnes atteintes de dyslexie.
Toutefois, il est important de noter que les prédictions du modèle pour des lecteurs non natifs ou dyslexiques n’ont pas encore été formellement validées par des expérimentations. Des recherches supplémentaires seront nécessaires pour adapter et tester ces applications prometteuses.
