Une équipe de Aalto University a présenté un modèle d'intelligence artificielle qui reconstruit avec une plus grande précision comment lisent les personnes et comment elles forment du sens à partir d'un texte, un avancement qui cherche à expliquer ce que fait le cerveau lorsqu'il décide d'avancer, de sauter un mot ou de revenir sur une phrase pour mieux comprendre.
L'étude, publiée dans Nature Human Behaviour, a été entraînée avec apprentissage par renforcement et a été exposée à des millions de textes pour optimiser les mouvements oculaires en fonction de la compréhension. Selon le travail, la combinaison entre mémoire, contraintes temporelles et stratégie visuelle s’avère centrale pour expliquer pourquoi différentes personnes lisent de manière différente.
A l'avenir, l'équipe envisage que cette ligne puisse être évaluée dans des soutiens pour des personnes ayant la dyslexie et dans des outils qui adaptent les textes à différents besoins de lecture.
Le modèle organise la lecture en trois niveaux et apprend par essai et erreur
Le système a été conçu pour imiter une comportement habituel de la lecture humaine : décider quelle partie du texte convient de regarder avec plus d'attention, ce qui peut être sauté et quand il est nécessaire de revenir en arrière pour ne pas perdre le sens. Pour cela, il évalue l'information à trois échelles en même temps : le mot, la phrase et le texte complet.
Les chercheurs sont partis d'une idée technique appelée rationalité des ressources. En termes simples, cette notion propose que l'attention est limitée et qu'en lisant, le cerveau la distribue de la manière la plus efficace possible pour comprendre avec le temps et les capacités disponibles.
Le modèle a également incorpore des caractéristiques du lecteur, telles que la langue, la mémoire, la vision et la vitesse des mouvements oculaires. Selon une explication, “lire ne semble pas nécessiter d'effort, mais votre cerveau décide constamment où regarder, quoi sauter et quand revenir en arrière, dépensant l'attention comme un budget pour maximiser la compréhension”.
Selon les informations, le système a appris par essai et erreur quelle stratégie lui permettait de mieux comprendre ce qu'il lisait. Si, dans ce processus, il détecte qu'il lui manque un mot ou une partie clé de la phrase pour maintenir la compréhension, il peut revenir en arrière et chercher cette information.
Possibilités d'utilisation en santé et lecture
Le modèle n'est pas encore un outil clinique disponible, mais l'équipe envisage qu'il pourrait servir à concevoir des soutiens de lecture adaptés à chaque utilisateur, évaluer des applications pour des personnes ayant la dyslexie et améliorer des textes dans des situations où comprendre rapidement fait une différence fonctionnelle.
Oulasvirta l’a ainsi formulé : “Nous pourrions prendre le même texte source, par exemple un passage embrouillé d'écriture légale, et avec peu d'effort produire des versions plus compréhensibles pour différents lecteurs”. L'idée est de rendre un contenu plus accessible sans modifier son fond informatif.
Cette application amène le développement à un plan concret, en permettant de définir combien de texte afficher et à quel moment pour réduire la charge cognitive. Cette même logique pourrait avoir des applications en santé, notamment dans des outils de soutien pour les personnes ayant des difficultés de lecture.
La recherche part d'une activité quotidienne qui a accompagné toute l'histoire de l'écriture et qui, comme indiqué, s'appuie encore sur “des textes produits pour un usage de masse et non pour une personne individuelle et une situation spécifique”.