Des chercheurs d'Aalto University créent un modèle d'IA de la lecture pour la réalité augmentée et la personnalisation des textes

Des chercheurs d'Aalto University (Finlande), en collaboration avec des partenaires internationaux, ont créé le modèle computationnel de la lecture humaine le plus précis à ce jour. Le nouveau système repose sur l'apprentissage par renforcement, une famille de techniques d'IA issue de la robotique, pour reproduire et expliquer les décisions que prend le lecteur lorsqu'il progresse dans un texte.

Pourquoi est-il si difficile de modéliser la lecture « à la manière humaine » ?

Les mouvements oculaires pendant la lecture figurent parmi les processus cognitifs les plus complexes à modéliser : en une seconde, une personne prend des dizaines de décisions inconscientes. Les chercheurs ont reproduit les trois principaux types de ces mouvements : les saccades (déplacements rapides du regard entre les mots), les fixations (arrêts pour traiter l'information) et les régressions (retours en arrière lorsqu'un passage n'a pas été compris).

Les modèles précédents reposaient sur des statistiques et sur des règles fixes issues de la psycholinguistique, et géraient mal les différences individuelles entre lecteurs. L'agent d'apprentissage par renforcement fonctionne autrement : il apprend par essais et retours d'expérience, et construit progressivement une stratégie adaptative sensible au contexte, c'est-à-dire à la longueur et à la fréquence du mot, à la complexité syntaxique et à l'objectif du lecteur.

• Développeur : Aalto University (Finlande), avec des partenaires internationaux
• Méthode : reinforcement learning, ou apprentissage par renforcement
• Objet : saccades, fixations et régressions oculaires pendant la lecture
• Résultat : modèle computationnel de la lecture le plus précis à ce jour, en août 2026
• Applications : personnalisation des textes, réalité augmentée, accessibilité et diagnostic

«

Le nouveau modèle utilise l'apprentissage par renforcement, une famille de techniques d'IA issue de la robotique, pour expliquer et reproduire les décisions que prennent les lecteurs lorsqu'ils progressent dans un texte », indique la description de l'étude d'Aalto University.

À quoi servira le nouveau modèle ?

Personnalisation du contenu : si le système sait comment un lecteur donné perçoit un texte, il peut ajuster dynamiquement la longueur des phrases, la mise en forme et la hiérarchie des accents. Pour les plateformes éducatives, cela joue sur l'assimilation des contenus ; pour les médias, sur la profondeur de lecture et la rétention des lecteurs.

Réalité augmentée : les lunettes et les casques AR doivent savoir où l'utilisateur regarde à l'instant même, afin d'afficher l'information exactement dans son champ de focalisation, sans latence ni décalage. Les eye-trackers matériels sont précis, mais coûteux et énergivores. Un modèle prédictif logiciel réduit la dépendance à un matériel spécialisé.

Accessibilité et diagnostic : chez les personnes dyslexiques ou souffrant d'un déficit de l'attention, les stratégies de lecture diffèrent systématiquement de la norme. Un modèle précis peut mettre en évidence ces différences et aider à concevoir des interfaces textuelles plus faciles à lire pour ces utilisateurs.

Selon la description de l'étude d'Aalto University, l'application de l'apprentissage par renforcement a permis, pour la première fois, de reproduire le mécanisme même de prise de décision pendant la lecture, et non un schéma moyen de mouvements oculaires tiré d'un jeu de données.

Ce que cela change

Les modèles académiques de la lecture existent depuis les travaux classiques de psycholinguistique des années 1980. Le passage à l'apprentissage par renforcement en change la nature : de descriptifs, ils deviennent explicatifs et potentiellement adaptables à chaque individu. Pour les développeurs d'interfaces AR, les plateformes EdTech et les éditeurs, c'est un nouvel outil de personnalisation, sans capteurs coûteux. La question reste ouverte de savoir dans quelle mesure le modèle se généralise à différentes langues, systèmes d'écriture et types de textes.

Questions fréquentes

Qu'est-ce que l'apprentissage par renforcement dans le contexte de la lecture ?

L'apprentissage par renforcement (reinforcement learning) est une méthode d'IA dans laquelle un agent apprend par essais et erreurs, en recevant des retours de son environnement. La même technologie est employée en robotique et pour entraîner des agents de jeu ; les chercheurs d'Aalto University l'ont appliquée à la modélisation de la façon dont un lecteur prend ses décisions en progressant dans un texte.

En quoi le nouveau modèle diffère-t-il des précédents ?

Les modèles précédents produisaient des prédictions moyennes fondées sur des statistiques et des règles fixes. Le nouveau reproduit un mécanisme adaptatif de prise de décision, dépendant du contexte et plus proche du comportement d'une personne donnée que de celui d'un groupe moyen de sujets.