Учёные Aalto University создали ИИ-модель чтения для AR и персонализации текстов

Des chercheurs de l'Aalto University (Finlande), en collaboration avec des partenaires internationaux, ont créé le modèle computationnel de lecture humaine le plus précis à ce jour. Le nouveau système utilise l'apprentissage par renforcement — une variante de l'IA issue du monde de la robotique — pour reproduire et expliquer les décisions qu'un lecteur prend en parcourant un texte.

Pourquoi la lecture "à la manière humaine" est-elle si difficile à modéliser ?

Les mouvements oculaires lors de la lecture comptent parmi les processus cognitifs les plus complexes à modéliser : une personne prend des dizaines de décisions inconscientes par seconde. Les chercheurs ont reproduit trois types clés de ces mouvements : les saccades (déplacements rapides du regard entre les mots), les fixations (pauses pour le traitement de l'information) et les régressions (retours en arrière lorsqu'un passage n'est pas compris).

Les modèles précédents reposaient sur des statistiques et des règles fixes de psycholinguistique — et avaient du mal à rendre compte des différences individuelles entre lecteurs. L'agent de RL fonctionne différemment : il apprend par essais et rétroaction, formant progressivement une stratégie adaptative sensible au contexte — longueur et fréquence des mots, complexité syntaxique et objectif du lecteur.

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

«

Le nouveau modèle utilise l'apprentissage par renforcement — une variante de l'IA issue du monde de la robotique — pour expliquer et reproduire les décisions que les lecteurs prennent en parcourant un texte », selon la description de la recherche de l'Aalto University.

À quoi servira le nouveau modèle ?

Personnalisation du contenu : si le système sait comment un lecteur particulier perçoit un texte, il peut ajuster dynamiquement la longueur des phrases, la mise en forme et la distribution des accents. Pour les plateformes éducatives, cela influe sur l'assimilation du contenu ; pour les médias, sur la profondeur d'engagement et la fidélisation du lecteur.

Réalité augmentée : les lunettes et casques AR doivent savoir exactement où l'utilisateur regarde en temps réel pour superposer des informations avec précision au point de focalisation, sans délai ni décalage. Les trackers oculaires matériels sont précis, mais coûteux et énergivores. Un modèle prédictif au niveau logiciel réduit la dépendance au matériel spécialisé.

Accessibilité et diagnostic : les personnes atteintes de dyslexie ou de déficit de l'attention adoptent des stratégies de lecture qui diffèrent systématiquement de la norme. Un modèle précis peut identifier ces différences et aider à concevoir des interfaces textuelles plus faciles à lire pour ces utilisateurs.

Selon la description de la recherche de l'Aalto University, l'application du RL a permis pour la première fois de reproduire le mécanisme réel de prise de décision lors de la lecture — et non un schéma moyen de mouvements oculaires extrait d'un jeu de données.

Ce que cela signifie

Les modèles académiques de lecture existent depuis les études classiques de psycholinguistique des années 1980. Le passage à l'approche RL en change la nature : de descriptifs, ils deviennent explicatifs et potentiellement adaptatifs à l'échelle individuelle. Pour les développeurs d'interfaces AR, les plateformes EdTech et les éditeurs, il s'agit d'un nouvel outil de personnalisation ne nécessitant pas de capteurs coûteux. La question ouverte est de savoir dans quelle mesure le modèle se généralise à différentes langues, systèmes d'écriture et types de texte.

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 utilisée en robotique et dans l'entraînement d'agents joueurs ; les chercheurs de l'Aalto University l'ont appliquée à la modélisation de la façon dont un lecteur prend des décisions en parcourant un texte.

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

Les modèles précédents produisaient des prédictions moyennées basées 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'un individu spécifique que d'un groupe moyen de sujets testés.