Simulation computationnelle de l’apprentissage de la lecture et de la dyslexie

Dans le but de tester des hypothèses précises sur les mécanismes d’apprentissage et sur les causes de troubles cognitifs, il est de plus en plus utile de disposer de modèles computationnels des fonctions cognitives concernées.
Dans le domaine de la lecture, les modèles se répartissent traditionnellement en deux grandes catégories : des modèles connexionnistes (historiques) qui font un minimum d’hypothèses et implémentent un minimum de représentations mais qui, voulant trop expliquer avec trop peu, produisent des résultats assez grossiers qui échouent à modéliser les phénomènes les plus subtils de la lecture et de son acquisition. D’autre part, des modèles plus sophistiqués, symboliques ou connexionnistes, qui visent à simuler une gamme plus large de phénomènes, mais au prix de spécifications ad hoc qui paraissent peu réalistes. Les limites évidentes de ces deux catégories de modèles offrent peu de perspective de simuler les situations d’apprentissage, les tâches cognitives et les déficits de lecture d’une manière suffisamment précise et réaliste pour être pertinente.
La famille des modèles de la lecture BRAID, développée par Julien Diard et Sylviane Valdois avec 4 doctorants successifs, offre une architecture qui permet de dépasser ces limites et d’envisager de simuler l’apprentissage de la lecture et ses difficultés dans toute leur complexité.
En particulier, le modèle bayésien BRAID-Acq développé récemment par Steinhilber, Valdois et Diard permet de simuler la seconde phase de l’apprentissage de la lecture, dans laquelle l’enfant, connaissant déjà un certain nombre de mots écrits (>1000), est capable de lire en autonomie et d’accroître progressivement son lexique orthographique au fur et à mesure de l’exposition à des mots nouveaux (apprentissage non supervisé).
Un premier objectif sera d’adapter le modèle afin de simuler la 1ère phase de l’apprentissage, au cours de laquelle l’enfant apprend les correspondances graphèmes-phonèmes pour déchiffrer les mots, en stockant progressivement les mots déchiffrés dans son lexique orthographique. Le modèle pourra ensuite être utilisé pour comparer différentes méthodes d’enseignement de la lecture : différentes progressions de correspondances graphèmes/phonèmes et de mots utilisées dans différents manuels, méthodes analytiques vs. synthétiques, méthodes globales. Il pourra également servir à tester l’intérêt de certains ingrédients particuliers tels que l’importance ou pas d’un apprentissage supervisé (plutôt qu’incident) des correspondances graphèmes-phonèmes, l’effet positif ou négatif des mots appris de manière globale à la maternelle avant l’apprentissage de la lecture, ou encore de l’apprentissage global de « mots-outils ». Les prédictions du modèle pourront être comparées avec des données comportementales existantes ou à recueillir chez des apprentis-lecteurs.
Une fois le processus d’apprentissage de la lecture modélisé de bout en bout de manière réaliste, un second objectif sera de simuler différentes hypothèses sur les causes cognitives de la dyslexie : simuler différents types de déficits phonologiques, visuels, ou visuo-attentionnels, qui ont déjà été postulés, et en étudier les conséquences sur l’apprentissage de la lecture et sur la performance dans différentes tâches de lecture. A nouveau, ces prédictions pourront être comparées à des données de lecture et d’autres tâches obtenues chez des élèves dyslexiques. In fine, on s’efforcera de générer des prédictions nouvelles qui pourront être testées par de nouvelles expériences comportementales, et ainsi départager les différentes théories cognitives de la dyslexie. On pourra également tester l’hypothèse que la population des enfants dyslexiques est composée de plusieurs sous-populations ayant des déficits cognitifs différents, dans des proportions à déterminer.

Profil du candidat
Le candidat devra idéalement avoir une formation en programmation et simulation informatique, et une affinité pour la modélisation mathématique et la psychologie expérimentale : étudiants en Informatique, Sciences Cognitives ou en écoles d'ingénieur. Des connaissances préalables en probabilités sont un plus, mais ne sont pas indispensables. Le modèle est développé en python, et une familiarité avec ce langage est un prérequis.
Niveau de français requis: Intermédiaire supérieur: Vous pouvez utiliser la langue de manière efficace et vous exprimer précisément.
Niveau d'anglais requis: Avancé: Vous pouvez parler la langue de manière plus complexe, spontanée et sur des sujets variés.

Contacts
Franck Ramus (LSCP, CNRS) : franck.ramus@ens.psl.eu
Julien Diard (LPNC, CNRS) : julien.diard@univ-grenoble-alpes.fr

Antzaka, A., Lallier, M., Meyer, S., Diard, J., Carreiras, M., & Valdois, S. (2017). Enhancing reading performance through action video games : The role of visual attention span. Scientific Reports, 7(1). https://doi.org/10.1038/s41598-017-15119-9
Ginestet, E., Valdois, S., & Diard, J. (2022). Probabilistic modeling of orthographic learning based on visuo-attentional dynamics. Psychonomic Bulletin & Review, 29(5), 1649 1672.
Ginestet, E., Valdois, S., Diard, J., & Bosse, M.-L. (2020). Orthographic learning of novel words in adults : Effects of exposure and visual attention on eye movements. Journal of Cognitive Psychology, 32(8), 785 804.
Steinhilber, A., Diard, J., Ginestet, E., & Valdois, S. (2023). Visual attention modulates the transition from fine-grained, serial processing to coarser-grained, more parallel processing : A computational modeling study. Vision Research, 207, 108211.
Steinhilber, A., Valdois, S., & Diard, J. (2022a). Bayesian comparators : A probabilistic modeling tool for similarity evaluation between predicted and perceived patterns. Proceedings of the Annual Meeting of the Cognitive Science Society, 44(44). https://escholarship.org/uc/item/22f4c6dm
Steinhilber, A., Valdois, S., & Diard, J. (2022b). Going beyond the self-teaching theory with BRAID-Acq, a Bayesian model of reading acquisition. 22nd conference of the European Society for Cognitive Psychology.
Steinhilber, A. (2023). Modélisation bayésienne de l’apprentissage de la lecture. Université Grenoble Alpes.