Une équipe interdisciplinaire comprenant les statisticiens de l’Université du Texas à Austin, Giorgio Paulon et Abhra Sarkar, a reçu le prix Mitchell, un grand prix dans le domaine, pour leur étude modélisant ce qui se passe dans le cerveau des anglophones non natifs qui apprennent les différences tonales d’une autre langue.
En chinois mandarin, par exemple, il y a quatre façons de prononcer « ma », et chacune a un sens totalement différent. Dites-le avec un certain ton et cela signifie « mère ». Mais méfiez-vous – dites-le légèrement différemment et cela signifie « cheval ».
Ces différences tonales sont monnaie courante en mandarin mais inexistantes dans des langues telles que l’anglais. Pour certains locuteurs non natifs, les différences tonales rendent le mandarin particulièrement difficile à maîtriser. Ils en font également une étude de cas idéale pour comprendre comment le cerveau humain se recâble pour apprendre de nouvelles langues – ce que Sarkar, Paulon et leurs collègues ont entrepris de découvrir.
« C’est un objectif ambitieux, mais cela pourrait éventuellement aider à développer des stratégies d’apprentissage de précision pour différentes personnes en fonction du fonctionnement de leur cerveau individuel. »
Abhra Sarkar, professeure adjointe, Département de statistique et de sciences des données, Université du Texas à Austin
Il s’agit du deuxième prix Mitchell depuis 2018 pour Sarkar, professeur adjoint au département de statistique et de sciences des données de l’UT Austin.
La méthode statistique développée par l’équipe pourrait également avoir des applications dans d’autres domaines de la recherche en neurosciences ou dans la pratique clinique. Le prix est décerné chaque année en reconnaissance d’un article exceptionnel qui décrit comment une analyse bayésienne a résolu un problème appliqué important. Le prix est parrainé par l’American Statistical Association, l’International Society for Bayesian Analysis et le Mitchell Prize Founders’ Committee. Rejoints par Fernando Llanos et Bharath Chandrasekaran, Sarkar et Paulon ont été sélectionnés pour leur article 2020, publié dans le Journal de l’Association statistique américaine en septembre.
Dans leur expérience, 20 anglophones adultes ont appris à différencier quatre variations tonales différentes qui donnent aux syllabes en mandarin des significations différentes. Pendant plusieurs jours, les participants ont écouté des locuteurs natifs prononcer différentes versions de syllabes et ont répondu avec lequel des quatre tons ils entendaient. On leur a dit immédiatement s’ils avaient obtenu une bonne réponse. Au fur et à mesure que les participants ont appris à différencier les tons, ils ont répondu plus rapidement et avec plus de précision. En d’autres termes, ils ont commencé à apprendre l’un des éléments de base du mandarin.
Les statisticiens ont développé une nouvelle façon de modéliser la façon dont le cerveau apprend le langage au fil du temps et l’ont testé sur les données recueillies lors de l’expérience. Les approches traditionnelles sont les mieux adaptées aux décisions binaires dans des situations statiques. La nouvelle approche, cependant, est capable de modéliser les décisions à quatre choix associées à l’apprentissage des tons mandarin et de capturer les changements biologiques qui se produisent dans le cerveau au fil du temps pendant l’apprentissage.
« La contribution exceptionnelle de ce travail a été d’éliminer ces limitations en surmontant des défis méthodologiques et informatiques intimidants, faisant ainsi progresser les capacités statistiques de nombreuses étapes importantes grâce au développement d’un nouveau modèle bayésien pour la prise de décision multi-alternative dans des paramètres longitudinaux dynamiques » Sarkar a écrit dans un résumé pour les bailleurs de fonds.
En utilisant cette nouvelle méthode, les chercheurs en statistiques ont trouvé quelques choses intéressantes.
Premièrement, les tons 1 (niveau élevé) et 3 (baisse faible) étaient les plus faciles à apprendre à distinguer. C’est parce que le ton 3 est unique au mandarin et qu’il n’y a pas d’équivalent parmi les phonèmes anglais. Cette idée pourrait conduire à de meilleures stratégies d’apprentissage.
« Par exemple, les apprenants pauvres peuvent bénéficier de commencer par des tons faciles comme T1 et T3 et de rendre la formation plus difficile par la suite avec l’introduction des tons T2 et T4 », a déclaré Paulon, un étudiant diplômé du groupe de Sarkar.
Pour comprendre le deuxième résultat, il est utile de comprendre les bases de la façon dont notre cerveau apprend à classer les choses en catégories.
« Apprendre à prendre des décisions de catégorisation est particulièrement crucial dans nos interactions avec nos environnements », a déclaré Sarkar. « Nous devons décider si une personne est un ami ou un ennemi, une plante est comestible ou non, un mot est ‘chauve-souris’ ou ‘chapeau’. »
Lorsqu’il décide dans quelle catégorie quelque chose s’inscrit, notre cerveau accumule des preuves sensorielles en augmentant les taux de décharge des neurones dans certaines zones. Lorsque l’activité neuronale franchit un seuil de preuve particulier, nous avons suffisamment d’informations pour prendre une décision. Au fur et à mesure que nous apprenons quelque chose de nouveau, comme une langue, le taux d’activité neuronale croissante et les seuils impliqués dans ces décisions changent. Notre cerveau devient plus expérimenté.
La deuxième conclusion est la suivante : lorsque les locuteurs non natifs qui sont particulièrement doués pour apprendre le mandarin traitent les informations audio pour décider lequel des quatre tons ils ont entendu, leur cerveau le fait plus rapidement que ceux qui n’apprennent pas la langue aussi facilement. Cela peut sembler évident, mais jusqu’à cette expérience, il était également possible que les bons apprenants aient simplement besoin de moins d’informations pour décider avec précision. En ce qui concerne la façon dont les groupes de neurones arrivent à une décision, être un meilleur apprenant peut dépendre soit d’une augmentation plus rapide de l’activité neuronale, soit d’une diminution du seuil de preuve, ou des deux.
Les chercheurs ont découvert que les bons et les mauvais apprenants ont besoin d’autant d’informations audio pour distinguer les quatre tons (le seuil reste le même); les bons traitent simplement les informations audio plus rapidement.
Lorsque la recherche a commencé en 2018, Chandrasekaran était professeur agrégé à l’UT Austin et Llanos était chercheur postdoctoral dans son laboratoire. Depuis lors, Chandrasekaran et Llanos ont déménagé à l’Université de Pittsburgh. L’année dernière, Llanos est retourné à UT Austin en tant que professeur adjoint au département de linguistique.
Sarkar a remercié Llanos de lui avoir présenté « de nombreux nouveaux problèmes et idées scientifiques passionnants, y compris la littérature précédente sur ce problème, et aussi d’avoir collaboré très intensément à ce projet pour s’assurer que la modélisation statistique représente avec précision les aspects neuroscientifiques sous-jacents du problème ».
Au-delà d’aider les gens à apprendre de nouvelles langues, Sarkar a déclaré que leur modèle statistique pourrait aider les cliniciens à comprendre pourquoi un individu a un trouble de la parole ou de l’audition. Cela pourrait également aider les neuroscientifiques à étudier d’autres types de prise de décision, comme la façon dont nous donnons un sens au monde visuel.
