La perception de la parole continue constitue l’un des accomplissements les plus remarquables et les plus énigmatiques de l’architecture cognitive humaine. En une fraction de seconde, le système auditif humain reçoit une onde acoustique continue, hautement variable et intrinsèquement transitoire, pour la convertir en représentations linguistiques abstraites, structurées et chargées de sens. Contrairement à la lecture, où les espaces graphiques délimitent nettement les unités lexicales et où le regard peut revenir en arrière, l’écoute de la parole impose un traitement strictement séquentiel et irréversible, régi par la flèche impitoyable du temps. C’est dans ce contexte de contraintes temporelles sévères que le psycholinguiste britannique William Marslen-Wilson a formulé, à la fin des années 1970, une théorie qui allait révolutionner les sciences cognitives du langage : le modèle de la cohorte.
Le modèle de la cohorte propose que la reconnaissance des mots parlés ne s’opère pas par une analyse passive différée attendant la clôture acoustique de chaque mot, mais à travers un processus dynamique, massivement parallèle et incrémentiel. Dès l’instant où les premières oscillations acoustiques d’un mot atteignent la cochlée, le cerveau active simultanément l’ensemble des candidats lexicaux partageant cette entame phonétique : c’est la cohorte initiale. Au fur et à mesure que le flux phonétique se déploie dans le temps, les candidats incompatibles avec l’information entrante sont impitoyablement éliminés, jusqu’à ce qu’un candidat unique se détache au point dit d’unicité, bien avant même que le mot ne soit entièrement prononcé. Ce paradigme a jeté les bases de la psycholinguistique expérimentale moderne en réconciliant le traitement ascendant des indices sensoriels avec l’intégration descendante des informations syntaxiques et pragmatiques.
Explorer le modèle de la cohorte, depuis sa formulation princeps jusqu’à ses révisions computationnelles et ses prolongements neurobiologiques contemporains, permet de saisir comment l’esprit humain résout en temps réel le vertigineux problème de la variabilité acoustique, de l’ambiguïté lexicale et de la fugacité du signal vocal. Cet article propose une analyse approfondie et exhaustive des fondements théoriques, des mécanismes computationnels, des controverses historiques et des validations neurophysiologiques d’une théorie qui demeure, plus de quatre décennies après sa naissance, la pierre angulaire de l’étude de l’accès lexical auditif.
1. 1. Introduction et fondements théoriques de la reconnaissance des mots parlés
1.1 1.1 Le problème fondamental de la temporalité du signal acoustique
La reconnaissance visuelle des mots bénéficie d’une caractéristique spatiale fondamentale : le mot imprimé s’offre dans son intégralité au regard de l’observateur. La rétine peut capter simultanément les lettres initiales, médianes et finales d’un graphème, permettant des mouvements saccadiques et des régressions oculaires correctrices lorsque l’ambiguïté l’exige. À l’opposé, le traitement du langage parlé est assujetti à la nature fugitive, instable et strictement séquentielle de l’onde sonore. Dès qu’un phonème est articulé, son énergie acoustique se dissipe dans l’environnement, ne laissant derrière lui aucune trace physique directe. L’auditeur ne dispose d’aucun mécanisme physiologique équivalent aux régressions oculaires ; il est condamné à traiter l’information linguistique au fil de l’eau, sous peine d’un engorgement immédiat de ses capacités de traitement.
Cette temporalité linéaire s’accompagne d’une absence quasi totale de frontières physiques claires et segmentées entre les unités phonémiques ou lexicales. Dans le flux continu de la parole naturelle, il n’existe pas d’équivalent acoustique aux espaces blancs qui séparent les mots dans le texte imprimé. Les silences acoustiques mesurables dans un spectrogramme ne correspondent que très rarement à des frontières de mots ; ils reflètent le plus souvent la phase de tenue silencieuse précédant l’explosion d’une consonne occlusive comme /p/, /t/ ou /k/. Dès lors, le système auditif doit impérativement résoudre le problème de la segmentation lexicale en continu, sans repères périphériques infaillibles.
Pourtant, face à ce flux informe, la vitesse de traitement chez l’adulte demeure stupéfiante. Un auditeur moyen est capable d’identifier un mot parlé en approximativement 200 à 250 millisecondes après son amorce acoustique, alors même que la durée moyenne d’un mot dans la conversation courante oscille entre 400 et 500 millisecondes. Cette observation chronométrique démontre sans équivoque que la reconnaissance s’opère bien avant l’achèvement physique du stimulus. Ce prodige computationnel devient plus fascinant encore à la lumière du paradoxe de la variabilité acoustique : en raison des différences de tractus vocal entre locuteurs, des variations d’intonation, de débit de parole et d’accents régionaux, deux occurrences d’un même phonème ne présentent jamais des propriétés spectrales identiques. Le système perceptif extrait donc des représentations invariantes à partir d’un substrat sensoriel perpétuellement changeant.
1.2 1.2 Les contraintes cognitives de l’audition de la parole
Le décodage de la parole en temps réel impose une charge monumentale aux sous-systèmes de la mémoire humaine. La mémoire sensorielle auditive, ou mémoire échoïque, ne conserve une trace fidèle des caractéristiques spectrales du signal que pendant une durée estimée entre deux et quatre secondes. Toutefois, la mémoire de travail opérationnelle, quant à elle, dispose d’un empan temporel et d’une capacité de stockage extrêmement réduits. Si le système perceptif devait accumuler passivement de vastes segments acoustiques bruts avant de lancer une recherche sérielle au sein du lexique mental, les ressources mnésiques seraient saturées avant même le traitement de la première proposition syntaxique d’une phrase.
Cette vulnérabilité de la mémoire est exacerbée par le phénomène de coarticulation. Lors de la production de la parole, les organes articulateurs (langue, lèvres, voile du palais) anticipent constamment les gestes moteurs subséquents tout en conservant l’inertie des gestes antérieurs. Par conséquent, les indices acoustiques d’un phonème donné sont encodés en parallèle avec ceux des phonèmes adjacents. Par exemple, dans la séquence /ba/, les transitions formantiques du /b/ portent déjà l’empreinte acoustique de la voyelle /a/. Si cette coarticulation permet d’atteindre un débit articulatoire élevé, elle interdit toute segmentation segmentale naïve de type « brique par brique » et contraint l’auditeur à un décodage dynamique qui intègre continuellement le contexte phonétique local.
Enfin, ces contraintes intrinsèques doivent composer avec les conditions de l’environnement écologique réel. L’écoute quotidienne s’effectue dans des milieux saturés de bruits de fond, de réverbérations acoustiques, de conversations concurrentes (l’effet « cocktail party ») et de signaux dégradés ou tronqués. Le système de perception humaine doit donc faire preuve d’une résilience architecturale absolue : il lui faut opérer des inférences probabilistes ultra-rapides pour compenser les pertes de signal locales, sous peine de voir la communication verbale s’effondrer au moindre parasite sonore.
1.3 1.3 Émergence et pertinence du modèle de la cohorte
C’est précisément pour répondre à cette triple contrainte de temporalité irréversible, de variabilité acoustique et de limitation des ressources de la mémoire de travail que William Marslen-Wilson a échafaudé le modèle de la cohorte. Face à la faillite des approches classiques qui concevaient la reconnaissance des mots comme une extraction différée succédant à une analyse phonologique complète, Marslen-Wilson a formulé l’hypothèse audacieuse d’un mécanisme de sélection en temps réel hautement optimisé, fondé sur l’élimination séquentielle d’hypothèses lexicales concurrentes.
Le concept central du modèle réside dans la notion de cohorte de compétiteurs lexicaux. Selon cette perspective, dès les premières dizaines de millisecondes d’un mot, le signal sonore active simultanément, de manière purement ascendante, toutes les entrées lexicales stockées dans le lexique mental qui partagent ces propriétés phonétiques initiales. Cette entité collective d’hypothèses actives est alors soumise à un processus d’attrition permanente : à mesure que de nouveaux segments acoustiques sont décodés, tout candidat entrant en contradiction avec le flux entrant est instantanément exclu de la cohorte. Le système n’attend pas la fin du mot ; il converge par soustraction progressive vers une solution unique.
L’introduction du modèle de la cohorte a marqué l’essor décisif de la psycholinguistique cognitive contemporaine. En plaçant la dimension temporelle au cœur même de l’architecture fonctionnelle, Marslen-Wilson a permis de transformer l’étude du langage parlé, jusqu’alors dominée par des métaphores spatiales issues de la lecture, en une discipline expérimentale rigoureuse dédiée à la chronométrie mentale du signal continu. Ce modèle a fourni un cadre théorique unifié permettant de quantifier la vitesse, la modularité et la flexibilité de l’accès au lexique mental.
2. 2. Genèse et contexte historique des travaux de William Marslen-Wilson
2.1 2.1 Le paysage psycholinguistique des années 1970
Au cours des années 1970, la psycholinguistique cognitive se trouvait à la croisée des chemins, tiraillée entre la révolution générative issue de Noam Chomsky et les premiers modèles de traitement de l’information influencés par l’informatique naissante. Le paradigme dominant reposait sur une vision modulaire stricte de l’esprit, qui allait être formalisée de façon magistrale par le philosophe Jerry Fodor. Dans cette perspective fodorienne, les processus perceptifs de bas niveau étaient considérés comme des modules computationnellement clos (« encapsulés »), imperméables aux connaissances générales, fonctionnant selon des séquences déterministes et rigides.
Sur le plan spécifique de la reconnaissance des mots, le modèle dominant de l’époque était le modèle du Logogène développé par John Morton. Dans l’architecture de Morton, chaque mot possède un « logogène », sorte de compteur passif qui accumule des preuves sensorielles (visuelles ou auditives) et contextuelles jusqu’à atteindre un seuil critique d’activation. Dès que ce seuil est franchi, le mot devient disponible pour le système cognitif. Bien que novateur pour son époque, le modèle Logogène souffrait d’une lacune conceptuelle majeure face au signal de parole : il était essentiellement atemporel. Il ne théorisait pas la manière dont l’information acoustique se déploie linéairement dans la dimension temporelle milliseconde par milliseconde, réduisant l’audition à une accumulation globale d’indices indifférenciés.
Face à ce modèle globaliste, la communauté scientifique ressentait un besoin urgent de concepts capables d’expliquer l’immédiateté phénoménale de la compréhension du langage oral. Les chercheurs peinaient à expliquer pourquoi un auditeur semble comprendre le sens d’une phrase non pas à la fin de celle-ci, mais au fur et à mesure que les sons frappent le tympan. Il manquait un cadre théorique où le temps n’était plus un simple paramètre de délai, mais la variable directrice de l’algorithme de reconnaissance lui-même.
2.2 2.2 Les collaborations séminales avec Lorraine Komisarjevsky Tyler
C’est dans ce contexte intellectuel effervescent que William Marslen-Wilson a noué une collaboration fondatrice avec la linguiste et neuropsychologue Lorraine Komisarjevsky Tyler. Ensemble, à l’Université de Cambridge puis au sein d’institutions internationales de premier plan, ils ont conçu des protocoles expérimentaux d’une audace méthodologique remarquable pour traquer les processus cognitifs à leur échelle temporelle native.
L’outil expérimental clé de cette collaboration a été la tâche d’ombrage de la parole à latence ultra-courte (close shadowing). Dans ces expériences, des volontaires entraînés devaient répéter un discours oral qu’ils entendaient au casque avec le délai le plus faible possible. Marslen-Wilson et Tyler ont découvert avec stupéfaction que certains participants étaient capables d’ombrager le signal avec des latences de seulement 250 millisecondes, soit l’équivalent d’un unique phonème ou d’une syllabe de décalage. Plus impressionnant encore, lorsque des anomalies sémantiques ou syntaxiques étaient introduites insidieusement dans le discours, les sujets corrigeant spontanément ces erreurs de façon automatique, adaptant leur production pour la rendre conforme à la structure globale de l’énoncé.
Ces données empiriques éclatantes ont conduit à la publication de leur article fondateur de 1980 dans la revue Cognitive Psychology, intitulé « The temporal structure of spoken language understanding ». Dans ce travail monumental, Marslen-Wilson et Tyler ont articulé pour la première fois les postulats complets du modèle de la cohorte, démontrant que l’intégration syntaxique et sémantique intervient bien avant la fin physique du mot articulé, forçant la communauté scientifique à repenser de fond en comble l’architecture temporelle du traitement linguistique.
2.3 2.3 Rupture épistémologique avec les modèles sériels de traitement
L’avènement du modèle de la cohorte a provoqué une véritable rupture épistémologique au sein des sciences cognitives du langage. Jusqu’alors, la quasi-totalité des modèles de perception fonctionnaient selon une logique sérielle et post-acoustique : le signal sonore devait d’abord être entièrement échantillonné, puis converti en une chaîne de représentations phonétiques stables, laquelle était ensuite transmise à un système de recherche lexicale séquentielle qui parcourait le dictionnaire mental à la recherche d’une correspondance.
Marslen-Wilson a balayé cette vision sérielle en démontrant que le cerveau opère selon un traitement incrémentiel en flux continu (continuous incremental processing). L’auditeur n’attend jamais la terminaison d’une unité lexicale pour commencer à en calculer le sens et les implications syntaxiques. Le calcul psycholinguistique commence dès la première milliseconde et se poursuit de manière ininterrompue, chaque micro-information acoustique supplémentaire venant actualiser instantanément l’état global du système lexical.
De surcroît, le modèle a formalisé pour la première fois la compétition lexicale comme le moteur fondamental de l’efficacité perceptive. Dans la conception de Marslen-Wilson, reconnaître un mot ne consiste pas à chercher passivement une cible dans un répertoire inerte, mais à orchestrer une compétition féroce au sein d’une population d’unités actives. La sélection ne résulte pas d’un acte isolateur de vérification, mais de l’élimination rapide de tous les compétiteurs non viables. Cette formalisation de la compétition a préfiguré les grandes théories computationnelles et connexionnistes des décennies suivantes.
3. 3. Architecture générale et postulats fondamentaux du modèle
3.1 3.1 Les trois étapes constitutives du traitement auditif
L’architecture fonctionnelle originelle du modèle de la cohorte s’articule autour de trois étapes structurales interconnectées, qui décrivent le parcours de l’information depuis l’onde mécanique jusqu’à la pleine compréhension conceptuelle : l’accès, la sélection et l’intégration.
La première étape, dite étape d’accès, correspond à la conversion de l’information acoustico-phonétique brute en une activation passive des représentations stockées. Dès la réception des premières fractions de seconde d’un stimulus sonore, le système extrait les traits phonétiques saillants et active automatiquement, sans délibération ni contrôle attentionnel conscient, toutes les formes lexicales qui débutent par cette séquence. C’est à ce niveau précis qu’est générée la cohorte initiale de candidats lexicaux.
La deuxième étape est l’étape de sélection. Durant cette phase hautement dynamique, la cohorte initiale est soumise à un tamisage impitoyable. Au fur et à mesure que les segments acoustiques subséquents parviennent au système auditif, une comparaison phonétique continue opère : tout candidat dont la spécification phonologique interne entre en conflit avec l’information entrante est exclu de la cohorte. Ce processus de réduction se poursuit jusqu’à ce qu’il ne subsiste plus qu’un seul et unique candidat lexical compatible. C’est le moment de la reconnaissance formelle du mot.
Enfin, la troisième étape est l’étape d’intégration. Dès qu’un ou plusieurs candidats sont sélectionnés ou fortement présélectionnés, leurs propriétés syntaxiques, thématiques et sémantiques sont immédiatement incorporées dans la représentation globale de la phrase et du discours en cours de construction. Cette étape permet de vérifier si l’élément lexical isolé s’ajuste harmonieusement aux exigences structurales et conceptuelles du contexte communicatif.
3.2 3.2 Le principe d’activation parallèle compétitive
Le pilier algorithmique du modèle repose sur le principe d’activation parallèle compétitive. Contrairement aux modèles de recherche séquentielle (comme le modèle de recherche sérielle de Kenneth Forster), où le lexique mental est consulté élément par élément à la manière d’un catalogue, le modèle de la cohorte postule une ouverture massivement parallèle de multiples canaux lexicaux en simultané.
Ce choix computationnel répond à une contrainte écologique d’optimisation temporelle : rechercher un mot de façon sérielle au sein d’un lexique mental comptant entre 40 000 et 80 000 entrées exigerait un temps de traitement incompatible avec la vitesse de parole naturelle, qui peut atteindre 150 à 200 mots par minute. En ouvrant instantanément la porte à tous les compétiteurs viables, le système garantit qu’aucun candidat potentiel n’est négligé par une sélection hâtive ou biaisée. Durant cette phase initiale d’activation, il n’existe aucun filtre logique restrictif prématuré : tous les mots satisfaisant aux critères acoustiques initiaux reçoivent une part d’énergie cognitive.
La dynamique compétitive est ensuite gouvernée par la congruence phonétique descendante. Il ne s’agit pas d’une compétition passive où les candidats attendent d’être mesurés, mais d’une lutte dynamique où le signal acoustique agit comme un couperet sélectif. La force de chaque candidat au sein de la cohorte est continuellement réévaluée par rapport aux données sensorielles entrantes, assurant une convergence mathématique rapide vers la forme lexicale cible.
3.3 3.3 Les représentations phonologiques dans le lexique mental
Pour que le modèle de la cohorte fonctionne avec une telle précision chronométrique, l’organisation structurelle du lexique mental auditif doit répondre à des principes d’indexation très stricts. Marslen-Wilson avance que les représentations phonologiques en mémoire à long terme sont organisées et adressées en priorité d’après leurs traits phonétiques et segmentaux initiaux. L’amorce du mot sert de clé d’accès principale au répertoire lexical.
Ces représentations mémorisées possèdent une nature intrinsèquement abstraite. L’auditeur ne conserve pas dans son lexique permanent des enregistrements acoustiques bruts de chaque énoncé entendu (ce qui mènerait à une explosion combinatoire des besoins de stockage), mais des structures phonologiques abstraites composées de matrices de traits distinctifs (voisement, lieu d’articulation, mode d’articulation, nasalité). C’est cette abstraction qui permet au système de surmonter la formidable variance acoustique inter-locuteurs : l’information acoustique perçue est immédiatement mise en correspondance avec ces catégories phonologiques invariantes.
De surcroît, le modèle soutient l’autonomie relative du stock lexical auditif vis-à-vis du lexique orthographique. Bien que l’apprentissage de la lecture modifie indéniablement certaines représentations phonologiques chez l’adulte alphabétisé, le traitement de la parole continue active un réseau d’accès purement phonologique, indépendant des contraintes et des ambiguïtés de l’orthographe lexicale. Le système traite des unités sonores pures, gouvernées par les lois de la phonotaxe de la langue maternelle de l’auditeur.
4. 4. La phase d’accès : constitution de la cohorte initiale de candidats
4.1 4.1 La fenêtre temporelle critique d’amorçage acoustique
La constitution de la cohorte de candidats lexicaux s’effectue dans une fenêtre temporelle extrêmement étroite, située approximativement entre les 100 et 150 premières millisecondes du signal sonore. Cette brève durée correspond généralement au premier phonème ou au début de la transition entre la consonne d’attaque et la voyelle nucléaire d’une syllabe. C’est durant ce laps de temps infinitésimal que l’onde acoustique est décomposée par le système auditif périphérique et le cortex auditif primaire en indices spectraux et temporels exploitables.
À partir de cette analyse, le système extrait les premiers segments phonétiques et leurs traits distinctifs fondamentaux. Si le signal acoustique commence par exemple par une explosion sourde suivie de bruits de friction bilabiaux, le processeur d’accès active sans délai l’ensemble des représentations lexicales du répertoire dont la spécification débute par le segment /p/. Si l’amorce sonore est la séquence /kæ/, des milliers de mots tels que capitaine, camion, carotte, calcul, café ou catastrophe sont instantanément projetés dans l’arène de la cohorte active.
Cette phase de génération de candidats se caractérise par son automaticité et sa modularité totales. Elle s’exécute de manière réflexe, sans aucune médiation de la volonté consciente de l’auditeur et sans aucune consommation des ressources de l’attention sélective centrale. Elle constitue une routine sous-corticale et corticale précoce, ultra-spécialisée, dont la fonction exclusive est d’offrir une base de candidats exhaustive aux étapes computationnelles subséquentes.
4.2 4.2 L’absence d’influence contextuelle sur l’accès initial
L’un des postulats les plus audacieux et les plus controversés du modèle initial de Marslen-Wilson (Cohorte I) concerne l’imperméabilité absolue de la phase d’accès aux influences descendantes (top-down). Selon ce principe de modularité locale, la constitution de la cohorte initiale est un processus strictement ascendant (bottom-up), gouverné exclusivement par la structure phonétique du signal sonore.
Même si l’auditeur est plongé dans un contexte sémantique, thématique ou discursif d’une clarté absolue, ce contexte est formellement incapable de restreindre préventivement la taille de la cohorte avant que l’analyse acoustique n’ait eu lieu. Considérons par exemple la phrase suivante : « Le cavalier monta sur son ch… ». Bien que le mot cheval soit massivement prédictible sur le plan contextuel et pragmatique, le modèle postule que l’amorce phonétique /ʃ/ déclenche l’activation aveugle de tous les mots débutant par ce phonème, y compris des termes totalement absurdes dans ce contexte, tels que chocolat, chou, chapeau, cheminée ou chirurgien.
Cette imperméabilité cognitive transitoire protège le système auditif contre les effets pervers des attentes trompeuses ou des stéréotypes discursifs. Si le cavalier décidait, dans une métaphore poétique ou un récit inhabituel, de monter sur son « chameau » ou son « chariot », un filtrage contextuel précoce aurait exclu ces candidats viables et plongé le système dans l’impasse. En imposant un accès strictement ascendant durant les premières millisecondes, le modèle garantit que le système reste fidèlement ancré dans la réalité physique du signal avant que les contraintes d’ordre supérieur n’interviennent pour arbitrer la compétition.
4.3 4.3 La problématique du bruit et de la variabilité initiale
Malgré son élégance formelle, ce mécanisme d’activation initiale a rapidement fait émerger une difficulté théorique considérable : la vulnérabilité extrême au bruit acoustique et à la variabilité phonétique situés précisément sur le premier phonème du mot. Dans la formulation rigide de la première version du modèle, si un bruit soudain (une toux, un claquement de porte) altère les 50 premières millisecondes d’un mot, ou si le locuteur prononce de manière imparfaite le segment d’attaque, le mot cible est théoriquement exclu de sa propre cohorte dès le départ, rendant son identification ultérieure impossible par la voie standard.
Cette faiblesse est accentuée par la problématique de la segmentation lexicale aux frontières de mots. Dans un énoncé oral continu, comment l’auditeur sait-il avec certitude où s’achève le mot précédent et où commence le premier phonème du mot suivant ? Une mauvaise délimitation de la frontière initiale aboutit inéluctablement à la génération d’une cohorte de compétiteurs aberrants, ruinant l’ensemble du calcul lexical.
Face à ces défis théoriques majeurs, Marslen-Wilson et ses successeurs ont été contraints de réviser les postulats de base du modèle. Ils ont dû intégrer des ajustements computationnels sophistiqués afin de doter la phase d’accès d’une souplesse suffisante pour tolérer les distorsions du signal d’entrée, sans pour autant sacrifier la rapidité fulgurante qui constitue la marque de fabrique du modèle de la cohorte.
5. 5. La phase de sélection : processus d’élimination et d’activation
5.1 5.1 La comparaison phonétique continue en temps réel
Une fois la cohorte initiale établie au terme des 150 premières millisecondes, le système s’engage dans sa phase la plus critique : la sélection dynamique par comparaison phonétique continue. À mesure que les millisecondes s’écoulent, de nouvelles tranches d’information acoustique pénètrent dans le système sous la forme d’ondes spectrales converties en représentations phonologiques.
Le mécanisme sous-jacent fonctionne comme un filtre différentiel d’une précision millimétrique. Dès qu’un segment acoustique entrant diverge de la description phonologique d’un candidat présent dans la cohorte, ce candidat est immédiatement déchu de son statut et exclu de la compétition active. Reprenons l’amorce sonore /kæ/ : à cet instant, des mots comme capitaine (/kapitɛn/), camion (/kamjɔ̃/) et catastrophe (/katastʁɔf/) coexistent avec une force d’activation similaire. Dès que le signal fournit l’information du segment consonantique /p/, les candidats camion et catastrophe subissent une non-correspondance phonétique totale et sont éjectés sur-le-champ de la cohorte.
Ce processus d’amenuisement progressif se poursuit le long de la ligne temporelle du mot. La cohorte, qui comptait potentiellement plusieurs dizaines ou centaines d’éléments au départ, se rétrécit de manière spectaculaire à chaque phonème validé : de cinquante candidats à dix, puis à trois, jusqu’à ce qu’un unique prétendant subsiste dans l’espace de travail lexical. Dès cet instant, l’identification formelle a lieu, scellant l’isolement du mot cible.
5.2 5.2 Le rôle modulateur de la fréquence d’usage lexicale
La compétition au sein de la cohorte n’est pas une lutte démocratique où chaque mot pèse du même poids. L’un des apports majeurs de la psycholinguistique cognitive a été de démontrer que la fréquence d’usage d’un mot dans une langue donnée module profondément sa dynamique d’activation. Le modèle de la cohorte intègre cette réalité psychologique à travers la notion de niveau d’activation de base.
Dans le lexique mental, les mots hautement fréquents (comme table, maison, temps) possèdent un seuil de repos plus élevé que les mots rares ou archaïques (comme tabernacle, mausolée, temporalité). Lorsqu’une amorce phonétique partagée active une cohorte, les candidats à haute fréquence émergent avec une avance cinétique considérable. Ils exigent moins de preuves acoustiques pour maintenir leur viabilité et exercent une pression d’inhibition plus intense sur leurs concurrents moins fréquents.
Cette hiérarchisation probabiliste confère au système un avantage évolutif évident : en favorisant par défaut les mots statistiquement les plus susceptibles d’être prononcés dans l’environnement écologique de l’auditeur, le cerveau optimise son temps moyen de réaction et minimise les coûts énergétiques de traitement. La cohorte n’est donc pas une simple liste binaire de candidats, mais une distribution probabiliste graduée, dynamiquement orientée par l’expérience langagière accumulée par l’individu tout au long de sa vie.
5.3 5.3 Les effets de densité et de structure du voisinage phonologique
L’efficacité de la phase de sélection dépend également de la géométrie de l’espace phonologique environnant le mot cible. Les recherches expérimentales inspirées par les travaux de David Pisoni et de ses collègues sur le voisinage phonologique (neighborhood density) ont enrichi la compréhension du fonctionnement interne de la cohorte.
Un mot appartenant à un « voisinage dense » partage son patron phonologique initial et sa structure globale avec un grand nombre d’autres mots de la langue (par exemple, des mots courts comme chat, rat, mât, tas). À l’inverse, un mot issu d’un « voisinage clairsemé » possède peu d’homologues phonologiques immédiats (par exemple, obstacle ou orchidée). Le modèle de la cohorte prédit avec une grande rigueur que la vitesse de sélection d’un mot est fonction inverse de la densité de sa cohorte résiduelle : plus il y a de compétiteurs partageant la même trajectoire acoustique, plus le temps de latence nécessaire pour discriminer la cible sera élevé.
Durant cette phase critique, des mécanismes d’inhibition latérale réciproque s’activent entre les compétiteurs survivants. Chaque candidat actif tente d’inhiber ses rivaux pour accélérer sa propre émergence au premier plan. Dans un voisinage dense, cette lutte fratricide retarde le moment où un candidat parvient à dominer nettement l’assemblée neuronale, ce qui explique pourquoi les temps de réaction en laboratoire sont systématiquement plus longs pour les mots insérés dans des contextes lexicaux hautement concurrentiels.
6. 6. La phase d’intégration : articulation entre le bas-niveau et le haut-niveau
6.1 6.1 L’action des contraintes syntaxiques et thématiques
Bien que le décodage acoustique soit le moteur premier de la reconnaissance des mots, le langage humain ne consiste jamais en une simple récitation de vocables déconnectés. Les mots s’insèrent dans des matrices propositionnelles régies par des règles syntaxiques strictes et des structures thématiques précises. La phase d’intégration du modèle de la cohorte décrit comment ces connaissances structurales de haut niveau interviennent pour contraindre et accélérer la sélection lexicale.
À chaque étape d’une phrase en cours d’écoute, l’analyseur syntaxique (le parser) construit activement un arbre structural prédictif. Dès lors, lorsqu’un mot est amorcé, la cohorte de candidats activée par le signal acoustique est immédiatement confrontée aux exigences de cet arbre. Si la position structurale exige impérativement un verbe transitif direct, tous les candidats de la cohorte appartenant aux catégories grammaticales des noms, des adjectifs ou des prépositions subissent une pénalisation syntaxique foudroyante qui hâte leur élimination.
De même, la structure argumentale imposée par les verbes joue un rôle de filtre thématique. Un verbe comme manger impose à son complément d’objet direct d’appartenir à la classe des entités comestibles. Si le signal sonore suivant commence par l’amorce /p/, des candidats comme pomme ou pain seront immédiatement validés par le filtre argumental, tandis que des compétiteurs phonétiquement irréprochables comme pierre, porte ou panne verront leur viabilité compromise au sein de l’arène lexicale, permettant une réduction fulgurante du temps d’indécision.
6.2 6.2 L’impact sémantique et pragmatique du contexte discursif
Au-delà de la syntaxe formelle, la compréhension du langage mobilise le contexte sémantique global et le modèle mental de la situation que l’auditeur élabore en temps réel. Le modèle de la cohorte théorise avec finesse la manière dont ce contexte discursif interagit avec la sélection sans violer la primauté ascendante de l’accès phonétique.
Le contexte sémantique agit en renforçant sélectivement la réactivité des candidats compatibles au sein de la cohorte déjà activée par le signal acoustique. Si l’énoncé traite d’une intervention chirurgicale en milieu hospitalier, le champ sémantique de la médecine augmente le gain d’activation de candidats comme scalpel ou stéthoscope dès lors que leurs amorces respectives /sk/ ou /st/ sont perçues dans l’onde acoustique. Ce renforcement précoce permet à ces candidats de dépasser le seuil d’isolation lexicale bien plus vite qu’ils ne l’auraient fait dans un énoncé sémantiquement neutre.
Cette dynamique a alimenté l’un des débats les plus passionnés de la psycholinguistique moderne : l’intégration contextuelle opère-t-elle pendant la phase de sélection (modèle interactif) ou intervient-elle strictement après que le processeur acoustique a sélectionné le mot de manière purement autonome (modèle modulaire à deux temps) ? William Marslen-Wilson a constamment défendu une position intermédiaire sophistiquée : le contexte ne peut pas empêcher l’activation initiale de candidats incongruents, mais il peut intervenir de manière continue et conjointe dès la phase de sélection pour abréger la compétition et précipiter la convergence lexicale.
6.3 6.3 La distinction empirique entre autonomie d’accès et intégration interactive
Pour trancher empiriquement ce dilemme théorique fondamental, Marslen-Wilson et son équipe ont conçu des paradigmes chronométriques d’une extrême précision, visant à dissocier le temps d’accès acoustique du temps d’intégration contextuelle. La question centrale était de prouver expérimentalement que l’accès demeure autonome même lorsque le contexte semble dicter le choix du mot.
Dans des expériences d’amorçage intermodal (cross-modal priming), les participants écoutaient une phrase dont le contexte sémantique pointait sans ambiguïté vers un mot précis. Au moment exact où l’amorce sonore du mot cible était prononcée, un mot apparaissait sur un écran visuel, et le sujet devait effectuer une tâche de décision lexicale (décider si la chaîne de lettres était un mot de la langue). Les résultats ont révélé que, durant les 100 à 200 premières millisecondes suivant l’attaque du mot, le signal auditif facilitait la reconnaissance de mots visuels reliés non seulement au candidat prédit par le contexte, mais aussi à d’autres candidats phonétiquement congruents bien que sémantiquement absurdes dans ce contexte précis.
Ce n’est qu’après un délai supplémentaire d’environ 150 à 200 millisecondes que l’activation des candidats incompatibles avec le contexte s’éteignait complètement, laissant seul le mot thématiquement approprié. Cette démonstration empirique magistrale a validé l’architecture à deux phases du modèle : une première phase d’accès strictement autonome et ascendante, immédiatement relayée par une phase de sélection et d’intégration hautement interactive où le contexte et le signal physique travaillent de concert pour sceller la décision linguistique finale.
7. 7. Le concept de point d’unicité et la dynamique temporelle
7.1 7.1 Définition et caractérisation formelle du point d’unicité (PU)
Le concept de point d’unicité (souvent abrégé en PU) constitue l’innovation théorique la plus emblématique et la plus quantifiable introduite par William Marslen-Wilson. Le point d’unicité se définit formellement comme le point temporel exact, mesuré en millisecondes ou en segments phonémiques depuis le début d’un mot parlé, à partir duquel ce mot diverge de manière irrévocable de tous les autres mots répertoriés dans le lexique mental d’une langue donnée.
Pour illustrer ce mécanisme avec clarté, prenons l’exemple du mot français éléphant (/elefɑ̃/). Au fur et à mesure que les phonèmes sont émis, la cohorte évolue ainsi :
- À /e/, la cohorte contient des milliers de mots (école, état, élément, éléphant…).
- À /el/, la cohorte se réduit considérablement mais compte encore élève, élire, élémentaire, éléphant…
- À /ele/, la compétition se resserre autour d’une poignée de lexèmes (élément, éléphant, élevage…).
- À /elef/, le seul et unique mot du dictionnaire français débutant par cette séquence phonétique est éléphant.
Le segment /f/ constitue donc le point d’unicité d’éléphant. À cet instant précis, aucun autre mot de la langue française n’est phonétiquement possible. Dès lors, le système cognitif dispose de toutes les informations requises pour clore la sélection lexicale, bien avant que le locuteur n’ait commencé à émettre la voyelle nasale finale /ɑ̃/.
Le point d’unicité est une propriété structurelle objective, intrinsèque au vocabulaire de la langue. Il ne dépend pas de l’attention de l’auditeur, mais de la distribution combinatoire des phonèmes dans le lexique. Avec le développement de la linguistique informatique et des bases de données lexicales numérisées (telles que Lexique3 pour le français ou CELEX pour l’anglais et le néerlandais), les chercheurs ont pu calculer avec une exactitude mathématique absolue le point d’unicité théorique de chaque mot, transformant ce concept abstrait en une variable expérimentale continue d’une puissance méthodologique inégalée.
7.2 7.2 La dissociation entre point d’unicité et point de reconnaissance
Si le point d’unicité est une réalité structurelle et lexicale calculable hors contexte, la psycholinguistique cognitive doit rendre compte du comportement d’un auditeur vivant dans des situations réelles de communication. Cela a conduit Marslen-Wilson à formaliser une distinction cruciale entre le point d’unicité (PU) et le point de reconnaissance (PR).
Le point de reconnaissance correspond au moment psychologique précis où l’auditeur prend la décision ferme d’identifier le mot. En condition d’écoute isolée, dans un silence parfait et hors contexte de phrase, le point de reconnaissance coïncide remarquablement avec le point d’unicité : l’esprit humain valide le candidat dès que la physique de la langue rend toute autre alternative impossible. Les données chronométriques montrent une superposition quasi parfaite entre le PU théorique et le PR comportemental mesuré en laboratoire.
Cependant, en milieu écologique, ces deux repères temporels peuvent se dissocier de manière spectaculaire :
- L’anticipation contextuelle (PR antérieur au PU) : Dans un contexte hautement prédictif (« Neil Armstrong est le premier homme à avoir marché sur la L… »), le point de reconnaissance du mot Lune survient dès le premier phonème /l/, voire avant son émission acoustique complète, alors même que le point d’unicité structurel de Lune (face à lundi, lunette, luron) ne se situe qu’après la voyelle /y/ ou la consonne /n/. Le contexte compense l’absence de divergence phonétique intrinsèque.
- Le retard acoustique (PR postérieur au PU) : À l’inverse, si le signal est bruité, chuchoté ou masqué, ou si l’auditeur présente une incertitude phonétique, le point de reconnaissance sera retardé de plusieurs dizaines ou centaines de millisecondes après le point d’unicité théorique, le système cognitif attendant des indices de confirmation acoustiques ou sémantiques supplémentaires avant d’engager ses ressources décisionnelles.
7.3 7.3 Les facteurs influençant la reconnaissance précoce
L’existence de ce décalage temporel entre l’achèvement d’un mot et son point d’unicité engendre un phénomène universel de la compréhension du langage oral : l’isolation lexicale prématurée. Dans une majorité écrasante de cas, les mots de la langue naturelle sont reconnus alors qu’une fraction substantielle de leur enveloppe acoustique finale demeure encore dans la bouche du locuteur. Pour les mots longs, polysyllabiques (comme électricité ou reconnaissance), le mot est fréquemment identifié alors qu’il reste jusqu’à 40 % de sa durée totale à émettre.
Cette reconnaissance précoce est modulée par deux mécanismes distincts que Marslen-Wilson qualifie d’isolation acoustique intrinsèque et d’isolation fonctionnelle contextuelle. L’isolation acoustique relève de la géométrie du dictionnaire mental : certains mots possèdent une suite de phonèmes si rare et atypique qu’ils atteignent leur PU après seulement deux ou trois segments. L’isolation fonctionnelle, elle, résulte de la synergie entre un signal phonétique incomplet et un faisceau d’attentes syntaxico-sémantiques qui élimine les compétiteurs formellement viables bien avant que la physique du signal ne s’en charge.
Enfin, la prosodie et la structure accentuelle exercent une influence déterminante sur le calcul temporel du PU. Dans les langues à accent lexical variable comme l’anglais, l’espagnol ou l’italien, la position de la syllabe accentuée fournit une information phonétique suprasegmentale immédiate qui élimine d’emblée une grande partie de la cohorte. Un auditeur anglophone traitant l’amorce /’dɪs-/ élimine instantanément des mots comme discover (dont l’accent frappe la deuxième syllabe) au profit de mots comme discipline (accentué sur la première), avançant substantiellement le point temporel où le mot diverge de ses rivaux.
8. 8. Évolution théorique : du modèle originel aux versions révisées
8.1 8.1 Le modèle originel (Cohorte I) et la problématique du ‘tout ou rien’
La première formulation du modèle, que l’histoire des sciences cognitives désigne aujourd’hui sous le nom de Cohorte I (Marslen-Wilson & Tyler, 1980), reposait sur un mécanisme algorithmique discret, hautement déterministe et rigide, qualifié de principe du « tout ou rien » (all-or-none principle). Dans cette vision inaugurale, un mot appartenait à la cohorte ou en était exclu de manière binaire et absolue.
Cette implémentation catégorique présentait une vulnérabilité théorique rédhibitoire face aux réalités de la parole naturelle. L’architecture de Cohorte I était incapable de modéliser la remarquable tolérance du cerveau humain aux erreurs d’articulation, aux lapsus, aux variations d’accents régionaux ou aux légères modifications acoustiques. Si un locuteur prononçait par exemple par mégarde le mot *cigale en substituant un trait phonétique sur la consonne initiale pour dire *zigale, le modèle Cohorte I était incapable d’activer le mot cible cigale, puisque celui-ci était disqualifié d’office dès la première milliseconde par non-correspondance sur le segment d’attaque.
Or, l’expérience quotidienne et les données expérimentales prouvent que les auditeurs humains comprennent sans effort un discours entaché de distorsions phonétiques mineures ou d’altérations locales. L’exclusion catégorique et irréversible à la moindre non-congruence phonétique conférait au modèle une fragilité computationnelle incompatible avec l’extrême robustesse et la souplesse adaptative de la cognition humaine dans des environnements bruités.
8.2 8.2 Le modèle continu et probabiliste (Cohorte II)
Conscient des limites structurelles de sa modélisation première, William Marslen-Wilson a proposé, à la fin des années 1980 et au début des années 1990, une révision fondamentale connue sous le nom de Cohorte II. Cette seconde itération abandonne définitivement la logique binaire du « tout ou rien » au profit d’un cadre computationnel continu, probabiliste et massivement distribué, fortement influencé par la montée en puissance des modèles connexionnistes.
Dans Cohorte II, l’appartenance à la cohorte n’est plus un état discret, mais un continuum mathématique : les candidats lexicaux possèdent des degrés d’activation continus variant entre 0 et 1. Lorsqu’un signal acoustique entre en contradiction avec la forme sous-jacente d’un mot, ce dernier n’est plus impitoyablement annihilé ; son niveau d’activation est simplement réduit de manière proportionnelle à la sévérité de l’écart phonétique. Un mot présentant un décalage d’un seul trait distinctif (par exemple une variation de voisement entre /p/ et /b/) conserve une activation résiduelle non négligeable, tandis qu’une discordance massive (entre une voyelle ouverte et une consonne fricative) entraîne une chute drastique de son niveau énergétique.
Cette révision mathématique a permis de résoudre le paradoxe du bruit initial. Même si le premier phonème d’un mot est dégradé ou altéré, le mot cible peut désormais demeurer dans la cohorte avec un score de probabilité affaibli. Si les phonèmes subséquents s’alignent parfaitement avec sa description lexicale, le mot cible peut voir son niveau d’activation ré-augmenter graduellement jusqu’à dominer l’assemblée des compétiteurs et emporter la décision de sélection. Cohorte II a ainsi doté la théorie d’une robustesse computationnelle et d’une résilience écologique comparables aux performances auditives réelles.
8.3 8.3 Cohorte III et le traitement morphologique distribué
Au tournant du XXIe siècle, Marslen-Wilson et son laboratoire de Cambridge ont poussé la réflexion théorique vers une troisième étape : le modèle Cohorte III. Cette nouvelle conceptualisation s’est attaquée à l’une des faiblesses persistantes des modèles de perception auditive : l’illusion d’un lexique mental composé uniquement de mots pleins non décomposés, typique des langues à morphologie pauvre comme l’anglais.
Cohorte III intègre de manière explicite et centrale la dimension de la morphologie linguistique (racines, préfixes, suffixes, flexions grammaticales). Marslen-Wilson a démontré que l’accès lexical ne s’effectue pas directement vers des mots complets et indivisibles, mais implique une décomposition morphologique en temps réel dès l’arrivée du signal acoustique. Par exemple, un mot comme repartir déclenche à la fois l’analyse du préfixe re- et l’accès à la famille morphologique du verbe racine partir.
Cette avancée a été particulièrement féconde pour l’analyse des langues à morphologie non concaténative ou sémitique (comme l’arabe ou l’hébreu classique), où les mots sont formés par l’imbrication d’une racine consonantique abstraite (généralement trilitère) à l’intérieur d’un schème vocalique discontinu. Cohorte III a formalisé le traitement auditif comme un décodage distribué et sous-lexical, où les flux d’indices phonétiques activent de multiples couches de représentations morpho-syntaxiques en interaction permanente, arrachant définitivement le modèle à une vision linéaire naïve du lexique mental.
9. 9. Paradigmes expérimentaux et preuves empiriques
9.1 9.1 La tâche d’ombrage de la parole (speech shadowing)
Le modèle de la cohorte n’est pas né d’une simple spéculation philosophique ; il a été forgé au feu d’une inventivité méthodologique exceptionnelle. La tâche d’ombrage de la parole (speech shadowing), perfectionnée par William Marslen-Wilson dès les prémices de ses recherches doctorales, a constitué le premier banc d’essai expérimental de la théorie.
Le protocole exige des participants qu’ils répètent à voix haute, mot pour mot et sans aucune pause, un flux de parole continue transmis par un casque audio. Pour mesurer les limites temporelles ultimes de la cognition, Marslen-Wilson a sélectionné des « ombrageurs rapides » (fast shadowers) capables de reproduire le signal avec une latence phénoménale de seulement 250 à 270 millisecondes. Étant donné que le temps physiologique incompressible pour planifier et exécuter un geste articulatoire moteur est d’environ 150 à 180 millisecondes, il ne restait que 70 à 100 millisecondes au cerveau du sujet pour traiter l’onde acoustique entrante. C’était la preuve matérielle irréfutable que la reconnaissance des mots s’opère sur la base des tout premiers phonèmes, sans attendre la fin du mot.
Le coup d’éclat méthodologique de ces expériences a résidé dans le phénomène de correction spontanée des erreurs, souvent désigné sous le terme imagé de « fly-catching » (attrapage de mouches au vol). Marslen-Wilson introduisait délibérément dans le discours entendu des mots déformés ou des non-mots subtils (par exemple prononcer *tomadit à la place de tomate). Les ombrageurs rapides rétablissaient spontanément et inconsciemment le mot correct tomate dans leur répétition orale, sans même s’apercevoir de l’altération acoustique. Cette synthèse descendante en temps réel a démontré de façon péremptoire que l’auditeur projette continuellement ses représentations lexicales et sémantiques sur le signal avant que l’anomalie acoustique n’ait fini de retentir.
9.2 9.2 Le paradigme du gating (présentation par fenêtres temporelles successives)
Si l’ombrage a démontré la rapidité du traitement, il ne permettait pas de quantifier avec précision la dynamique interne de réduction de la cohorte à chaque milliseconde. C’est pour combler cette lacune que François Grosjean, en collaboration avec les travaux de l’école de Cambridge, a développé le paradigme du gating (présentation par fenêtres temporelles croissantes).
Le protocole du gating est aussi rigoureux que révélateur : un mot acoustique enregistré est découpé numériquement en tranches temporelles successives de durée croissante, généralement par incréments de 20, 30 ou 50 millisecondes. On fait entendre à l’auditeur la première fenêtre (par exemple les premières 50 ms d’un mot), et on lui demande de deviner le mot cible et d’évaluer son degré de confiance. On lui fait ensuite écouter la deuxième fenêtre (les 100 premières ms), puis la troisième (150 ms), et ainsi de suite jusqu’à la présentation du mot complet :
- Visualisation de la cohorte : Aux premières fenêtres temporelles (50-100 ms), les participants produisent un large éventail de réponses divergentes, mais qui partagent toutes rigoureusement les mêmes traits phonétiques d’attaque : la cohorte initiale se matérialise directement sous les yeux de l’expérimentateur.
- Chronométrie de l’élimination : À mesure que les tranches acoustiques s’allongent, la distribution des réponses se resserre drastiquement. Les candidats incompatibles sont éliminés les uns après les autres par l’ensemble des sujets testés.
- Quantification du point d’isolation : Le gating permet de déterminer avec une précision mathématique le point d’isolation empirique, c’est-à-dire la fenêtre temporelle exacte à partir de laquelle tous les participants s’accordent sur le mot correct sans plus jamais en dévier.
En comparant les résultats obtenus avec des mots insérés dans des contextes neutres versus des contextes hautement prédictifs, le gating a permis de confirmer de façon éclatante les prédictions fondamentales du modèle : en contexte porteur, le point d’isolation s’avance considérablement sur la ligne temporelle, validant empiriquement l’action conjointe de la sélection acoustique et des contraintes pragmatiques.
9.3 9.3 L’amorçage cross-modal et le paradigme du monde visuel (visual world eyetracking)
Pour observer l’activation transitoire des compétiteurs au sein de cerveaux d’auditeurs non interrompus par une tâche métalinguistique comme le gating, la psycholinguistique a mobilisé deux technologies expérimentales majeures : l’amorçage intermodal (cross-modal priming) et le paradigme du monde visuel avec enregistrement des mouvements oculaires (visual world eyetracking).
L’amorçage cross-modal combine la modalité auditive et la modalité visuelle. L’auditeur écoute une phrase au casque, et à des intervalles temporels contrôlés à la milliseconde près durant l’émission d’un mot, un stimulus visuel est flashé sur un écran d’ordinateur. Le participant doit appuyer sur un bouton pour décider s’il s’agit d’un mot réel. Les résultats ont révélé un phénomène capital : si l’on diffuse l’amorce sonore /kap/, on observe une facilitation décisionnelle non seulement pour un mot sémantiquement lié à la cible attendue (par exemple navire pour capitaine), mais également pour un mot relié à un compétiteur temporaire de la cohorte (par exemple voyage pour capitole ou bétail pour caprin). Cette facilitation démontre sans ambiguïté que de multiples entrées lexicales sont simultanément et physiquement actives dans l’esprit de l’auditeur avant d’être écartées par la suite du signal acoustique.
À partir de la fin des années 1990, les chercheurs comme Michael Tanenhaus ont porté cette observation à un niveau de précision inégalé grâce au paradigme du monde visuel. Dans ces expériences, le participant observe un écran affichant quatre images (par exemple : une bougie, un bonbon, une bouteille et une fourchette) tout en écoutant une consigne orale telle que « Cliquez sur la bougie ». En traquant les mouvements de la fovéa oculaire toutes les quatre millisecondes, les caméras ont enregistré un fait saisissant : dès les 150 premières millisecondes du mot *bougie*, les yeux de l’auditeur se posent avec une probabilité égale sur la *bougie*, le *bonbon* et la *bouteille*, ignorant superbement la *fourchette*. Ce n’est que vers 300 millisecondes, dès que l’information phonétique diverge, que le regard se focalise définitivement sur la cible finale. Ce protocole a fourni une fenêtre optique directe sur la vie et la mort des candidats au sein de la cohorte lexicale en temps réel.
10. 10. Analyse comparative avec les modèles concurrents de perception de la parole
10.1 10.1 Modèle de la Cohorte versus Modèle TRACE (McClelland & Elman)
L’histoire de la psycholinguistique moderne est indissociable de la rivalité intellectuelle monumentale qui a opposé, tout au long des années 1980 et 1990, le modèle de la cohorte de Marslen-Wilson au modèle TRACE conçu par James McClelland et Jeffrey Elman. Cette confrontation a cristallisé l’un des débats fondamentaux des sciences cognitives : l’architecture de l’esprit est-elle gouvernée par des modules temporels autonomes ou par un réseau connexionniste massivement interactif ?
Le modèle TRACE est un réseau de neurones artificiels structuré en trois niveaux de traitement hiérarchiques : les traits acoustiques, les phonèmes et les mots. Sa caractéristique la plus révolutionnaire réside dans la présence de connexions rétroactives descendantes (feedback loops) hautement interactives : le niveau lexical renvoie directement de l’énergie excitatrice au niveau phonémique inférieur. Ainsi, dans TRACE, si un mot commence à s’activer, il modifie rétroactivement la perception des phonèmes qui le composent, créant une perméabilité totale de la perception de bas niveau aux connaissances de haut niveau. À l’opposé, le modèle de la cohorte refuse formellement ce feedback descendant au stade de l’accès : le flux d’information reste rigoureusement ascendant et préservé des distorsions prématurées de l’attente lexicale.
Une autre divergence conceptuelle majeure réside dans la gestion de la temporalité. Le modèle de la cohorte appréhende le temps comme une dimension dynamique intrinsèque et irréversible, où les candidats sont traités au fur et à mesure de leur déploiement chronologique. Le modèle TRACE, quant à lui, résout le problème de l’alignement temporel par une astuce computationnelle lourde : la duplication spatiale du réseau. Dans TRACE, l’ensemble du système phonémique et lexical est dupliqué à chaque pas de temps (toutes les dizaines de millisecondes), créant une gigantesque matrice spatio-temporelle statique. Si TRACE a démontré une puissance mathématique remarquable pour simuler des illusions perceptives comme l’effet Ganong (tendance à entendre un phonème ambigu de manière à former un mot réel), le modèle de la cohorte est resté incomparablement plus économe, plus réaliste sur le plan neurobiologique et plus fidèle à la dynamique phénoménologique de l’écoute naturelle.
10.2 10.2 Modèle de la Cohorte versus Modèle Shortlist (Norris)
Pour dépasser les impasses computationnelles de TRACE tout en conservant l’esprit d’optimisation temporelle de William Marslen-Wilson, le psycholinguiste Dennis Norris a proposé au milieu des années 1990 le modèle Shortlist, complété plus tard par sa version bayésienne Shortlist B. Shortlist a constitué une tentative magistrale de réconciliation computationnelle.
Le modèle Shortlist repose sur une architecture hybride novatrice à deux étages computationnels distincts :
- Le premier étage (filtrage ascendant pur) : À la réception du signal acoustique, un algorithme strictement ascendant génère de manière instantanée une liste restreinte (la « shortlist ») regroupant quelques dizaines de candidats lexicaux compatibles avec l’information entrante. Cet étage fonctionne sans aucun feedback descendant, préservant l’autonomie computationnelle défendue par le modèle de la cohorte.
- Le deuxième étage (réseau connexionniste interactif local) : Les candidats retenus dans la liste restreinte sont alors projetés au sein d’un petit réseau connexionniste dynamique généré ad hoc. C’est à ce niveau local que s’exercent les mécanismes de compétition latérale, d’inhibition réciproque et d’évaluation des frontières lexicales.
L’avantage décisif de Shortlist sur le modèle originel de la cohorte réside dans sa gestion de la segmentation continue. Le modèle de la cohorte supposait implicitement que le système savait toujours identifier le premier phonème d’un mot pour lancer la cohorte. Shortlist abolit ce postulat artificiel : il analyse le flux sans jamais pré-segmenter les frontières. Le réseau calcule en permanence la compétition entre des séquences de mots qui se chevauchent sur la chaîne parlée (par exemple, déterminer dans le flux anglais si l’auditeur entend *ship* ou *shipping*). Shortlist a ainsi opérationnalisé et formalisé dans un code algorithmique robuste les intuitions pionnières que Marslen-Wilson avait formulées de manière plus qualitative.
10.3 10.3 Modèle de la Cohorte versus Approches motrices et théories basées sur les exemplaires
Le modèle de la cohorte se démarque également avec éclat de deux autres grandes familles théoriques qui ont marqué la perception du langage oral : la théorie motrice et les modèles par exemplaires.
La théorie motrice de la perception de la parole, formulée initialement par Alvin Liberman et les chercheurs des Laboratoires Haskins, soutient que l’auditeur ne décode pas des signaux acoustiques abstraits, mais identifie les intentions et les gestes neuromoteurs articulatoires du locuteur (mouvements de la langue, occlusion des lèvres, pincement du larynx). Pour Liberman, percevoir la parole revient à faire tourner un simulateur moteur interne. Le modèle de la cohorte s’inscrit en faux contre cette perspective motrice radicale : pour Marslen-Wilson, la reconnaissance des mots s’opère sur la base d’un traitement auditif et phonologique autonome, fondé sur des contrastes acoustiques spectraux mis en correspondance avec un répertoire lexical, sans qu’il soit nécessaire d’en appeler à une boucle motrice active pour les opérations d’accès et de sélection lexicale de base.
À l’autre extrême du spectre théorique se trouvent les théories basées sur les exemplaires (portées notamment par Keith Johnson). Ces approches computationnelles postulent que le cerveau humain ne stocke pas de représentations phonologiques abstraites dénuées de contexte, mais accumule en mémoire épisodique une infinité d’exemplaires acoustiques bruts et détaillés de chaque mot entendu, conservant la voix précise du locuteur, sa hauteur tonale, son débit et sa résonance émotionnelle. La reconnaissance s’effectuerait alors par un calcul de proximité vectorielle globale entre le son perçu et ces millions de traces épisodiques mémorisées. Face à cette prolifération inflationniste de la mémoire, le modèle de la cohorte oppose le rasoir d’Occam : l’existence d’une matrice phonologique compacte et abstraite qui permet au système d’éliminer des populations entières de candidats en un éclair temporel, faisant de l’abstraction le moteur irremplaçable de l’efficacité chronométrique de l’esprit humain.
11. 11. Corrélats neurobiologiques et réseaux cérébraux du modèle de la cohorte
11.1 11.1 Substrats anatomiques du traitement lexical auditif
Avec l’essor spectaculaire de la neuro-imagerie fonctionnelle (IRMf) et des neurosciences cognitives à partir de la fin des années 1990, William Marslen-Wilson et Lorraine Tyler ont entrepris d’ancrer les postulats psychologiques du modèle de la cohorte dans l’architecture anatomique réelle du cerveau humain. Ces recherches ont permis d’associer les trois étapes fonctionnelles (accès, sélection, intégration) à des réseaux cortico-sous-corticaux hautement différentiés.
L’analyse acoustico-phonétique initiale et la génération de la cohorte d’accès s’enracinent anatomiquement dans le gyrus temporal supérieur (STG) de manière bilatérale, incluant le cortex auditif primaire (gyrus de Heschl) et le planum temporale. Ces structures analysent l’enveloppe spectro-temporelle de l’onde sonore et traduisent les perturbations de pression atmosphérique en une carte de traits phonétiques en quelques dizaines de millisecondes.
La phase de sélection compétitive recrute un carrefour anatomique plus antérieur et ventral : le gyrus temporal moyen gauche (MTG) et les parties adjacentes du sulcus temporal supérieur. C’est dans ce hub temporal gauche que semble résider le stock des représentations lexicales abstraites. Au moment où la cohorte s’amenuise, des boucles fonctionnelles s’activent entre le MTG et le gyrus frontal inférieur gauche (LIFG), structure qui englobe l’aire de Broca (aires de Brodmann 44 et 45). Le LIFG intervient comme un modulateur attentionnel et computationnel de haut niveau : il est particulièrement recruté lorsque la cohorte est volumineuse ou lorsque la sélection exige de résoudre une ambiguïté phonétique intense sous la pression du temps.
11.2 11.2 Électrophysiologie et signatures temporelles (ERP et MEG)
Si l’IRMf offre une résolution spatiale remarquable pour identifier les aires anatomiques activées, elle souffre d’une inertie hémodynamique (plusieurs secondes) incompatible avec la dynamique ultra-rapide du modèle de la cohorte. Pour traquer le destin des compétiteurs à l’échelle de la milliseconde, les neuroscientifiques ont mobilisé l’électroencéphalographie (potentiels évoqués ou ERP) et la magnétoencéphalographie (MEG).
Ces investigations électrophysiologiques ont mis en lumière deux composantes cérébrales capitales qui signent directement le fonctionnement du modèle :
- La Négativité de Divergence Phonologique (Phonological Mismatch Negativity – PMN) : Découverte vers 250 à 300 millisecondes après le début d’un mot, cette onde électrique négative fronto-centrale réagit de manière spectaculaire à la concordance entre l’information phonétique attendue et l’information acoustique reçue. Si le locuteur commence à articuler un phonème qui diverge des candidats les plus probables de la cohorte, la PMN déclenche une déflexion immédiate. Elle constitue l’indice neurophysiologique direct de l’élimination phonétique active d’un candidat au sein de la cohorte.
- L’onde N400 : Formalisée à l’origine par Marta Kutas et Steven Hillyard, cette célèbre composante centropariétale négative culminant à 400 millisecondes reflète l’effort d’intégration sémantique contextuelle. Dans le cadre du modèle de la cohorte, l’amplitude de la N400 est inversement proportionnelle à la facilité avec laquelle le mot sélectionné s’intègre dans le modèle mental de la phrase. Plus la cohorte a convergé rapidement vers un candidat sémantiquement congruent, plus la N400 est réduite.
Grâce à la magnétoencéphalographie (MEG), qui allie une résolution temporelle millimétrique à une excellente localisation des sources corticales, les chercheurs ont pu visualiser en temps réel la vague d’activation neuronale s’étendant du cortex auditif primaire au lobe temporal moyen en moins de 180 ms, matérialisant physiquement la cascade de traitement postulée par William Marslen-Wilson.
11.3 11.3 La dynamique des voies dorsale et ventrale du langage
L’intégration des postulats de la cohorte dans les neurosciences modernes a trouvé son couronnement théorique dans le célèbre modèle neurobiologique à double flux développé par Gregory Hickok et David Poeppel. Ce cadre sépare le traitement du langage en deux grandes voies anatomiques divergentes : la voie ventrale et la voie dorsale.
Le modèle de la cohorte constitue en réalité la description computationnelle par excellence de la voie ventrale du langage (la voie « du quoi »). Cette voie s’étend bilatéralement depuis le cortex auditif supérieur vers les gyri temporaux moyens et inférieurs, puis vers les cortex temporaux antérieurs. Sa fonction exclusive est d’assurer la mise en correspondance du signal auditif avec les représentations conceptuelles et lexicales. C’est tout au long de cette voie ventrale que s’opèrent l’activation de la cohorte, l’attrition des compétiteurs sous la pression des contrastes acoustiques et la délivrance de l’entrée lexicale isolée.
La voie dorsale (la voie « du comment/où »), en revanche, connecte le cortex temporal supérieur postérieur aux structures prémotrices frontales à travers le faisceau arqué. Elle sous-tend la conversion auditoire-motrice et la mémoire phonologique à court terme. Bien que le modèle de la cohorte repose prioritairement sur la voie ventrale pour l’accès au sens, la voie dorsale est continuellement tenue informée du contenu de la cohorte résiduelle, notamment lors de tâches de répétition immédiate ou d’ombrage de parole, permettant d’articuler en temps réel la réponse motrice de l’auditeur avec une synchronie époustouflante.
12. 12. Applications cliniques, limites contemporaines et perspectives futures
12.1 12.1 Éclairage neuropsychologique des troubles du langage
Le modèle de la cohorte n’a pas seulement enrichi la théorie cognitive pure ; il a fourni une grille de lecture diagnostique et clinique fondamentale pour comprendre la sémiologie de nombreuses pathologies neurologiques et troubles neurodéveloppementaux du langage.
Dans l’aphasie de Wernicke, consécutive à une lésion de la région temporale gauche, les patients présentent souvent une audition brute normale, mais une incapacité totale à comprendre le sens des mots parlés, produisant eux-mêmes un jargon fluent mais incohérent. Le modèle de la cohorte permet d’éclairer précisément ce déficit : chez ces patients, l’analyse acoustico-phonétique de base est préservée, mais le mécanisme de sélection compétitive et d’attrition est profondément déstructuré. Incapables d’inhiber les compétiteurs non pertinents ou d’extraire le candidat unique au point d’unicité, ces sujets subissent une invasion incontrôlée de formes lexicales concurrentes sans jamais pouvoir stabiliser la représentation cible, ce qui plonge leur système dans une confusion sémantique irrémédiable.
Le modèle apporte également un éclairage novateur sur les mécanismes sous-jacents de la dyslexie développementale et des troubles spécifiques du langage (dysphasie). De nombreux travaux ont démontré que certains enfants dyslexiques souffrent d’un déficit primaire dans le traitement temporel rapide des signaux auditifs. Incapables d’échantillonner le flux sonore avec une résolution temporelle de l’ordre de quelques dizaines de millisecondes, ces enfants ne parviennent pas à extraire les traits phonétiques fins lors des premières 100 millisecondes du mot. La cohorte initiale générée est alors soit lacunaire, soit saturée de compétiteurs erronés, ce qui retarde considérablement le point d’isolation lexicale et obère l’apprentissage ultérieur de la correspondance graphème-phonème.
12.2 12.2 Défis non résolus et limites théoriques du modèle
En dépit de sa longévité et de ses succès empiriques incontestables, le modèle de la cohorte fait face aujourd’hui à plusieurs défis théoriques majeurs qui soulignent les limites de son formalisme originel.
Le premier défi concerne l’intégration computationnelle de la variation dialectale et des accents régionaux. Dans la vie courante, un mot prononcé avec un accent étranger prononcé peut comporter des décalages phonétiques systématiques sur presque tous ses segments. Si un locuteur modifie systématiquement les voyelles ou neutralise certains contrastes consonantiques, comment le système parvient-il à recalibrer dynamiquement son algorithme de sélection sans disqualifier instantanément l’ensemble du vocabulaire ? Bien que la version Cohorte II introduise des activations continues, la modélisation formelle de l’apprentissage adaptatif en ligne face à un nouvel accent demeure largement incomplète.
Le deuxième écueil réside dans la sous-estimation chronique des signaux paralinguistiques et de la prosodie émotionnelle. Le modèle de la cohorte a été pensé comme un processeur segmentale découpant des phonèmes. Or, la parole naturelle véhicule une part immense de son contenu à travers des contours mélodiques globaux, des variations de ton, d’intensité et d’expressivité émotionnelle qui enveloppent l’ensemble de l’énoncé. La manière dont ces indices suprasegmentaux globaux dialoguent en temps réel avec la sélection microscopique des phonèmes constitue un champ de recherche encore largement en friche.
Enfin, la gestion du débit de parole hautement fluctuant pose un problème computationnel épineux. Dans une conversation informelle et passionnée, le débit articulatoire peut doubler en l’espace d’une phrase, entraînant des phénomènes massifs d’hypo-articulation et d’élision phonétique (par exemple, prononcer *ch’sais pas* au lieu de *je ne sais pas*). Modéliser mathématiquement comment la cohorte redéfinit dynamiquement ses fenêtres d’accès face à un signal aussi compresse et élastique demeure l’un des défis computationnels les plus redoutables pour les continuateurs contemporains de Marslen-Wilson.
12.3 12.3 Résonance contemporaine avec l’intelligence artificielle et le TALN
L’héritage intellectuel de William Marslen-Wilson résonne aujourd’hui avec une vigueur renouvelée au cœur de la révolution de l’intelligence artificielle et du traitement automatique du langage naturel (TALN). Les systèmes modernes de reconnaissance automatique de la parole (ASR), tels que ceux intégrés dans les assistants vocaux ou les outils de transcription de pointe (Whisper d’OpenAI, architectures à base de réseaux neuronaux récurrents ou de Transformers), reposent sur des principes algorithmiques qui partagent une parenté conceptuelle directe avec le modèle de la cohorte.
Ces architectures modernes de deep learning n’analysent pas la parole de manière statique après coup ; elles traitent l’audio sous forme de flux tensoriels séquentiels. À chaque trame temporelle, l’encodeur acoustique extrait des matrices de caractéristiques spectrales qui génèrent une distribution de probabilités sur l’ensemble du vocabulaire disponible. Les algorithmes de décodage, tels que la recherche par faisceau (beam search), maintiennent en permanence un ensemble restreint d’hypothèses lexicales hautement probables, éliminant impitoyablement les séquences dont le score de vraisemblance s’effondre au fil du signal : c’est la réincarnation computationnelle exacte de la cohorte de compétiteurs imaginée par Marslen-Wilson dans les années 1970.
De surcroît, la convergence actuelle entre les modèles bayésiens de traitement prédictif (predictive coding) en neurosciences et les modèles de langage de grande taille (LLM) apporte une confirmation éclatante de l’intuition centrale de William Marslen-Wilson : le cerveau humain est une machine prédictive ultra-optimisée, qui ne subit pas passivement le flux d’informations sensorielles venant du monde extérieur, mais devance perpétuellement la réalité physique en orchestrant une compétition permanente entre des hypothèses internes. En plaçant la flèche du temps au centre absolu de la compréhension du langage, le modèle de la cohorte a non seulement fondé la psycholinguistique moderne, mais a tracé la voie conceptuelle sur laquelle chemine encore aujourd’hui l’exploration de l’intelligence humaine et artificielle.
Références
Allopenna, P. D., Magnuson, J. S., & Tanenhaus, M. K. (1998). Tracking the time course of spoken word recognition using eye movements: Evidence for continuous mapping models. Journal of Memory and Language, 38(4), 419-439. https://doi.org/10.1006/jmla.1997.2558
Fodor, J. A. (1983). The Modularity of Mind: An Essay on Faculty Psychology. MIT Press. https://doi.org/10.7551/mitpress/4737.001.0001
Grosjean, F. (1980). Spoken word recognition processes and the gating paradigm. Perception & Psychophysics, 28(4), 267-283. https://doi.org/10.3758/BF03204386
Hickok, G., & Poeppel, D. (2007). The cortical organization of speech processing. Nature Reviews Neuroscience, 8(5), 393-402. https://doi.org/10.1038/nrn2113
Kutas, M., & Hillyard, S. A. (1980). Reading senseless sentences: Brain potentials reflect semantic incongruity. Science, 207(4427), 203-205. https://doi.org/10.1126/science.7350657
Liberman, A. M., Cooper, F. S., Shankweiler, D. P., & Studdert-Kennedy, M. (1967). Perception of the speech code. Psychological Review, 74(6), 431-461. https://doi.org/10.1037/h0020279
Luce, P. A., & Pisoni, D. B. (1998). Recognizing spoken words: The neighborhood activation model. Ear and Hearing, 19(1), 1-36. https://doi.org/10.1097/00003446-199802000-00001
Marslen-Wilson, W. D. (1973). Speech shadowing and lexical access. Unpublished doctoral dissertation, Massachusetts Institute of Technology.
Marslen-Wilson, W. D. (1987). Functional parallelism in spoken word-recognition. Cognition, 25(1-2), 71-102. https://doi.org/10.1016/0010-0277(87)90005-9
Marslen-Wilson, W. D., & Tyler, L. K. (1975). Processing structure and sentence perception. Neuropsychologia, 13(4), 469-482. https://doi.org/10.1016/0028-3932(75)90070-5
Marslen-Wilson, W. D., & Tyler, L. K. (1980). The temporal structure of spoken language understanding. Cognition, 8(1), 1-71. https://doi.org/10.1016/0010-0277(80)90015-3
Marslen-Wilson, W. D., & Welsh, A. (1978). Processing interactions and lexical access during word recognition in fluent speech. Cognitive Psychology, 10(1), 29-63. https://doi.org/10.1016/0010-0285(78)90018-X
McClelland, J. L., & Elman, J. L. (1986). The TRACE model of speech perception. Cognitive Psychology, 18(1), 1-86. https://doi.org/10.1016/0010-0285(86)90015-0
Morton, J. (1969). Interaction of information in word recognition. Psychological Review, 76(2), 165-178. https://doi.org/10.1037/h0027366
Norris, D. (1994). Shortlist: A connectionist model of continuous speech recognition. Cognition, 52(3), 189-234. https://doi.org/10.1016/0010-0277(94)90043-4
Norris, D., & McQueen, J. M. (2008). Shortlist B: A Bayesian model of continuous speech recognition. Psychological Review, 115(2), 357-395. https://doi.org/10.1037/0033-295X.115.2.357
Tyler, L. K., & Marslen-Wilson, W. D. (1982). Speech processing without autonomy: A reply to Fodor. Cognition, 11(3), 263-266. https://doi.org/10.1016/0010-0277(82)90025-7
Tyler, L. K., Voice, J. K., & Moss, H. E. (2000). The interaction of syntactic and thematic information in spoken sentence comprehension: Evidence from normal and aphasic listeners. Brain and Language, 74(3), 444-447. https://doi.org/10.1006/brln.2000.2355