La perception de la parole constitue l’un des accomplissements les plus prodigieux et les plus énigmatiques de l’architecture cognitive humaine. En une infime fraction de seconde, le système auditif transforme une onde acoustique continue, bruitée et hautement variable en représentations linguistiques abstraites douées de sens. Alors que les ingénieurs en traitement automatique du signal se sont heurtés pendant des décennies à l’absence de frontières discrètes entre les mots et à l’extrême variabilité inter-locuteurs, le cerveau humain parvient à identifier les items lexicaux avec une aisance déconcertante, souvent avant même que leur émission phonique ne soit achevée. Cette prouesse repose sur des mécanismes psycholinguistiques incrémentaux d’une sophistication remarquable, dont la modélisation a transformé notre compréhension de l’esprit.
Au cœur de cette révolution scientifique se dresse la figure de William D. Marslen-Wilson, dont les travaux pionniers à la fin des années 1970 ont radicalement redéfini le paradigme de l’accès lexical auditif. En formulant le modèle de cohorte, Marslen-Wilson a proposé une architecture computationnelle où la reconnaissance lexicale n’est pas le produit d’une analyse rétrospective passive, mais un processus dynamique, prédictif et hautement concurrentiel. Dès la réception des premières millisecondes d’un mot, le lexique mental active simultanément une multitude de candidats potentiels partageant cette amorce phonétique, formant une « cohorte » qui se rétrécit de manière drastique au fur et à mesure que les indices acoustiques subséquents éliminent les compétiteurs non concordants.
Ce modèle novateur a su concilier les exigences de rapidité fulgurante du traitement en temps réel et les contraintes de robustesse face aux ambiguïtés du signal continu. Au fil de quatre décennies d’expérimentations psycholinguistiques, d’avancées neuro-imageriques et de débats épistémologiques intenses, le modèle de cohorte a évolué de sa forme catégorielle originelle vers des versions probabilistes et sous-spécifiées adaptées à la plasticité neurobiologique. Cet article propose une exploration encyclopédique du modèle de cohorte : depuis ses fondements théoriques jusqu’à ses prolongements neurobiologiques contemporains, en passant par ses formalismes mathématiques, ses confrontations expérimentales et les controverses majeures qui ont façonné les sciences cognitives du langage.
1. Introduction et fondements théoriques de la reconnaissance de la parole
1.1 Le défi cognitif du traitement du signal acoustique continu
L’écoute de la parole vivante confronte l’auditeur à un flux sonore physique fondamentalement évanescent, fluide et non segmenté. Contrairement à la modalité écrite, où les espaces typographiques délimitent rigoureusement les frontières lexicales et syntaxiques, le signal acoustique de la parole continue ne comporte pas de silences systématiques entre les mots. Les baisses d’amplitude ou les pauses physiques coïncident bien davantage avec la phase de tenue de consonnes occlusives sourdes qu’avec des frontières morphologiques ou lexicales réelles. Dès lors, le système cognitif doit résoudre le problème de la segmentation lexicale en temps réel, sans pouvoir s’appuyer sur des balises périphériques univoques.
À cette absence de segmentation s’ajoute le problème classique de l’absence d’invariance acoustique. Un même phonème abstrait, par exemple la consonne occlusive dentale sourde /t/, engendre des configurations formantielles et des caractéristiques spectrales radicalement dissemblables selon la voyelle qui lui succède ou qui le précède, phénomène physiologique universel connu sous le nom de coarticulation. De surcroît, la variabilité inter-locuteurs (liée aux dimensions de la cavité buccale, au sexe, à l’âge, à l’accent régional) et la variabilité intra-locuteur (affectée par le débit de parole, l’état émotionnel, la fatigue ou le contexte d’élocution formel ou informel) rendent impossible une correspondance biunivoque et directe entre des spectres de fréquence statiques et des catégories phonologiques discrètes.
En dépit de cette incertitude acoustique intrinsèque, la vitesse de traitement chez l’auditeur humain demeure époustouflante. Un adulte moyen produit entre trois et six syllabes par seconde, ce qui correspond à un traitement moyen de dix à quinze phonèmes par seconde. L’auditeur humain est capable d’identifier un mot isolé dans un flux discursif en environ 200 à 250 millisecondes à compter de son point d’initiation, alors même que l’articulation complète dudit mot peut exiger de 400 à 600 millisecondes. Cette observation comportementale fondamentale implique que la reconnaissance lexicale se produit souvent de manière pré-terminatoire. Face à ces contraintes temporelles implacables, la psycholinguistique cognitive se devait d’élaborer des modèles computationnels hautement contraints par la neurobiologie, capables d’expliquer comment le cerveau extrait du sens avec une telle célérité à partir d’un substrat sensoriel aussi instable.
1.2 William Marslen-Wilson et l’émergence de la psycholinguistique cognitive moderne
À la fin des années 1960 et au début des années 1970, la psychologie du langage était dominée par des paradigmes méthodologiques dits « hors-ligne » (off-line), tels que les tâches de rappel libre, les jugements de grammaticalité différés ou les reconstructions mémorielles. Ces méthodologies présentaient une faiblesse épistémologique majeure : elles mesuraient le résultat final d’une cascade de traitements cognitifs, mélangeant les processus perceptifs primaires, les inférences mnésiques secondaires et les stratégies décisionnelles conscientes. Les modèles dominants de l’époque concevaient souvent la compréhension comme une succession d’étapes purement ascendantes et compartimentées où le signal devait être entièrement transformé en représentations phonétiques, puis syntaxiques, avant que l’accès au lexique mental ne devienne effectif.
William D. Marslen-Wilson a bouleversé ce paysage méthodologique et conceptuel en introduisant des protocoles chronométriques rigoureux destinés à traquer l’accès lexical « en ligne » (on-line), c’est-à-dire au moment exact où les opérations mentales se déploient milliseconde par milliseconde. À travers l’usage novateur de la tâche de répétition immédiate en cadence rapide (connue sous le terme de shadowing très court), où les participants devaient répéter un discours oral avec une latence d’à peine 250 millisecondes, Marslen-Wilson a démontré que les auditeurs commençaient à corriger spontanément des erreurs de prononciation avant même que le mot fautif ne soit entièrement perçu. Ce constat prouvait l’existence d’une activation lexicale et contextuelle ultra-rapide et parallèle.
Cette percée a culminé avec la publication princeps de Marslen-Wilson et Welsh en 1978, intitulée Processing interactions and lexical access during word recognition in continuous speech. Cet article fondateur posait les bases du modèle de cohorte en avançant une hypothèse révolutionnaire : le système cognitif n’attend pas la terminaison d’une unité linguistique pour initier sa reconnaissance. Au contraire, dès l’amorce du signal, une vaste batterie de candidats lexicaux compatibles est projetée dans un espace de compétition dynamique. Cette publication a marqué l’avènement d’une vision incrémentale de la cognition verbale, transformant durablement les théories de l’architecture fonctionnelle de l’esprit.
1.3 Postulats épistémologiques du modèle de cohorte
Le modèle de cohorte repose sur un postulat philosophique et fonctionnel fondamental que Marslen-Wilson a formalisé sous le concept d’« optimisme computationnel ». Selon ce principe, l’architecture cognitive humaine est configurée pour exploiter au maximum et sans le moindre délai chaque parcelle d’information acoustico-phonétique disponible. L’esprit ne thésaurise pas les données sensorielles dans des tampons passifs en attendant une confirmation ultérieure ; il prend des engagements interprétatifs immédiats, formulant des hypothèses lexicales dès le premier millième de seconde exploitable.
Un autre postulat nodal réside dans l’articulation temporelle rigide entre l’information acoustico-phonétique ascendante (bottom-up) et les représentations sémantico-syntaxiques descendantes (top-down). Le modèle postule une priorité absolue de la direction temporelle gauche-droite de la chaîne phonique. C’est l’ordre chronologique linéaire de l’entrée sensorielle qui pilote l’activation initiale de la mémoire lexicale. Cette prééminence du signal physique assure que le système ne dérive pas vers des hallucinations perceptives guidées uniquement par les attentes cognitives ou contextuelles.
Enfin, le modèle soutient que le lexique mental n’est pas interrogé de manière sérielle, item après item, comme le suggéraient les premières théories de recherche lexicale arborescente (telles que le modèle de Foster), mais qu’il opère selon un parallélisme massif. Des dizaines, voire des centaines de traces lexicales entrent en résonance simultanée avec le fragment de signal entrant. Cette activation multiple immédiate constitue le moteur même de l’accès lexical, transformant le problème de la reconnaissance d’une tâche de recherche passive en un processus d’inhibition sélective et d’élagage dynamique.
2. L’architecture générale et les trois stades du modèle de cohorte
2.1 Le stade d’accès lexical précoce (Access Stage)
Le modèle de cohorte classique postule une architecture tripartite séquentielle et partiellement imbriquée, dont la première composante est le stade d’accès lexical (Access Stage). Dès que les ondes acoustiques atteignent la cochlée et sont converties en influx neuronaux via le nerf auditif, le système procède à l’extraction automatique des primitives acoustico-phonétiques primaires. Cette phase d’analyse initiale s’exécute sur une fenêtre temporelle extrêmement brève, estimée entre les 100 et 150 premières millisecondes du mot, ce qui correspond généralement au premier phonème ou à la première transition consonne-voyelle.
À partir de cette étiquette phonologique d’entrée rudimentaire, le système projette une onde d’activation au sein du lexique mental à long terme. Tous les mots de la langue qui partagent rigoureusement ce segment initial voient leur niveau d’activation franchir un seuil critique. Par exemple, si le signal acoustique débute par la séquence /kæ/ (dans un lexique anglophone), des items tels que captain, cat, candle, catalog, capital et castle sont instantanément activés de manière conjointe et parallèle. Cette population de formes lexicales concurrentes constitue la « cohorte de candidats lexicaux » (lexical candidate cohort).
Une caractéristique primordiale du stade d’accès dans les formulations classiques du modèle réside dans son imperméabilité totale aux influences de haut niveau. Cette phase est purement guidée par les données physiques (data-driven) et ascendante. Ni la structure syntaxique de la phrase en cours d’écoute, ni la plausibilité sémantique, ni les connaissances discursives ou pragmatiques ne peuvent intervenir pour bloquer l’émergence d’un mot dont l’attaque phonétique correspond au signal acoustique, ni pour injecter un mot incompatible au sein de la cohorte d’accès.
2.2 Le stade de sélection lexicale (Selection Stage)
Une fois la cohorte initiale établie, le traitement entre immédiatement dans le deuxième palier fonctionnel : le stade de sélection lexicale (Selection Stage). Ce stade se caractérise par une dynamique impitoyable d’exclusion et de désactivation progressive. À mesure que les millisecondes s’écoulent et que de nouvelles unités acoustiques viennent enrichir le signal continu, chaque nouveau phonème entrant est comparé en temps réel aux spécifications phonologiques internes de chacun des candidats composant la cohorte.
Le mécanisme opératoire central de ce stade est le principe d’incompatibilité phonétique. Si un candidat lexical de la cohorte présente une discordance avec le nouveau segment identifié, il est instantanément expulsé de la cohorte et son niveau d’activation s’effondre. Reprenons l’exemple de l’amorce /kæ/ : dès que le système perçoit le phonème subséquent /p/, des mots comme candle (/kændl/), castle (/kɑːsl/) ou catalog (/kætəlɒɡ/) sont immédiatement disqualifiés. La cohorte se réduit alors à captain, capital, captive, etc. Puis, à l’arrivée du segment /t/, capital est éliminé, réduisant encore le champ des possibles.
Mathématiquement et psycholinguistiquement, ce stade se caractérise par une décroissance drastique et continue de la cardinalité de la cohorte. Le but téléologique de ce filtrage est d’atteindre l’état d’isolation parfaite, c’est-à-dire le moment précis où la cohorte ne contient plus qu’un unique et seul candidat survivant. C’est à ce carrefour computationnel précis que s’opère la sélection lexicale formelle. Cette dynamique repose sur une machinerie compétitive où les représentations lexicales se disputent les ressources d’identification de l’auditeur.
2.3 Le stade d’intégration contextuelle (Integration Stage)
Le troisième et dernier palier de l’architecture de Marslen-Wilson est le stade d’intégration (Integration Stage). Une fois qu’un candidat lexical a été isolé ou a acquis une dominance d’activation incontestable au sein de la cohorte, le système cognitif procède à son incorporation au sein des représentations structurales et propositionnelles du message en cours de traitement. Ce stade implique le déballage complet des attributs formels et conceptuels du mot sélectionné.
Durant cette phase, les spécifications syntaxiques du mot (sa catégorie grammaticale, son cadre de sous-catégorisation, ses exigences de valence verbale) et ses propriétés sémantiques (ses rôles thématiques, ses traits sémantiques intrinsèques) sont projetées dans la structure de la phrase élaborée par le processeur syntaxique (parser). Le système évalue si le mot sélectionné s’intègre harmonieusement dans le schéma propositionnel global ou s’il génère une violation thématique ou conceptuelle, régulée par les principes de la sémantique formelle.
Le stade d’intégration intervient également pour sceller la résolution des ambiguïtés lexicales résiduelles. Dans des cas particuliers où plusieurs candidats subsisteraient en raison d’une mauvaise qualité acoustique en fin de mot ou dans le cas de mots homophones (par exemple, sain, saint, sein, seing en français), c’est la cohérence propositionnelle établie au stade d’intégration qui arbitre définitivement l’interprétation finale en sélectionnant la forme congruente avec le modèle de situation élaboré par l’auditeur.
3. Le stade d’accès et l’activation de la cohorte initiale
3.1 La fenêtre temporelle critique des premiers phonèmes
L’amorce d’un mot représente le pivot critique autour duquel s’articule toute l’efficacité du modèle de cohorte. Des investigations chronométriques approfondies menées par Marslen-Wilson et ses collègues ont permis de quantifier avec précision le seuil acoustique minimal requis pour enclencher l’activation du lexique : il suffit généralement d’une fenêtre de 100 à 150 millisecondes, ce qui coïncide fonctionnellement avec l’identification du premier phonème, voire de la première demi-syllabe (l’attaque consonantique et le début du voisement vocalique).
La nature de l’attaque du mot exerce une influence déterminante sur la structure de la cohorte émergente. Une attaque vocalique pure (comme dans éléphant ou opéra) présente une dynamique spectrale différente d’une attaque consonantique plosive (comme /p/, /t/, /k/) ou fricative (/s/, /f/, /ʃ/). Les consonnes plosives, caractérisées par un silence acoustique d’occlusion suivi d’un bruit d’explosion (burst) et de transitions formantielles rapides vers la voyelle adjacente, fournissent un ensemble d’indices particulièrement saillants qui restreignent instantanément l’espace de recherche lexical.
Toutefois, le mécanisme d’initialisation se heurte dans la vie quotidienne au problème du bruit de fond ambiant. Dans un environnement de type cocktail party ou en présence de bruit blanc, le début physique d’un mot peut être partiellement masqué. Dans la version initiale du modèle, cette altération précoce constituait une vulnérabilité théorique majeure, car une mauvaise identification du premier phonème empêchait structurellement l’activation de la cohorte idoine, soulignant l’importance extrême accordée par Marslen-Wilson à cette fenêtre temporelle inaugurale.
3.2 Indépendance modulaire de l’activation initiale
L’un des apports théoriques les plus débattus du modèle de cohorte concerne la nature strictement autonome et ascendante de la phase d’accès. Conformément aux hypothèses de la modularité de l’esprit défendues par le philosophe Jerry Fodor, Marslen-Wilson a ardemment soutenu que le système d’entrée acoustico-lexical opère comme un module encapsulé d’un point de vue informationnel. Le contexte antérieur, qu’il soit discursif, pragmatique ou syntaxique, ne dispose d’aucune prise causale sur la constitution de la cohorte initiale.
Cette hypothèse implique formellement l’impossibilité pour le contexte de pré-activer de façon sélective un mot spécifique au détriment de ses compétiteurs phonétiques en l’absence de toute évidence sensorielle. Si un auditeur écoute la phrase : « Pour couper son steak, l’homme utilisa un cou… », le contexte sémantique hautement contraignant favorise écrasamment le mot couteau. Pourtant, le modèle de cohorte affirme qu’au moment précis où la chaîne /ku/ frappe le tympan, des mots hautement improbables ou absurdes dans ce contexte, tels que cousin, couronne, couvent, courage ou coude, sont tout aussi vigoureusement activés au stade d’accès que le mot attendu couteau.
Cette prédiction a été magistralement confirmée par des expériences utilisant des techniques d’amorçage intermodal. L’écoute du fragment initial d’un mot inséré dans un texte sémantiquement biaisé facilite la reconnaissance visuelle de cibles associées non seulement au mot pertinent, mais également aux compétiteurs sémantiquement incongruents partageant cette attaque sonore. Ce constat a conduit Marslen-Wilson à réfuter vigoureusement les modèles purement interactifs, à l’instar du modèle du logogène de John Morton, qui postulait que les indices contextuels abaissaient préalablement les seuils d’activation des unités lexicales avant toute capture de signal acoustique.
3.3 Organisation interne du lexique mental à l’accès
L’accès à la cohorte ne s’effectue pas dans un espace mémoriel isotrope ou amorphe ; il est profondément conditionné par l’architecture du lexique mental à long terme. Deux variables structurelles gouvernent cette étape : la fréquence lexicale d’occurrence et la nature des représentations phonologiques stockées en mémoire.
La fréquence d’usage d’un mot dans la langue agit comme un modulateur d’excitabilité. Dans les formalisations affinées du modèle, bien que tous les mots compatibles avec l’amorce sonore fassent partie intégrante de la cohorte, les items de haute fréquence (comme maison) possèdent un niveau de repos ou un seuil d’activation de base plus élevé que les items de basse fréquence (comme mérule). En conséquence, le signal d’entrée élève les représentations très fréquentes à un plateau d’activation fonctionnel plus rapidement, leur conférant un avantage compétitif d’emblée mesurable lors des tâches chronométriques.
Sur le plan structural, l’indexation du lexique mental est organisée selon la configuration phonologique de surface de la séquence d’attaque. Il ne s’agit pas de traces acoustiques brutes et continues (qui nécessiteraient une capacité mémorielle infinie pour stocker chaque occurrence physique entendue), mais de représentations phonologiques abstraites. L’auditeur normalise les variations allophoniques continues générées par le tractus vocal pour mapper le signal sur des matrices de traits discrets (voisé/non voisé, nasal/oral, labial/coronal), déclenchant l’ouverture de l’espace de recherche lexical.
4. Le stade de sélection et le mécanisme d’élimination des candidats
4.1 Le principe d’incompatibilité phonétique ascendante
Le stade de sélection matérialise le passage de la multiplicité à l’unité. Dès que la cohorte initiale est projetée dans le tampon d’analyse, l’auditeur continue d’échantillonner le flux acoustique continu. Chaque incrément informationnel successif est instantanément confronté au gabarit phonologique interne des compétiteurs en lice. Cette comparaison s’opère selon un processus déterministe d’incompatibilité phonétique ascendante.
Le système évalue en continu les traits distinctifs articulatoires transportés par le signal. Si une consonne subséquente présente une déviation sur le plan du voisement (par exemple la perception d’un /d/ voisé alors qu’un candidat lexical comporte un /t/ sourd), ou sur le lieu d’articulation (un /b/ bilabial opposé à un /g/ vélaire), la sanction computationnelle est immédiate : le candidat divergent est instantanément radié de la cohorte. Dans les formulations mathématiques primitives du modèle, cette élimination obéit à une fonction de retombée abrupte, où le niveau d’activation du compétiteur rejeté s’annule immédiatement pour cesser toute interférence avec le traitement en cours.
Ce traitement séquentiel s’applique avec une granularité extrêmement fine. Il ne requiert pas l’intégration de phonèmes complets et achevés : l’auditeur est capable d’utiliser les transitions formantielles sous-phonémiques (la courbure des deuxième et troisième formants de la voyelle qui anticipe la consonne suivante) pour disqualifier des candidats avant même la libération de l’explosion occlusive. Cette célérité démontre que le mécanisme d’élimination ne procède pas par blocs symboliques rigides, mais par une lecture continue et ultra-sensible de l’indice acoustique disponible.
4.2 Compétition lexicale et densité de voisinage
L’efficacité et la temporalité du stade de sélection dépendent intrinsèquement de l’environnement structurel du mot cible dans le lexique mental, un phénomène capturé par le concept de densité de voisinage phonologique. Deux variables majeures régulent l’âpreté de la compétition : la taille brute de la cohorte initiale et la distribution de fréquence de ses membres.
Un mot inséré dans un « voisinage dense » partage son attaque phonétique avec plusieurs dizaines de compétiteurs lexicaux (par exemple, les mots débutant par l’amorce /bɛ/ ou /ka/ en français). La résolution de la cohorte y est intrinsèquement plus lente et cognitivement plus exigeante, car l’élimination des candidats requiert la réception d’une chaîne phonétique plus longue pour lever l’ambiguïté. À l’inverse, un mot situé dans un « voisinage clairsemé » (comme psittacose ou xylophone) voit sa cohorte initiale se réduire à une poignée d’unités dès le départ, ce qui autorise une sélection quasi instantanée.
De surcroît, la compétition présente une dynamique asymétrique liée à la fréquence. Un candidat de basse fréquence éprouve une difficulté majeure à supplanter un compétiteur de haute fréquence au sein de la même cohorte. Même lorsque le signal acoustique commence à diverger subtilement en faveur du mot rare, le mot fréquent, en raison de son inertie d’activation supérieure, continue d’exercer une interférence inhibitrice robuste sur le système perceptif, retardant l’isolement formel de la forme cible.
4.3 L’atteinte du seuil critique d’identification
La sélection culmine au moment précis où un candidat unique se détache définitivement de l’ensemble des compétiteurs résiduels. Ce phénomène de bascule correspond à l’atteinte d’un seuil critique d’identification supraliminaire. Dans le modèle de cohorte, ce seuil n’est pas une valeur absolue et fixe ; il s’agit d’une valeur différentielle d’énergie cognitive : le candidat sélectionné doit posséder un niveau d’activation qui excède d’une marge substantielle l’activation du compétiteur immédiat le plus proche.
Il importe de distinguer avec rigueur méthodologique l’identification perceptive inconsciente de la prise de décision consciente. L’identification perceptive désigne l’instant computationnel exact où l’architecture mentale isole la représentation sous-jacente du mot. La prise de décision consciente (telle qu’elle est mesurée lorsqu’on demande à un sujet d’appuyer sur un bouton dans une tâche de décision lexicale ou de répéter un mot à voix haute) inclut des délais supplémentaires incompressibles d’environ 150 à 250 millisecondes, imputables au transfert de l’information vers les systèmes moteurs et décisionnels frontaux.
Dès que le seuil critique d’identification est franchi au niveau perceptif, le modèle de cohorte postule un arrêt pragmatique du traitement phonologique fin pour le mot concerné. L’auditeur n’a plus besoin d’analyser avec minutie les caractéristiques acoustiques des segments terminaux du mot si l’incertitude lexicale est d’ores et déjà tombée à zéro. Les ressources attentionnelles et de mémoire de travail du processeur auditif sont ainsi immédiatement libérées pour être allouées à l’amorce du mot subséquent dans la chaîne parlée.
5. Le rôle du contexte : Intégration sémantique et syntaxique
5.1 Le statut du contexte dans la version originale (1978, 1980)
Le statut des influences descendantes exercées par le contexte de la phrase constitue l’une des trajectoires évolutives les plus fascinantes de la pensée de Marslen-Wilson. Dans les premières formulations du modèle de cohorte (souvent désignées sous le vocable de Cohort I, publiées en 1978 avec Welsh et en 1980), le contexte bénéficiait d’un statut computationnel d’une grande puissance, intervenant de manière conjointe avec le signal sonore au cours même du stade de sélection.
Selon cette conception initiale dite interactive, si le contexte syntaxique ou sémantique antérieur imposait des contraintes fortes sur le mot à venir, ces contraintes avaient le pouvoir d’éliminer de la cohorte les candidats phonétiquement congruents mais sémantiquement anormaux. Ainsi, si l’auditeur entendait : « Les fermiers ont labouré le ch… », la cohorte initiale activée par l’amorce /ʃ/ (qui contient champ, chameau, chapeau, chemin, cheval) voyait des mots comme chameau ou chapeau instantanément expulsés sous l’action directe des contraintes propositionnelles, avant même que les indices phonétiques ultérieurs (/ɑ̃/) ne soient émis.
Marslen-Wilson distinguait déjà deux types de contraintes contextuelles : le contexte syntaxique structural (imposant une catégorie grammaticale stricte, par exemple l’obligation d’un nom après un déterminant) et le contexte sémantico-pragmatique (imposant des restrictions de sélection sur les rôles thématiques, par exemple qu’un objet labourable doit être un terrain agricole). Dans Cohort I, ces deux sources de contraintes fonctionnaient comme des filtres descendants opérant en synergie étroite avec les données physiques montantes.
5.2 La révision modulariste de Marslen-Wilson (1987, 1989)
Au milieu des années 1980, sous l’influence croissante des arguments formalisés par Jerry Fodor et face à l’accumulation de données expérimentales contradictoires issues de protocoles chronométriques plus rigoureux, Marslen-Wilson opéra une révision théorique majeure de son modèle (la transition vers Cohort II, formalisée notamment dans ses écrits de 1987 et 1989). Il reconnut que la version interactive originelle accordait un rôle trop puissant et prématuré au contexte, ce qui menaçait la fidélité de la perception.
Dans cette révision, le chercheur britannique démontra que les effets présumés d’élimination précoce de candidats par le contexte découlaient d’artefacts méthodologiques inhérents aux tâches expérimentales employées, qui laissaient le temps à des stratégies décisionnelles conscientes de biaiser les réponses des sujets. À l’aide de mesures d’amorçage intermodal à temps d’exposition ultra-court, Marslen-Wilson et ses collègues mirent en évidence que le contexte ne possède en réalité aucun pouvoir d’exclusion physique au stade de la sélection. Même dans le contexte le plus polarisé (« Les fermiers ont labouré le ch… »), un candidat comme chameau demeure pleinement activé dans la cohorte tant que le phonème /m/ n’a pas été formellement infirmé par le signal sensoriel.
Le rôle du contexte fut donc strictement refoulé vers le troisième stade : le stade d’intégration tardif. L’accès et la sélection devinrent des processus strictement modulaires, ascendants et guidés exclusivement par les indices acoustico-phonétiques. L’information sémantique n’agit plus comme un couperet éliminatoire, mais comme un mécanisme d’acceptation ou de rejet après sélection, garantissant qu’un mot inattendu mais clairement prononcé par le locuteur (par exemple une métaphore insolite : « Les fermiers ont labouré le chagrin ») ne soit jamais censuré ou mal perçu par le système cognitif de l’auditeur.
5.3 Interaction vs autonomie : Le débat psycholinguistique central
Cette redéfinition du rôle du contexte a placé le modèle de cohorte au centre de la controverse théorique la plus acharnée de l’histoire des sciences du langage : l’opposition entre les modèles d’autonomie modulaire et les modèles d’interactivité computationnelle (incarnés ultérieurement par les réseaux connexionnistes interactifs comme le modèle TRACE de McClelland et Elman). La question nodale était simple : l’esprit humain autorise-t-il une pénétration cognitive des processus perceptifs primaires ?
Les partisans de l’interactivité soutenaient que l’architecture cérébrale optimise ses ressources de traitement en utilisant les connaissances de haut niveau pour compenser immédiatement la mauvaise qualité du signal sensoriel, réinjectant des boucles de rétroaction du niveau lexical et conceptuel vers le niveau des détecteurs de phonèmes. Selon eux, l’autonomie stricte est un luxe computationnel intenable dans un environnement écologique où la parole est constamment altérée par le bruit ambiant, les interruptions et les chevauchements acoustiques.
À l’inverse, l’école défendue par Marslen-Wilson a brillamment articulé la thèse du compromis rapidité/robustesse par la séparation des sources d’information. Si le système permettait au contexte d’inhiber activement des candidats phonétiques au sein de la cohorte, l’auditeur deviendrait incapable de comprendre des calembours, des jeux de mots, des ruptures stylistiques ou de rectifier ses croyances face à une information sémantique imprévue. En maintenant une étanchéité informationnelle absolue du processeur d’accès acoustico-phonétique, le modèle de cohorte assure une fidélité perceptuelle irréprochable tout en atteignant une vitesse maximale grâce à l’incrémentalité prédictive.
6. Le point d’unicité et le point de reconnaissance
6.1 Définition structurelle et calcul computationnel du point d’unicité (PU)
L’un des apports méthodologiques et conceptuels les plus durables de William Marslen-Wilson aux sciences cognitives est sans conteste l’introduction et la formalisation mathématique de la notion de point d’unicité (Uniqueness Point – PU). Le point d’unicité est une propriété structurelle intrinsèque d’un mot donné au sein d’un lexique défini : il s’agit de l’emplacement temporel ou du segment phonologique précis à partir duquel ce mot se différencie de la totalité des autres entrées lexicales composant la langue.
Pour illustrer ce concept, considérons le mot français vocabulaire. L’auditeur entendant l’attaque phonétique /v/ active des milliers de mots ; à /vo/, la cohorte se réduit à des centaines ; à /vɔ.ka/, elle ne compte plus que des items comme vocal, vocalise, vocation, vocatif, vocabulaire. À la réception de la séquence /vɔ.ka.by/, il n’existe plus aucun autre mot dans la langue française partageant cette séquence initiale. Le phonème /l/ (ou le début de la quatrième syllabe) constitue ainsi le point d’unicité structurel de vocabulaire. Dès que ce segment est atteint, la cardinalité de la cohorte tombe mathématiquement à 1.
Le calcul computationnel du point d’unicité nécessite l’analyse exhaustive de dictionnaires phonétiques informatisés. Il révèle une dissociation objective fondamentale : pour la très grande majorité des mots polysyllabiques d’une langue comme le français, l’anglais ou l’allemand, le point d’unicité acoustique est situé bien en amont de la terminaison physique réelle du mot (souvent un à trois phonèmes avant le silence final). Il convient de souligner que le PU est une mesure hautement dynamique dépendante du lexique subjectif de l’auditeur : la taille du vocabulaire actif d’un sujet (déterminée par son niveau d’éducation, son âge ou son expertise technique) modifie mathématiquement la position du PU, un auditeur cultivé possédant davantage de mots rares concurrents susceptibles de repousser ce point plus loin dans la chaîne phonique.
6.2 Le point de reconnaissance (PR) et sa dynamique temporelle
Tandis que le point d’unicité constitue une propriété phonologique objective et lexicale, le point de reconnaissance (Recognition Point – PR) désigne la manifestation comportementale et neurocognitive de l’identification du mot chez un auditeur réel. Le PR correspond au moment temporel précis, mesuré en millisecondes depuis le début du stimulus acoustique, où le sujet prend conscience de l’identité du mot et peut émettre une réponse d’identification fiable.
Dans un contexte d’écoute idéale (parole claire, débit articulatoire standard, absence de bruit de fond), la relation temporelle entre le point d’unicité et le point de reconnaissance est directe et étroite. Le point de reconnaissance coïncide quasi parfaitement avec le point d’unicité structurel, majoré du délai minimal d’activation corticale d’environ 50 à 100 millisecondes. C’est cette concordance rigoureuse qui a permis de valider empiriquement le phénomène de reconnaissance pré-terminatoire : un auditeur reconnaît formellement un mot alors même que le locuteur est encore physiquement en train de prononcer ses dernières syllabes.
Toutefois, le décalage temporel entre le PU et le PR est modulé par des facteurs périphériques. Un signal acoustique dégradé, un débit de parole excessivement accéléré ou une baisse de vigilance chez l’auditeur entraînent une divergence : le point de reconnaissance tend à glisser vers l’aval, s’éloignant du point d’unicité théorique. L’auditeur a alors besoin de glaner des indices acoustiques de confirmation supplémentaires dans la fin du mot pour dissiper les hésitations issues du bruit sensoriel.
6.3 Le point d’isolation et les variations sous contrainte contextuelle
Dans la littérature psycholinguistique expérimentale initiée par Marslen-Wilson, il est d’usage d’établir une distinction théorique fine entre le point d’unicité, le point de reconnaissance et le point d’isolation (Isolation Point). Le point d’isolation est défini empiriquement au sein de paradigmes de laboratoire (tels que la tâche de gating) comme la tranche acoustique minimale à partir de laquelle un auditeur propose pour la première fois le mot correct et n’en change plus lors des présentations ultérieures de fragments plus longs.
En l’absence de phrase porteuse (mots présentés de manière isolée), le point d’isolation se superpose presque intégralement au point d’unicité. En revanche, lorsque le mot cible est enchâssé au sein d’un contexte propositionnel fortement informatif et prédictif, une rupture spectaculaire s’opère : le point d’isolation s’avance considérablement dans le temps, se situant de façon systématique avant le point d’unicité structurel phonologique du mot. Ce phénomène illustre avec éclat l’action de l’intégration contextuelle.
Par exemple, si le mot vocabulaire est prononcé à la suite de la phrase : « L’enseignant distribue une liste pour enrichir leur… », la cohorte n’a pas besoin d’atteindre le segment /vɔ.ka.by/ pour isoler le mot. Dès la tranche sonore /vɔ.ka/, bien qu’il subsiste des compétiteurs phonétiques comme vocal ou vocation, le système cognitif peut isoler le candidat cible avec un haut degré de certitude en combinant la réduction de la cohorte et les contraintes de congruence sémantique. L’ampleur de cette anticipation temporelle varie naturellement selon les individus, reflétant des différences interindividuelles dans la rapidité de traitement de la mémoire de travail et l’efficience de l’extraction des indices contextuels prédictifs.
7. Évolution du modèle : De la version originale (Cohort I) à la version révisée (Cohort II)
7.1 Les vulnérabilités structurelles de Cohort I
En dépit de son élégance conceptuelle et de sa formidable capacité prédictive, la mouture originale du modèle de cohorte (Cohort I) souffrait de faiblesses architecturales majeures qui ont progressivement menacé sa viabilité empirique. La plus rédhibitoire de ces failles a été identifiée dans la littérature sous le nom du « problème fatal du premier phonème » (the fatal first phoneme problem).
Dans la formalisation catégorielle de 1978, l’appartenance à la cohorte reposait sur une logique binaire stricte de tout-ou-rien : un candidat lexical était soit membre à part entière de la cohorte d’accès s’il partageait l’exacte amorce acoustico-phonétique du signal, soit impitoyablement exclu s’il présentait la moindre divergence. Cette logique déterministe s’avérait mortifère dans des situations de communication réelle. Si une quinte de toux, un claquement de porte ou un phénomène de masque acoustique venait à corrompre les 50 premières millisecondes d’un mot (par exemple entendre *igarette au lieu de cigarette), la cohorte idoine n’était tout simplement jamais activée. Le mot cible ne faisant pas partie du set de candidats initiaux, il devenait structurellement impossible pour le système de le reconnaître, prédiction en contradiction flagrante avec la robustesse de l’oreille humaine.
De plus, Cohort I était structurellement impuissant à rendre compte de la compréhension de la parole produite avec un accent étranger ou régional, où des substitutions phonétiques récurrentes affectent le début des mots (par exemple un locuteur hispanophone prononçant *esport pour sport ou un germanophone réalisant un /s/ en /z/). De même, les erreurs de prononciation mineures ou les lapsus articulatoires bénins provoquaient un effondrement complet du système de filtrage. Cette rigidité excessive a contraint Marslen-Wilson à repenser de fond en comble la dynamique de l’accès lexical.
7.2 L’abandon du modèle binaire au profit de l’activation continue (Cohort II)
Conscient des limites fatales de son modèle d’origine, William Marslen-Wilson a développé à la fin des années 1980 une deuxième itération globale, couramment désignée sous le nom de Cohort II. Le saut qualitatif fondamental de cette version réside dans l’abandon définitif de la logique binaire d’inclusion/exclusion au profit d’un formalisme d’activation graduelle et continue.
Dans Cohort II, la cohorte cesse d’être un ensemble discret fermé d’items étiquetés. Elle devient une distribution statistique d’activations lexicales continues où chaque mot se voit assigner un poids d’activation compris entre 0 et 1. La force avec laquelle un candidat est évoqué n’est plus conditionnée par une adéquation phonétique absolue, mais par une fonction mathématique de similarité acoustico-phonétique. Dès lors, le système acquiert une tolérance substantielle aux désaccords initiaux : un mot dont le premier segment phonétique diffère légèrement du signal entrant (par exemple par un unique trait articulatoire de voisement comme /p/ et /b/) est activé, bien qu’à un niveau d’énergie plus faible qu’un candidat parfaitement congruant.
Cette plasticité est régie par des fonctions d’activation décroissante continue. Lorsqu’une distorsion phonétique survient sur l’attaque, le candidat dégradé conserve une activation résiduelle sous-jacente. Si le flux phonétique subséquent confirme massivement la suite du mot tandis qu’aucun autre compétiteur lexical n’émerge dans la langue pour rivaliser, cette activation continue remonte progressivement pour dépasser le seuil critique d’identification. Ce mécanisme de sauvetage lexical en continu a brillamment résolu l’aporie de l’amorce corrompue, alignant la psycholinguistique cognitive sur la résilience écologique de la communication verbale.
7.3 La modélisation de l’ajustement dynamique phonétique-lexique
L’introduction de variables continues dans Cohort II a transformé la métaphore computationnelle sous-tendant le modèle : on est passé de l’image d’un « trieur de fiches » opérant sur une liste statique à celle d’un système dynamique compétitif non-linéaire. L’ajustement entre la séquence phonétique entendue et le lexique mental s’y opère par résonance analogique.
Dans ce cadre modernisé, la similarité acoustique globale supplante l’alignement séquentiel rigide phonème par phonème. Le système est capable de pondérer les traits acoustiques en fonction de leur fiabilité perceptive. Par exemple, l’information de mode d’articulation (nasal vs oral) ou de voisement (sonore vs sourd) peut être traitée avec des degrés de confiance distincts par le processeur d’entrée, permettant une convergence souple vers le meilleur attracteur lexical disponible dans l’espace mémoriel.
Cette métamorphose théorique a par ailleurs offert une compatibilité accrue avec les données de la neuropsychologie clinique. Les observations menées auprès de patients atteints d’aphasie de Wernicke ou de troubles auditifs centraux montraient que ces individus continuaient souvent d’activer des champs sémantiques broad même face à des amorces sonores distordues. Cohort II a fourni l’armature formelle nécessaire pour modéliser ces dégradations graduelles de la performance sans postuler une destruction binaire des représentations phonologiques.
8. La troisième itération (Cohort III) : Représentations phonologiques distribuées et sous-spécification
8.1 L’intégration de la théorie de la sous-spécification phonologique
Dans les années 1990 et 2000, les progrès spectaculaires de la phonologie théorique et des neurosciences cognitives ont incité Marslen-Wilson et ses collègues (notamment en collaboration avec Aditi Lahiri) à élaborer une troisième itération majeure : le modèle Cohort III. L’innovation cardinale de cette version réside dans l’incorporation systématique de la théorie de la sous-spécification phonologique (Underspecification Theory).
La théorie de la sous-spécification postule que le lexique mental humain n’enregistre pas l’intégralité des traits phonétiques de chaque mot de manière redondante. Seules les caractéristiques distinctives, imprédictibles et non redondantes sont formellement encodées dans les représentations lexicales à long terme ; les traits par défaut ou universellement prédictibles sont laissés « non spécifiés » (ou vides). Par exemple, en phonologie standard, le lieu d’articulation coronal (produit avec la pointe ou la lame de la langue, comme /t/, /d/, /n/) est considéré comme le trait non marqué par défaut par rapport aux traits labial (/p/, /b/, /m/) ou vélaire (/k/, /ɡ/). Les consonnes coronales sont donc stockées sans spécification de lieu dans le lexique mental.
Cette architecture engendre une asymétrie de tolérance radicale lors de la compétition lexicale. Lorsqu’un trait physique extrait du signal rencontre une représentation lexicale, trois relations logiques sont possibles : correspondance (match), discordance radicale (mismatch), ou non-discordance (no-mismatch). Si un trait n’est pas spécifié dans la trace lexicale en mémoire, l’arrivée d’une variation acoustique ne génère pas de conflit bloquant (mismatch). Cette mécanique computationnelle permet d’expliquer comment la cohorte gère avec une flexibilité prodigieuse les variations allophoniques régionales sans avoir à surcharger la mémoire de règles de transformation infinies.
8.2 L’architecture distribuée et le rejet du phonème comme unité d’accès rigide
Une autre rupture épistémologique décisive opérée par Cohort III concerne la nature même de l’unité fondamentale de traitement du signal. Alors que Cohort I et Cohort II s’appuyaient implicitement sur le concept de phonème linéaire discret (l’auditeur extrayant une séquence d’unités symboliques successives), Cohort III répudie le phonème comme unité d’accès primitive pour embrasser une architecture de traits distribués.
Le flux acoustique est désormais décodé en un faisceau multidimensionnel continu de variations de traits articulatoires et acoustiques (fréquences formantielles, bruit de friction, périodicité du voisement, temps d’attaque du voisement ou Voice Onset Time). L’activation lexicale ne dépend plus d’une conversion préalable en symboles alphabétiques internes ; elle résulte du couplage direct entre ce paysage d’indices physiques distribués et le réseau lexical sous-spécifié. Cette conception opère un rapprochement méthodologique majeur avec les modèles de réseaux neuronaux artificiels distribués (connexionnisme sous-symbolique).
Cette approche par traits distribués apporte une solution définitive aux énigmes de la coarticulation et des variations de prosodie. Les transitions acoustiques complexes ne sont plus considérées comme un bruit encombrant qu’il faudrait éliminer pour atteindre le phonème abstrait, mais comme des sources primaires d’information qui alimentent directement et en parallèle la distribution d’activation au sein du lexique mental. La cohorte n’est plus une collection statique d’étiquettes lexicales, mais une surface énergétique dynamique qui évolue en temps réel le long d’une variété dimensionnelle.
8.3 La gestion de la coarticulation et des assimilations en parole continue
L’apport le plus éclatant de Cohort III réside dans son explication unifiée et élégante du phénomène d’assimilation contextuelle en parole continue. Dans le langage parlé fluide, les segments phonétiques s’influencent mutuellement à travers les frontières de mots via l’assimilation régressive. Par exemple, l’expression française « le bon vin » est fréquemment prononcée par les locuteurs natifs sous la forme phonétique [lə bɔ̃ vɛ̃], mais « un bon pain » devient spontanément [œ̃ bɔm pɛ̃], où la consonne nasale alvéolaire coronale /n/ se transforme en consonne bilabiale [m] sous l’influence articulatoire anticipatoire du /p/ labial qui suit.
Dans un modèle d’accès rigide à base de phonèmes complets, un tel signal engendrerait une défaillance immédiate : l’auditeur percevant [bɔm] activerait la cohorte de mots débutant par bombe ou bombarder, disqualifiant le mot bon. Cohort III résout ce paradoxe grâce à l’asymétrie de sous-spécification. Étant donné que le lieu d’articulation de la consonne de bon est coronal (donc sous-spécifié en mémoire), la présence du trait labial [m] dans le signal ne produit pas de discordance fatale (no-mismatch). La représentation lexicale de bon demeure pleinement disponible et activable dans la cohorte.
En revanche, le modèle prédit une asymétrie prédictive rigoureuse : une consonne dont le trait articulatoire est intrinsèquement marqué dans le lexique mental (comme le trait labial de pomme) ne peut jamais tolérer une assimilation vers un trait coronal. Si un locuteur disait *« une ponne tarte » au lieu de « une pomme tarte », le trait coronal entrant entrerait en collision frontale avec la spécification labiale obligatoire stockée pour pomme, engendrant un mismatch immédiat et l’élimination du candidat de la cohorte. Cette prédiction fondamentale a été validée empiriquement par de nombreuses études comportementales et électrophysiologiques conduites par Marslen-Wilson, Lahiri et leurs collaborateurs.
9. Méthodologies expérimentales validant le modèle de cohorte
9.1 Le paradigme du gating (présentation par fragments croissants)
Pour soumettre le modèle de cohorte à l’épreuve de la réfutabilité expérimentale, les psycholinguistes ont dû inventer de nouveaux dispositifs méthodologiques capables de fractionner le temps psychologique. Parmi ces instruments de précision, le paradigme du gating (ou méthode de présentation par fragments acoustiques croissants), développé et popularisé par François Grosjean et adapté par Marslen-Wilson, a joué un rôle d’éclaireur fondamental.
Le protocole expérimental standard est d’une grande rigueur : un mot cible est numérisé puis découpé en tranches temporelles physiques successives (souvent appelées « portes » ou gates), généralement par incréments réguliers de 20, 30 ou 50 millisecondes. À la première étape, l’auditeur n’entend que les 50 premières millisecondes du mot et doit deviner son identité tout en évaluant son niveau de certitude subjective sur une échelle ordinale. À l’étape suivante, on lui présente une tranche de 100 millisecondes, puis 150, et ainsi de suite jusqu’à l’écoute de l’intégralité du stimulus physique.
Ce paradigme a permis d’objectiver directement la dynamique d’évolution de la cohorte dans l’esprit de l’auditeur. Aux premières portes, les participants génèrent une diversité spectaculaire de mots concurrents partageant le même début phonétique, confirmant la réalité psychologique de la cohorte d’accès. Au fur et à mesure de l’avancée du signal, la diversité des propositions s’effondre selon des pentes statistiques hautement prédictibles, permettant de cartographier avec une précision millimétrique le point d’isolation expérimental et son adéquation avec le point d’unicité théorique calculé sur dictionnaire.
Malgré sa valeur heuristique inestimable, le paradigme du gating a essuyé des critiques méthodologiques substantielles. En interrompant artificiellement le signal sonore et en imposant un temps de réflexion conscient entre chaque tranche, cette tâche contraint l’auditeur à adopter des stratégies métalinguistiques réflexives qui s’écartent des mécanismes automatiques et inconscients de l’écoute naturelle. Ces limites ont rendu indispensable le recours à des paradigmes d’interrogation en ligne plus écologiques.
9.2 L’amorçage cross-modal (amorçage auditif – décision lexicale visuelle)
Pour contourner les biais stratégiques de la tâche de gating et sonder l’architecture cognitive sans interrompre le traitement du flux de parole, Marslen-Wilson et ses collègues ont mis au point la méthode magistrale de l’amorçage intermodal (Cross-Modal Priming), couplée à une tâche de décision lexicale visuelle.
Le dispositif repose sur la synchronisation d’un stimulus auditif continu (l’amorce) et d’un stimulus orthographique projeté sur écran (la cible). Supposons que le mot auditif amorce soit capitaine (/kapitɛn/), dont le point d’unicité phonologique est situé après le phonème /t/. En cours d’écoute de ce mot, un mot visuel apparaît instantanément sur l’écran d’ordinateur à des points de coupure temporelle stratégiques : soit avant le point d’unicité (par exemple après la séquence /kapi/), soit exactement au point d’unicité, soit bien après. Le participant doit décider aussi vite que possible si la chaîne de lettres sur l’écran est un mot de la langue en appuyant sur un bouton.
Si la cible visuelle projetée avant le point d’unicité est BATEAU (associée sémantiquement à capitaine), les temps de réaction sont significativement accélérés par rapport à une condition contrôle. Mais le résultat crucial révélé par Marslen-Wilson est le suivant : si l’on projette au même moment temporel la cible ARGENT (associée sémantiquement au compétiteur de cohorte capital), on observe une facilitation décisionnelle tout aussi robuste ! Cette observation a apporté la preuve irréfutable de la co-activation inconsciente et parallèle de multiples candidats lexicaux au stade de sélection. En revanche, dès que l’amorce sonore franchit le point d’unicité phonétique (/kapit/), l’effet d’amorçage pour ARGENT s’évanouit brutalement pour ne subsister que pour BATEAU, validant l’effondrement instantané des compétiteurs éliminés.
9.3 L’oculométrie en paradigme du monde visuel (Visual World Paradigm)
À partir de la fin des années 1990, l’avènement des systèmes de poursuite oculaire haute fréquence (eye-tracking) a permis d’explorer la dynamique temporelle du modèle de cohorte dans un cadre d’une fidélité écologique sans précédent, grâce au paradigme du monde visuel (Visual World Paradigm), conceptualisé par Michael Tanenhaus et ses collaborateurs.
Dans ce protocole, le sujet regarde un écran où sont disposés quatre objets ou images réelles (par exemple : une bougie [candle], un bonbon [candy], un canard et une table) tout en recevant une instruction auditive naturelle et continue telle que : « Cliquez sur la bougie ». Les caméras infrarouges mesurent les mouvements de fixation oculaire de l’auditeur avec une résolution spatio-temporelle de l’ordre de quelques millisecondes.
Les trajectoires de fixation oculaire recueillies ont fourni une confirmation éclatante et visuelle des postulats fondamentaux du modèle de cohorte. Dès les premières 200 millisecondes suivant l’attaque du mot cible (le segment [kæn]), la probabilité que le regard de l’auditeur se dirige vers l’image de la bougie (la cible) et vers celle du bonbon (le compétiteur de cohorte phonétique) augmente de façon strictement symétrique et simultanée, tandis que les images distractrices non reliées (canard, table) sont totalement ignorées. Dès l’apparition de l’indice acoustique discordant (la consonne /d/ dans candle), la courbe de fixation vers le bonbon s’effondre instantanément pour laisser place à une fixation exclusive de la cible.
Le paradigme du monde visuel a non seulement confirmé la co-activation compétitive en temps réel continu sans rupture du signal, mais il s’est également révélé d’une sensibilité extrême pour valider les prédictions graduelles et continues de Cohort II et Cohort III, démontrant la modulation fine des fixations oculaires par la fréquence d’usage des compétiteurs et par la présence de distorsions phonologiques d’assimilation.
10. Analyse comparative : Le modèle de cohorte face aux modèles concurrents
10.1 Le modèle TRACE de McClelland et Elman
L’hégémonie intellectuelle du modèle de cohorte a été contestée dès le milieu des années 1980 par l’émergence du modèle TRACE, conçu par James McClelland et Jeffrey Elman. TRACE représente le paradigme connexionniste interactif par excellence, fondé sur une architecture de réseau neuronal artificiel à trois niveaux interconnectés : les traits acoustiques, les phonèmes et les mots.
La divergence épistémologique et structurale entre Cohorte et TRACE est profonde :
- Rétroaction descendante (Top-Down Feedback) : Alors que les versions matures du modèle de cohorte défendent une imperméabilité stricte du flux ascendant de reconnaissance phonologique face aux influences contextuelles, TRACE implémente des connexions réciproques et excitatrices massives descendant du niveau lexical vers le niveau phonémique. Dans TRACE, l’activation d’un mot rétroagit directement pour doper l’activation de ses phonèmes constitutifs, permettant l’émergence d’effets de restauration phonémique computationnelle automatique.
- Gestion de la temporalité : Le modèle de cohorte intègre le temps de manière intrinsèque : le temps est la dimension le long de laquelle se déploie le traitement incrémental séquentiel. Dans TRACE, le temps n’est pas traité de manière purement temporelle mais est spatialisé : le réseau duplique son architecture neuronale sur des tranches de temps successives créant un tampon temporel statique artificiel, ce qui induit une explosion combinatoire des nœuds computationnels.
- Alignement phonétique : TRACE est intrinsèquement non directionnel et capable d’identifier un mot même si son début est complètement faux grâce à la relaxation de contraintes globales au sein du réseau, une propriété que Cohorte n’a pu acquérir qu’au prix du passage progressif de Cohort I à Cohort II.
10.2 Le modèle Shortlist et Shortlist B de Dennis Norris
En réponse aux faiblesses structurales de TRACE (notamment son irréalisme biologique dû à la duplication spatiale du temps et à la prolifération de connexions descendantes rétroactives controversées), Dennis Norris a introduit en 1994 le modèle Shortlist, prolongé en 2008 par Shortlist B sous un formalisme bayésien.
Le modèle Shortlist opère une synthèse brillante entre les intuitions matricielles du modèle de cohorte et la rigueur algorithmique des réseaux locaux. Dans la première phase de Shortlist, un mécanisme d’accès strictement ascendant filtre l’ensemble du vocabulaire mental pour en extraire une liste restreinte de candidats plausibles (la « short list »), architecture directement empruntée au stade d’accès du modèle de cohorte. Cette étape préliminaire élimine le besoin d’un réseau géant interconnecté à tous les mots de la langue.
Dans la seconde phase, les candidats de la liste restreinte sont injectés dans un petit réseau dynamique où ils se livrent une compétition par inhibition latérale mutuelle. Tout comme dans les versions révisées de Marslen-Wilson, Shortlist et Shortlist B rejettent toute rétroaction descendante vers le niveau pré-lexical, confirmant l’hypothèse de modularité de Cohorte. L’implémentation de Shortlist B a modernisé cette vision en formalisant la sélection lexicale comme un calcul probabiliste exact de mise à jour bayésienne, calculant en temps réel la probabilité a posteriori d’un candidat lexical conditionnellement aux évidences acoustiques accumulées.
10.3 Le modèle Neighborhood Activation Model (NAM) de Luce et Pisoni
Développé principalement pour rendre compte de la reconnaissance de mots isolés et monosyllabiques, le modèle d’activation du voisinage (Neighborhood Activation Model – NAM), formulé par Paul Luce et David Pisoni en 1998, propose une perspective computationnelle différente de celle de Marslen-Wilson.
Tandis que le modèle de cohorte privilégie résolument la structure temporelle séquentielle de gauche à droite et l’axe horizontal du flux sonore (insistant sur la position structurelle du point d’unicité), le modèle NAM adopte une métrique de similarité globale spatiale. Dans NAM, le voisinage phonologique d’un mot est défini par la « règle de Levenshtein » à un phonème : tous les mots de la langue qui peuvent être formés en ajoutant, supprimant ou substituant un unique phonème au mot cible, quelle que soit la position structurelle de cette modification (début, milieu ou fin de mot).
NAM met l’accent sur le rapport mathématique entre la fréquence d’occurrence du mot cible et la fréquence cumulée de l’ensemble de ses voisins phonologiques globaux. La compétition y est modélisée par une règle de décision basée sur le rapport de vraisemblance de Luce. Bien que NAM rende remarquablement compte de l’accès lexical pour les lexèmes courts monosyllabiques (très fréquents en anglais), il s’efface devant le modèle de cohorte dès lors qu’il s’agit de modéliser la dynamique temporelle incrémentale et pré-terminatoire des mots polysyllabiques insérés dans la parole continue.
11. Substrats neurobiologiques et corrélats électrophysiologiques
11.1 Les potentiels évoqués (ERP) et l’onde N400
L’exploration des bases neurophysiologiques du modèle de cohorte a bénéficié de manière spectaculaire de l’utilisation de l’électroencéphalographie à haute résolution temporelle, et singulièrement de l’étude des potentiels évoqués cognitifs (Event-Related Potentials – ERP). Au sein de cet arsenal, la composante N400, découverte par Marta Kutas et Steven Hillyard, constitue le marqueur privilégié des opérations lexicales et sémantiques.
La N400 est une déflexion négative du tracé cérébral dont le pic d’amplitude survient environ 400 millisecondes après l’apparition d’un stimulus. Dans le cadre de la reconnaissance de la parole, des travaux conduits par Marslen-Wilson, Helen Neville et d’autres chercheurs ont apporté des preuves éclatantes de la synchronisation de l’onde N400 sur la cinétique du modèle de cohorte. L’amplitude de la N400 s’avère directement proportionnelle à la taille de la cohorte résiduelle et à l’effort d’intégration requis : plus un mot compte de compétiteurs au point de mesure, plus la N400 est ample.
Fait encore plus remarquable, l’effet pré-terminatoire du point d’unicité se reflète avec une fidélité neurophysiologique stupéfiante sur la latence de la N400. Lorsque des auditeurs écoutent des mots polysyllabiques congruents ou incongrus, la divergence de l’onde N400 ne s’aligne pas sur la fin physique du stimulus acoustique, mais s’enracine rigoureusement entre 200 et 300 millisecondes après le point d’unicité phonologique dudit mot. Cette chronométrie cérébrale atteste de manière irréfutable que le système nerveux central a d’ores et déjà isolé et intégré le candidat lexical dans les réseaux propositionnels bien avant que le locuteur n’ait achevé son geste articulatoire terminal.
11.2 La négativité de discordance (Mismatch Negativity – MMN)
Pour scruter les soubassements les plus précoces du stade d’accès, les neuroscientifiques cognitivistes se sont tournés vers une autre composante électrophysiologique : la négativité de discordance (Mismatch Negativity – MMN), mise en lumière par Risto Näätänen. La MMN est une réponse cérébrale auditive automatique et pré-attentionnelle générée au niveau du cortex auditif primaire et secondaire entre 100 et 250 millisecondes après la détection d’une déviation sensorielle ou lexicale.
En employant des paradigmes oddball passifs, où les sujets regardent un film silencieux sans prêter attention aux stimuli auditifs diffusés en fond sonore, des équipes de recherche ont documenté des amplifications nettes de la MMN dès lors qu’une chaîne de phonèmes correspond à une entrée lexicale réelle par rapport à un pseudo-mot acoustiquement similaire. Cette MMN précoce apparaît dans une fenêtre d’à peine 100 à 150 millisecondes après l’émission des premiers indices distinctifs.
Ces découvertes neurobiologiques fournissent une assise matérielle incontestable au stade d’accès de Cohort I et Cohort II. Elles démontrent que l’accès aux traces de mémoire lexicale à long terme ne requiert pas l’engagement d’une attention consciente ou de processus exécutifs frontaux descendants. Le cortex auditif supratemporal active les représentations linguistiques en résonance immédiate et automatique dès les premières oscillations du signal sonore, exactement selon le principe d’optimisme computationnel formulé par Marslen-Wilson.
11.3 Réseaux cérébraux de la reconnaissance lexicale (IRMf et MEG)
La cartographie anatomique et spatiotemporelle des trois stades du modèle de cohorte a été affinée grâce à l’imagerie par résonance magnétique fonctionnelle (IRMf) et à la magnétoencéphalographie (MEG). Les travaux conduits notamment par l’unité de recherche de William Marslen-Wilson à l’Université de Cambridge (Centre for Speech, Language and the Brain) ont permis de situer les dynamiques de cohorte au sein du modèle de la double voie auditive (dual-stream model) théorisé par Hickok et Poeppel.
Ce réseau neurofonctionnel s’articule de manière graduelle :
- Analyse acoustico-phonétique initiale (Stade d’accès) : L’extraction primaire des traits se déploie de manière bilatérale au sein du gyrus temporal supérieur (STG), englobant le cortex auditif primaire (gyrus de Heschl) et le planum temporale. À ce stade neurobiologique précoce, les deux hémisphères cérébraux coopèrent de manière symétrique pour échantillonner le signal physique à des résolutions temporelles complémentaires.
- Sélection et compétition lexicale (Stade de sélection) : À mesure que la cohorte s’affine et que la compétition s’intensifie, le traitement se latéralise fortement vers l’hémisphère gauche le long du sillon temporal supérieur (STS) et du gyrus temporal moyen (MTG). Des enregistrements en MEG révèlent que l’activité oscillatoire dans les bandes thêta et gamma au sein du STS gauche trace avec fidélité l’élagage des compétiteurs de cohorte au franchissement du point d’unicité.
- Résolution de compétition et intégration (Stades de sélection et d’intégration) : Lorsque la densité de voisinage est excessive ou que le signal est ambigu, des structures antérieures sont recrutées, spécifiquement le gyrus frontal inférieur gauche (LIFG, incluant l’aire de Broca – aires de Brodmann 44 et 45). Le LIFG orchestre la sélection sous haute interférence compétitive, tandis que les régions temporales antérieures gauches (pôle temporal) et le gyrus angulaire prennent en charge l’intégration sémantique et syntaxique finale de l’item sélectionné.
12. Limites, controverses et héritage dans les sciences cognitives contemporaines
12.1 Le problème fondamental de la segmentation en parole continue
Nonobstant son influence monumentale, le modèle de cohorte fait face à une objection logique qui a nourri d’intenses débats : le paradoxe de la frontière initiale. Le modèle de Marslen-Wilson est un modèle exceptionnel d’identification de mots, mais il a été originellement calibré pour des mots dont le point d’initiation physique est connu d’avance du système.
Or, comme explicité au premier chapitre, la parole écologique continue ne signale pas explicitement où s’achève un mot et où commence le suivant. Comment le processeur d’entrée sait-il à quel millième de seconde précis il doit déclencher l’activation d’une nouvelle cohorte ? Si un auditeur écoute l’énoncé oral continu « une caravane », active-t-il la cohorte du mot caravane (/ka/), ou active-t-il simultanément une cohorte à partir de /ra/ (qui ouvrirait l’accès à ravin, radeau), ou à partir de /van/ (vanne, vanille) ? Cette multiplication potentiellement infinie de cohortes parasitaires imbriquées au sein de chaque syllabe successive a été pointée comme une menace d’explosion computationnelle pour le modèle.
Pour juguler cette limite, les extensions contemporaines de la théorie ont proposé l’existence de cohortes multiples concurrentes initialisées en parallèle à chaque transition phonologique majeure. Ces cohortes s’auto-régulent via des mécanismes compétitifs globaux où les hypothèses qui parviennent à couvrir l’ensemble du flux sonore de manière contiguë et exhaustive suppriment les cohortes fragmentaires secondaires. De surcroît, le système cognitif exploite des heuristiques métriques et prosodiques puissantes (telles que l’accent tonique dans les langues germaniques ou la structure syllabique en français) pour positionner préférentiellement les ancres d’ouverture des cohortes lexicales.
12.2 Variabilité dialectale, parole bruitée et plasticité auditive
Une autre zone de friction théorique réside dans la confrontation du modèle aux environnements sonores ultra-dégradés de la vie courante. En conditions de laboratoire, les stimuli de Marslen-Wilson sont méticuleusement enregistrés par des locuteurs professionnels dans des chambres anéchoïques. Dans la réalité écologique, la parole est chuchotée, masquée par le vacarme urbain, saccadée par des hésitations ou déformée par des microphones de mauvaise qualité.
Dans ces contextes de forte dégradation, l’affirmation selon laquelle les premiers phonèmes dictent la reconnaissance de manière linéaire apparaît vulnérable. Le système auditif humain fait preuve d’une plasticité remarquable : il est parfaitement capable de reconnaître un mot dont le début a été totalement inaudible en utilisant les indices acoustiques de la rime finale conjugués aux redondances syntaxiques discursives, situation qui contraint le modèle à opérer un traitement rétrograde (de droite à gauche), conceptuellement étranger à la philosophie originelle de Cohorte.
De surcroît, l’application du modèle de cohorte aux populations bilingues et multilingues a soulevé de nouveaux défis fascinants. Des chercheurs comme Marian et Spivey ont démontré que chez un individu bilingue, l’écoute d’un mot dans une langue donnée active instantanément une cohorte interlinguistique comprenant des candidats issus des deux langues en mémoire (par exemple, un auditeur franco-anglais entendant /kæn/ active simultanément candle en anglais et canif en français). Cette perméabilité translinguistique exige des mécanismes de régulation et d’inhibition cognitive bien plus complexes que ceux postulés par les versions monolingues originelles de Marslen-Wilson.
12.3 L’héritage durable de William Marslen-Wilson
En dépit des nécessaires aménagements apportés par quarante années de recherche neurocognitive, l’héritage intellectuel légué par William Marslen-Wilson demeure monumental. Le modèle de cohorte a marqué l’acte de naissance de la psycholinguistique chronométrique moderne, imposant l’obligation scientifique de mesurer les opérations mentales à l’échelle de la milliseconde et rompant définitivement avec les modèles statiques de la cognition verbale.
Le concept de point d’unicité s’est imposé comme une métrique incontournable, intégrée universellement dans toutes les bases de données lexicales mondiales et utilisée comme variable de contrôle standard dans les protocoles d’imagerie cérébrale fonctionnelle. Par ailleurs, l’intuition centrale de Marslen-Wilson — à savoir que le traitement du langage est fondamentalement incrémental, prédictif et fondé sur la résolution dynamique de conflits parallèles — est devenue le socle théorique partagé par l’ensemble des sciences cognitives contemporaines.
Enfin, cet héritage transcende les frontières de la psychologie académique pour irriguer les technologies de pointe actuelles. Les architectures computationnelles modernes de traitement automatique du langage naturel (TALN) et les modèles de langage de grande envergure (Large Language Models) reposent sur un principe d’inférence autorégressive et de sélection de tokens hautement analogue à la dynamique de cohorte théorisée dès 1978. En démontrant que l’intelligence du système réside dans son aptitude à anticiper le monde avant même que celui-ci ne finisse de se manifester, William Marslen-Wilson a gravé de manière indélébile sa marque sur l’histoire de la science de l’esprit.
Références
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
Lahiri, A., & Marslen-Wilson, W. D. (1991). The mental representation of lexical form: A study of associative word recognition. Cognition, 38(3), 245–294. https://doi.org/10.1016/0010-0277(91)90008-R
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
Marian, V., & Spivey, M. (2003). Competing activation in bilingual language processing: Within- and between-language competition. Bilingualism: Language and Cognition, 6(2), 97–115. https://doi.org/10.1017/S1366728903001068
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. (1989). Access and integration: Projecting speech on to the mental lexicon. In W. D. Marslen-Wilson (Ed.), Lexical Representation and Process (pp. 3–24). MIT Press.
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 continuous 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)90005-8
Morton, J. (1969). Interaction of information in word recognition. Psychological Review, 76(2), 165–178. https://doi.org/10.1037/h0027366
Näätänen, R., Lehtokoski, A., Lennes, M., Cheour, M., Huotilainen, M., Iivonen, A., Vainio, M., Alku, P., Ilmoniemi, R. J., Luuk, A., Allik, J., Sinkkonen, J., & Alho, K. (1997). Language-specific phoneme representations in revealed by electric and magnetic brain responses. Nature, 385(6615), 432–434. https://doi.org/10.1038/385432a0
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
Tanenhaus, M. K., Spivey-Knowlton, M. J., Eberhard, K. M., & Sedivy, J. C. (1995). Integration of visual and linguistic information in spoken language comprehension. Science, 268(5217), 1632–1634. https://doi.org/10.1126/science.7777863
Zwitserlood, P. (1989). The locus of the effects of sentential-semantic context in spoken-word processing. Cognition, 32(1), 25–64. https://doi.org/10.1016/0010-0277(89)90013-9