PsycholinguistiquePsychologie du développement

L’expérience d’apprentissage statistique (langage des nourrissons) – Jenny Saffran, Richard Aslin et Elissa Newport

Analyse approfondie de l’expérience princeps de Saffran, Aslin et Newport (1996) sur l’apprentissage statistique et la segmentation de la parole chez le nourrisson.

Dr. Mohammed Looti Universitaire et chercheur spécialisé en psychologie
PUBLIÉ
Révisé scientifiquement · Dr. Marwa Abd-Alazim · septembre 11, 2026
Revu médicalement et scientifiquement Vérifié le : septembre 11, 2026
Dr. Marwa Abd-Alazim PhD in Psychology
Faculty Member • University of Kerbala
Critères d'évaluation et normes cliniques

Ce contenu fait l'objet d'un examen scientifique rigoureux et de normes éditoriales médicales afin de garantir l'exactitude clinique et la conformité aux directives fondées sur des preuves (APA / OMS).

CC BY-NC-ND 4.0

L’acquisition du langage par le jeune enfant constitue l’un des mystères les plus profonds et les plus fascinants des sciences cognitives, de la linguistique et de la psychologie du développement. Dès les premiers mois de son existence, un nourrisson humain, dépourvu de tout enseignement formel, d’accès direct à des dictionnaires ou de rétroaction explicite sur la validité de ses déductions, parvient à décrypter le flux sonore continu et complexe qui l’entoure. Il extrait des unités lexicales discrètes, découvre les règles phonotactiques sous-jacentes à sa langue maternelle, et pose, avant même la fin de sa première année, les fondations indispensables à l’émergence de la syntaxe et de la sémantique. Pendant des décennies, la rapidité et la robustesse de cet apprentissage ont été brandies par le courant nativiste comme la preuve irréfutable de l’existence d’un savoir linguistique inné, gravé au cœur du génome humain.

Cependant, en 1996, une série d’expériences révolutionnaires menées à l’Université de Rochester par une équipe de psycholinguistes visionnaires — Jenny Saffran, Richard Aslin et Elissa Newport — est venue bouleverser cet édifice théorique. En publiant leurs travaux dans la prestigieuse revue Science, ces chercheurs ont démontré qu’un nourrisson âgé de seulement huit mois possède une aptitude computationnelle spectaculaire : l’apprentissage statistique. Sans le moindre indice prosodique, sans contour d’intonation, sans mouvement des lèvres ni renforcement affectif, de simples bébés sont capables d’isoler des pseudo-mots au sein d’un flux continu de parole artificielle synthétique, en s’appuyant exclusivement sur le calcul spontané et implicite des probabilités de transition entre syllabes contiguës.

Cette découverte princeps n’a pas seulement réécrit les manuels de psycholinguistique cognitive ; elle a redéfini les termes du débat classique opposant l’innéisme chomskyan à l’empirisme béhavioriste, ouvrant la voie à une compréhension radicalement novatrice du cerveau infantile en tant que puissant moteur d’inférence statistique et probabiliste. Cet article propose une analyse exhaustive et rigoureuse de cette expérience fondatrice : sa genèse épistémologique, sa formalisation méthodologique et mathématique, ses résultats comportementaux précis, ainsi que son héritage magistral au sein des neurosciences contemporaines et des modèles computationnels de l’intelligence.

1. Introduction et mise en contexte historique des théories de l’acquisition du langage

1.1 Le débat classique entre nativisme chomskyan et empirisme

L’histoire de la linguistique moderne durant la seconde moitié du vingtième siècle a été profondément structurée par la confrontation intellectuelle entre le béhaviorisme skinnérien et la révolution générative impulsée par Noam Chomsky. Dans sa critique dévastatrice de l’ouvrage Verbal Behavior de B.F. Skinner publiée en 1959, Chomsky soutient qu’un modèle fondé sur le conditionnement opérant, l’imitation passive et les contingences de renforcement est fondamentalement incapable de rendre compte de la créativité linguistique. Cette créativité se manifeste par la capacité universelle qu’a tout locuteur de formuler et de comprendre une infinité d’énoncés entièrement inédits à partir d’un ensemble fini d’éléments lexicaux et de règles de transformation.

Pour justifier l’impossibilité d’un apprentissage purement inductif de la langue, Chomsky formule l’argument célèbre de la « pauvreté du stimulus » (Poverty of the Stimulus). Selon cette thèse, l’environnement linguistique réel auquel le jeune enfant est exposé est par nature lacunaire, instable, truffé d’hésitations, de faux départs, d’erreurs d’accord et d’interruptions syntaxiques, tout en étant exempt de « preuves négatives » directes (des signaux systématiques indiquant à l’enfant quelles structures sont strictement agrammaticales). Dès lors, le signal sonore perçu par le nourrisson contiendrait une information objectivement insuffisante pour lui permettre d’induire la structure grammaticale profonde de sa langue maternelle.

Face à ce gouffre présumé entre l’indigence de l’apport environnemental et la virtuosité linguistique précoce de l’enfant, l’école nativiste postule l’existence d’une structure biologique spécifique : le dispositif d’acquisition du langage (Language Acquisition Device ou LAD), ultérieurement formalisé sous le concept de Grammaire Universelle. Cette dernière est conçue comme un ensemble inné de contraintes formelles et de paramètres abstraits pré-câblés dans les circuits corticaux humains. Selon cette optique, l’environnement linguistique n’opère pas comme un réservoir d’informations à partir duquel des connaissances sont construites, mais plutôt comme un simple déclencheur biologique (trigger) destiné à calibrer les paramètres innés sur les particularités de l’idiome local. Dès lors, toute tentative d’expliquer l’acquisition de composantes fondamentales du langage par des mécanismes généraux d’apprentissage inductif s’est longtemps heurtée à une fin de non-recevoir théorique.

1.2 L’émergence du paradigme connexionniste et computationnel

Au cours des années 1980 et au début des années 1990, le dogme nativiste de la pauvreté absolue du stimulus commence à être vigoureusement contesté par l’émergence du connexionnisme et du traitement distribué en parallèle (Parallel Distributed Processing), porté par des chercheurs tels que David Rumelhart, James McClelland et Jeffrey Elman. Ces théoriciens démontrent que des architectures de réseaux neuronaux artificiels simples, dépourvues de règles symboliques rigides codées a priori, peuvent extraire des invariants phonologiques, morphologiques et syntaxiques subtils par le simple ajustement statistique du poids de leurs connexions synaptiques lors de l’exposition continue à des flux de données linguistiques brutes.

Les travaux novateurs de Jeffrey Elman sur les réseaux récurrents simples ont notamment mis en lumière que la dimension temporelle de la parole pouvait être encodée sous la forme de prédictions séquentielles. En tentant perpétuellement d’anticiper le phonème ou le mot suivant dans une chaîne textuelle, ces réseaux développent des représentations internes complexes qui reflètent spontanément des catégories lexicales et syntaxiques abstraites telles que les noms, les verbes transitifs ou les propositions relatives, et ce, sans qu’aucune étiquette explicite ne leur ait jamais été injectée.

Ce renouveau computationnel réhabilite l’environnement linguistique, qui n’apparaît plus comme un signal dégradé et opaque, mais comme une source extraordinairement dense de régularités structurelles et distributionnelles. Le nourrisson n’est plus envisagé comme un automate passif dont les gènes déploient un programme linguistique préétabli sous l’effet d’un déclencheur environnemental, mais comme un système adaptatif dynamique et un apprenant probabiliste actif. Cette nouvelle perspective théorique soulève alors une exigence expérimentale cruciale : il est impératif de concevoir des protocoles capables de vérifier empiriquement si le système cognitif du tout jeune enfant possède bel et bien, in vivo, les algorithmes implicites requis pour extraire ces régularités dans des conditions écologiques contrôlées.

1.3 L’énigme initiale : comment le nourrisson délimite-t-il les mots ?

Avant même de pouvoir s’interroger sur l’apprentissage des règles de syntaxe ou l’assignation de significations sémantiques aux étiquettes verbales, le cerveau en développement se heurte à une barrière perceptive fondamentale : le problème de la segmentation lexicale. Lorsque les adultes alphabétisés lisent un texte imprimé, les mots sont matérialisés par des espaces physiques blancs sans ambiguïté. De même, lorsqu’ils écoutent leur propre langue maternelle, ils éprouvent l’illusion subjective immédiate que la parole est constituée d’une suite de vocables distincts, délimités par des silences perceptibles.

Or, les analyses spectrographiques de la physique acoustique réfutent catégoriquement cette intuition : dans la parole naturelle continue, il n’existe quasiment aucun silence entre les mots successifs. Les véritables interruptions de l’énergie acoustique correspondent le plus souvent à des phases de silence intra-mots — provoquées par la fermeture occlusive des organes articulateurs lors de la production de consonnes comme le /p/, le /t/ ou le /k/ — tandis que les transitions entre la fin d’un mot et le début du mot suivant sont généralement marquées par une continuité acoustique absolue due au phénomène inhérent de coarticulation.

Avant 1996, l’état des connaissances expérimentales sur les compétences auditives des nourrissons — documenté notamment par les travaux pionniers de Peter Eimas, Janet Werker, Peter Jusczyk et Jacques Mehler — avait permis d’établir que les bébés naissent avec une sensibilité aiguë aux contrastes phonétiques catégoriels universels et développent vers l’âge de six à huit mois une préférence pour les contours prosodiques de leur idiome natal. Toutefois, la question de savoir comment un bébé parvient à résoudre l’énigme computationnelle de la découpe initiale du flux sonore continu en unités lexicales restait sans réponse unifiée. L’accès au lexique mental nécessitait des processus de bas niveau capables de repérer les frontières physiques ou probabilistes des mots, sous peine de rendre l’ensemble de l’architecture du langage inaccessible au jeune cerveau.

2. Le problème fondamental de la segmentation de la parole chez le nourrisson

2.1 La réalité acoustique du signal continu de la parole

L’observation d’un spectrogramme de parole continue révèle un paysage sonore dynamique et chaotique. L’onde de pression acoustique générée par le tractus vocal humain est un signal analogique complexe où l’amplitude et la fréquence fondamentale ($F_0$) fluctuent de manière ininterrompue. L’illusion perceptive selon laquelle chaque mot est émis comme une unité discrète est une reconstruction cognitive rétrospective, opérée par le cerveau de l’adulte qui projette sur le signal brut ses connaissances préalables du dictionnaire mental et de la sémantique de sa langue.

Pour un nourrisson qui ne connaît encore aucun mot, le défi est vertigineux. Il doit faire face au phénomène de coarticulation, c’est-à-dire l’influence mécanique inévitable qu’exerce un son de parole sur les sons qui le précèdent et lui succèdent dans le conduit vocal. En raison de l’inertie des articulateurs (langue, lèvres, voile du palais), la réalisation acoustique concrète d’une syllabe donnée variera drastiquement selon le contexte phonétique dans lequel elle s’insère. La syllabe « ba » ne produit pas la même empreinte spectro-temporelle selon qu’elle est précédée d’un son vocalique ouvert ou suivie d’une consonne coronale.

À cette absence fondamentale d’invariance acoustique s’ajoute une immense variabilité inter-locuteurs. La fréquence fondamentale, le débit d’élocution, l’accent régional et le timbre vocal diffèrent sensiblement entre un père, une mère, un pair ou un étranger. De surcroît, un même individu ne prononce jamais deux fois un mot de façon strictement identique. Dans un tel maelström acoustique, la quête d’une marque physique universelle qui délimiterait les frontières lexicales est purement et simplement vouée à l’échec.

2.2 Les limites des indices prosodiques et phonotactiques isolés

Pour tenter de résoudre cette aporie, plusieurs chercheurs ont avancé l’hypothèse d’un étalonnage précoce de l’enfant sur des indices prosodiques ou phonotactiques. L’approche prosodique postule que les nourrissons exploitent le profil rythmique de leur langue pour postuler des frontières lexicales potentielles. Par exemple, en anglais ou en néerlandais, la majorité des mots polysyllabiques du lexique courant suivent un schéma métrique trochaïque (une syllabe forte accentuée suivie d’une syllabe faible non accentuée, comme dans DOCTOR ou CANDLE). Les études de Jusczyk et de ses collaborateurs ont montré que des nourrissons de sept mois et demi préfèrent écouter des mots respectant ce patron accentuel.

Néanmoins, la prosodie ne peut constituer un mécanisme universel et autosuffisant de segmentation. Premièrement, toutes les langues ne sont pas basées sur un rythme accentuel analogue. Le français, par exemple, est une langue à chronologie syllabique uniforme (syllable-timed) où l’accentuation lexicale intrinsèque est inexistante, l’allongement se situant préférentiellement sur la dernière syllabe du groupe syntaxique ou phonologique plutôt que sur le mot lui-même. Deuxièmement, même dans les langues accentuelles comme l’anglais, une fraction non négligeable du lexique présente une structure iambique (faible-forte, comme dans A-BOVE ou GUI-TAR). S’il se fiait aveuglément à un filtre trochaïque rigide, l’enfant commettrait des erreurs systématiques en segmentant the guitar en the-gui et tar.

Quant aux indices phonotactiques — les contraintes qui dictent quelles combinaisons de phonèmes sont licites à l’intérieur d’un mot ou réservées aux frontières inter-mots —, ils soulèvent un redoutable problème d’antériorité logique (la structure de la poule et de l’œuf). En anglais, la combinaison de consonnes /st/ peut parfaitement apparaître à l’intérieur d’un mot (comme dans pasta), alors que la séquence /ŋk/ ne peut jamais débuter une unité lexicale. Cependant, pour qu’un nourrisson prenne conscience de ces restrictions distributionnelles à la périphérie des mots, il lui faut impérativement posséder au préalable un stock d’unités lexicales déjà isolées pour en extraire ces régularités combinatoires. La phonotactique ne peut donc pas être le mécanisme initial par lequel la segmentation est initiée ex nihilo.

2.3 L’information statistique comme vecteur potentiel de segmentation

Puisque ni la physique acoustique brute, ni la prosodie universelle, ni la phonotactique mature ne suffisent à expliquer l’amorçage de la segmentation chez le nourrisson de moins de six mois, une hypothèse alternative et particulièrement élégante a germé dans l’esprit des psycholinguistes : et si l’information requise pour délimiter les mots était inscrite dans la structure statistique distributionnelle intrinsèque de la langue parlée ?

Toute langue naturelle est gouvernée par des contraintes combinatoires objectives. Si l’on décompose la parole en une suite de syllabes discrètes, un phénomène fondamental saute aux yeux : la probabilité que deux syllabes se succèdent dans le flux verbal est considérablement plus élevée lorsque ces deux syllabes appartiennent au même mot que lorsqu’elles chevauchent la frontière séparant deux mots successifs.

Considérons une séquence prototypique telle que l’expression « joli bébé ». Dans la langue française, la syllabe « jo » est extrêmement prédictive de la syllabe « li » qui la suit immédiatement au sein du mot « joli ». En revanche, la syllabe « li » peut être virtuellement suivie par des milliers d’autres syllabes dans le discours libre : « joli tableau », « joli garçon », « joli pantalon », « joli sourire ». Par conséquent, la dépendance séquentielle entre « li » et « bé » est statistiquement bien plus faible qu’entre « jo » et « li » ou entre « bé » et « bé ». L’intuition théorique majeure formulée par Saffran, Aslin et Newport a été de postuler que le jeune nourrisson possède une sensibilité computationnelle précoce, inconsciente et spontanée, capable de traquer ces régularités de co-occurrence syllabique pour identifier les frontières de mots, et ce, de manière totalement indépendante de la compréhension du sens lexical.

3. Les protagonistes et le cadre théorique de l’étude princeps de 1996

3.1 Le profil scientifique des chercheurs de l’Université de Rochester

L’étude fondatrice de 1996 est née de la convergence féconde de trois trajectoires intellectuelles d’exception au sein du Département des Sciences Cérébrales et Cognitives de l’Université de Rochester dans l’État de New York. Ce département constituait alors l’un des foyers les plus stimulants au monde pour l’intégration de la linguistique formelle, de la psychologie expérimentale et des modèles computationnels du système nerveux central.

À la pointe de ce projet se trouve Jenny Saffran, alors jeune doctorante brillante dotée d’une créativité méthodologique remarquable et d’une détermination sans faille à tester les théories de l’apprentissage implicite chez le très jeune enfant. Saffran apportait une réflexion novatrice sur la manière dont les propriétés formelles des stimuli auditifs pouvaient contraindre le développement cognitif sans requérir d’instructions métalinguistiques.

À ses côtés, Richard Aslin, professeur reconnu et figure éminente de la psychophysique et de la perception infantile, apportait une expertise inégalée dans l’utilisation des paradigmes comportementaux chez les bébés, notamment les mesures de poursuite oculaire, les temps de fixation et les méthodologies de conditionnement auditif. Sa maîtrise des pièges méthodologiques inhérents à l’expérimentation chez le pré-verbal a garanti la rigueur irréprochable du dispositif expérimental.

Enfin, Elissa Newport, psycholinguiste de renommée internationale, était déjà célèbre pour ses recherches pionnières sur l’acquisition de la langue des signes américaine (ASL), les périodes critiques du développement cérébral et la théorie novatrice du « Less is More ». Cette dernière suggérait que les limitations cognitives et mémorielles initiales du nourrisson constituaient en réalité un avantage computationnel adaptatif en l’obligeant à traiter des unités informationnelles simples avant d’intégrer des structures complexes. L’alchimie entre ces trois esprits a permis de formaliser une question d’une simplicité désarmante, mais d’une portée paradigmatique incalculable.

3.2 L’objectif scientifique : prouver l’apprentissage statistique sans indices extrinsèques

Pour démontrer de manière irréfutable que le système cognitif de l’enfant est capable d’effectuer un calcul statistique brut pour délimiter les mots, les chercheurs de Rochester devaient relever un défi expérimental colossal : dépouiller entièrement le signal auditif de tout indice linguistique traditionnel. Dans la vie quotidienne, la parole est riche en contours d’intonation mélodique, en accents d’intensité, en micro-pauses articulatoires, en gestuelle faciale et en indices sémantiques contextualisés.

Tant que ces indices sont présents, il demeure théoriquement impossible de prouver qu’un enfant segmente le langage grâce à un algorithme distributionnel plutôt qu’en se fondant sur une réaction auditive innée à l’intonation descendante de fin d’énoncé ou sur l’allongement d’une voyelle finale. L’objectif scientifique absolu était donc d’isoler expérimentalement la statistique à l’état pur. Il fallait créer un environnement acoustique artificiel où la seule et unique information disponible pour découvrir les frontières lexicales résidait dans les contingences mathématiques de transition entre syllabes successives.

De plus, l’ambition était d’évaluer la puissance computationnelle du nourrisson à un âge précis : huit mois. À ce stade charnière, l’enfant ne parle pas encore, ne possède qu’un embryon de vocabulaire passif (reconnaissant parfois son propre prénom), mais se situe à l’aube de l’explosion lexicale qui se produira autour de sa première année. Enfin, l’expérience devait mesurer la vitesse de convergence de cet apprentissage : si le mécanisme statistique est biologiquement efficient, il ne doit pas nécessiter des mois de conditionnement, mais doit être capable d’opérer en quelques minutes seulement.

3.3 La publication dans la revue Science : un basculement paradigmatique

Le 13 décembre 1996, la revue Science publie l’article intitulé « Statistical Learning by 8-Month-Old Infants », signé par Jenny R. Saffran, Richard N. Aslin et Elissa L. Newport. En moins de trois pages denses et lumineuses, l’article rapporte des données comportementales d’une netteté exceptionnelle, prouvant que des bébés de huit mois peuvent extraire des régularités statistiques à partir d’un flux continu de parole artificielle après seulement deux minutes d’écoute passive non renforcée.

L’onde de choc au sein de la communauté scientifique internationale a été immédiate et monumentale. La démonstration que des nourrissons effectuent des calculs distributionnels sophistiqués de manière quasi instantanée sans intervention didactique a fait voler en éclats le postulat selon lequel l’apprentissage inductif était trop lent, trop fragile ou trop imprécis pour rendre compte de l’acquisition précoce du langage. Les sciences cognitives découvraient avec stupéfaction que l’esprit du nourrisson abritait un calculateur probabiliste d’une finesse insoupçonnée.

L’article de 1996 a immédiatement redéfini les contours épistémologiques du débat sur les fondements du langage. Il ne s’agissait pas de réhabiliter le modèle béhavioriste simpliste du stimulus-réponse, mais d’inaugurer un néo-empirisme computationnel raffiné. Ce paradigme a apporté la preuve formelle que des mécanismes cognitifs d’apprentissage puissant pouvaient combler le fossé traditionnellement imputé à la prétendue pauvreté du stimulus, jetant ainsi un pont pérenne entre les mathématiques de l’information et la neurobiologie du développement.

4. Le paradigme expérimental : conception d’un flux de parole artificiel

4.1 La synthèse vocale et la neutralisation absolue des indices acoustiques

Pour construire ce flux de parole dénué de tout artéfact prosodique, Saffran, Aslin et Newport ont eu recours aux technologies informatiques les plus avancées de l’époque en employant un synthétiseur vocal text-to-speech (MacinTalk) tournant sur ordinateur Macintosh. Ce dispositif permettait un contrôle millimétrique absolu de chaque paramètre acoustique du signal généré, impossible à obtenir avec la voix d’un locuteur humain, aussi rigoureux soit-il dans sa diction.

La fréquence fondamentale ($F_0$) a été verrouillée à un niveau strictement monotone et plat (fixée à 120 Hz, sans la moindre inflexion mélodique montante ou descendante). L’intensité sonore a été uniformisée de sorte qu’aucune syllabe ne présente un pic d’énergie acoustique supérieur aux autres, éliminant ainsi toute trace d’accent tonique ou métrique. De manière encore plus déterminante, le flux sonore a été purgé de la moindre micro-pause : l’intervalle entre chaque son vocalique et consonantique était scrupuleusement nul, le signal s’écoulant comme un continuum ininterrompu d’une homogénéité absolue.

Chaque consonne et chaque voyelle ont été générées avec une durée temporelle invariante. Le débit d’élocution a été fixé à un rythme continu et rapide d’environ 270 millisecondes par syllabe, correspondant à une cadence naturelle de 216 syllabes par minute. Par ce tour de force technologique, les chercheurs ont réussi à produire un signal où aucun instrument physique (ni sonomètre, ni oscillogramme, ni oreille humaine adulte entraînée) ne pouvait déceler la moindre frontière acoustique entre les items.

4.2 La structure interne : création d’une micro-langue artificielle

Au cœur de cette architecture expérimentale se trouvait une micro-langue miniature parfaitement formalisée. Le matériau linguistique de base était composé de douze syllabes fondamentales formées d’une consonne occlusive ou liquide et d’une voyelle pure (syllabes de type CV) : bi, da, ku, pa, do, ti, go, la, tu, pi, ro, etc. Ces syllabes ont été soigneusement sélectionnées afin d’éviter les clusters phonétiques atypiques ou les associations phonologiques possédant déjà une charge sémantique en anglais.

À partir de ce réservoir syllabique, les expérimentateurs ont confectionné quatre « pseudo-mots » trisyllabiques standardisés. Dans l’une des versions maîtresses du protocole, les quatre unités lexicales artificielles étaient :

  • bidaku
  • padoti
  • golabu
  • tupiro

Ces unités ont été structurées selon une combinatoire rigoureusement symétrique. Aucune consonne et aucune voyelle n’apparaissait de manière privilégiée dans l’un des mots au détriment des autres, neutralisant ainsi tout biais acoustique universel ou préférence phonétique innée chez le sujet naïf. Pour un auditeur humain adulte non averti, ce flux sonore résonnait comme un babil robotique monotone et abscons : « bidakupadotigolabubidakutupirotupirogolabupadoti… ».

4.3 La concaténation pseudo-aléatoire continue

Pour transformer ces quatre pseudo-mots en un flux verbal global, un algorithme informatique les a concaténés de manière continue pour former une piste sonore ininterrompue d’une durée exacte de deux minutes. La succession des mots dans le flux obéissait à des contraintes statistiques très précises : l’agencement était pseudo-aléatoire, chaque pseudo-mot étant répété au total 45 fois au cours des 120 secondes de la phase d’écoute.

Une restriction essentielle a été programmée au sein du générateur : l’interdiction stricte de toute répétition immédiate. Un mot tel que bidaku ne pouvait jamais être suivi instantanément par un second bidaku. Cette contrainte méthodologique cruciale visait à empêcher la création de séquences redondantes évidentes (comme bidakubidaku) qui auraient conféré une saillance acoustique artificielle à l’item par simple effet d’écho à court terme.

Par ce procédé de concaténation, les seules régularités objectives présentes au sein de l’onde sonore étaient les relations d’ordre entre les syllabes. À l’insu de l’observateur superficiel, ce flux d’apparence chaotique abritait un ordre crypté : chaque fois que la syllabe bi apparaissait, elle était inexorablement suivie de da, puis de ku. En revanche, à la frontière de fin de mot, la syllabe ku pouvait déboucher de manière équiprobable sur le début de l’un des trois autres mots de la langue artificielle, à savoir pa (de padoti), go (de golabu), ou tu (de tupiro).

5. Mécanismes mathématiques : probabilités transitionnelles et régularités statistiques

5.1 La formalisation mathématique de la probabilité transitionnelle

Le pilier théorique et computationnel sur lequel repose l’ensemble de l’expérience de Saffran, Aslin et Newport est le concept probabiliste de « probabilité transitionnelle » (Transitional Probability ou TP). Issue de la théorie mathématique de l’information et des chaînes de Markov, la probabilité transitionnelle entre un événement $X$ et un événement $Y$ qui lui succède immédiatement se définit formellement comme la probabilité conditionnelle d’observer $Y$ sachant que $X$ vient de se produire :

$$\text{TP}(X to Y) = P(Y mid X) = \frac{\text{Fréquence}(XY)}{\text{Fréquence}(X)}$$

Dans le domaine de la phonologie de la parole, $X$ et $Y$ représentent deux syllabes consécutives. Le numérateur mesure le nombre absolu de fois où la séquence ordonnée biphonémique ou bisyllabique $XY$ se manifeste dans le corpus, tandis que le dénominateur représente l’occurrence globale de la syllabe source $X$. Cette équation traduit formellement la prédictibilité séquentielle : plus la valeur de $\text{TP}$ s’approche de 1,0, plus la présence de $X$ annonce avec une certitude déterministe la venue de $Y$.

La signature formelle d’un mot au sein d’une séquence parlée réside dans une forte cohérence interne de ses constituants. À l’intérieur d’un mot cohérent, les transitions syllabiques sont hautement prédictibles, reflétant l’architecture lexicale figée de la langue, alors que les transitions entre la dernière syllabe d’un mot et la première du suivant sont caractérisées par une dispersion combinatoire beaucoup plus vaste, donc par une probabilité conditionnelle mathématiquement effondrée.

5.2 Le différentiel statistique : cohésion intra-mots versus transitions inter-mots

En analysant la micro-langue conçue pour l’expérience de 1996 à l’aune de ce formalisme mathématique, le contraste distributionnel calculé par le système cognitif de l’enfant apparaît dans toute son éclatante pureté. Considérons le pseudo-mot bidaku. Au sein de ce vocable, la probabilité que la syllabe da suive la syllabe bi est absolue :

$$P(\textit{da} mid \textit{bi}) = \frac{\text{Fréquence}(\textit{bida})}{\text{Fréquence}(\textit{bi})} = \frac{45}{45} = 1{,}0$$

De même, la probabilité que ku succède à da est rigoureusement égale à 1,0 :

$$P(\textit{ku} mid \textit{da}) = \frac{45}{45} = 1{,}0$$

Ces valeurs de 1,0 caractérisent les transitions « intra-mots ». L’observateur computationnel peut prédire avec une certitude absolue ce qui va suivre. En revanche, que se passe-t-il lorsque la syllabe terminale ku est émise ? Puisque le mot bidaku ne peut pas se répéter lui-même et que les trois autres pseudo-mots ont une probabilité égale d’apparaître après lui, la syllabe ku sera suivie soit par pa (15 fois), soit par go (15 fois), soit par tu (15 fois). La probabilité transitionnelle « inter-mots » chute alors brutalement :

$$P(\textit{pa} mid \textit{ku}) = \frac{\text{Fréquence}(\textit{kupa})}{\text{Fréquence}(\textit{ku})} = \frac{15}{45} = 0{,}33$$

Cette asymétrie numérique engendre ce que les psycholinguistes appellent un profil de « creux statistiques » (statistical troughs). Lorsque le cerveau analyse le flux au fil de l’eau, il observe un plateau de haute prédictibilité ($\text{TP} = 1{,}0$) qui s’effondre périodiquement vers un minimum local ($\text{TP} = 0{,}33$). Ce creux local de probabilité transitionnelle signale sans la moindre ambiguïté, de manière purement mathématique, l’existence d’une frontière d’unité : la fin d’un mot et le début du suivant.

5.3 Découplage délibéré entre fréquence brute et probabilité conditionnelle

L’une des finesses théoriques majeures de l’architecture conçue par Saffran, Aslin et Newport réside dans le contrôle chirurgical de la fréquence brute des items. Dans de nombreuses théories classiques de l’apprentissage associatif, on supposait que le système perceptif enregistrait simplement le nombre de fois où un stimulus singulier avait frappé la rétine ou la cochlée : plus un événement est fréquent, plus il est mémorisé.

Or, dans la micro-langue de 1996, chaque syllabe individuelle apparaissait exactement avec la même fréquence absolue au sein du flux de familiarisation. La syllabe bi était entendue précisément 45 fois, tout comme da, ku, pa ou n’importe quelle autre syllabe du répertoire. Il était donc rigoureusement impossible pour le nourrisson de segmenter le flux en identifiant des syllabes isolées plus fréquentes que d’autres.

Le système computationnel du bébé était mécaniquement contraint d’extraire la dépendance conditionnelle d’ordre supérieur reliant les paires ou triplets de syllabes contiguës. Ce découplage entre la fréquence d’apparition brute et la probabilité de co-occurrence conditionnelle prouve de façon magistrale que le cerveau du nourrisson ne se comporte pas comme un simple compteur passif d’événements, mais comme un moteur statistique analytique qui intègre le contexte relationnel immédiat du flux perceptif.

6. Méthodologie expérimentale : le protocole de préférence d’orientation de la tête

6.1 Le dispositif HTPP (Head-Turn Preference Procedure)

Pour mesurer les capacités cognitives d’enfants pré-verbaux de huit mois incapables de suivre des consignes verbales ou d’appuyer sur des boutons-poussoirs, les chercheurs ont mobilisé le protocole expérimental de préférence d’orientation de la tête (Head-Turn Preference Procedure ou HTPP), perfectionné au début des années 1990 par Peter Jusczyk.

Le dispositif expérimental prend place au sein d’une cabine insonorisée à double paroi, conçue pour minimiser toute interférence acoustique et visuelle extérieure. L’enfant est assis confortablement sur les genoux de l’un de ses parents, face à un panneau central blanc équipé d’un voyant lumineux vert clignotant. Deux cloisons latérales, positionnées à 90 degrés à gauche et à droite du nourrisson, sont chacune pourvues d’un haut-parleur dissimulé derrière un tissu acoustiquement transparent, surmonté d’un voyant lumineux rouge clignotant.

Le déroulement d’un essai typique au sein de ce dispositif est entièrement automatisé et asservi au comportement visuel spontané de l’enfant :

  1. Pour débuter un essai, la lumière verte centrale clignote pour capter et recentrer le regard du nourrisson droit devant lui.
  2. Dès que l’enfant fixe le centre de manière stable, le voyant central s’éteint et l’un des deux voyants rouges latéraux se met à clignoter (par exemple à gauche).
  3. Attiré par ce signal visuel périphérique, le bébé pivote la tête vers la lumière rouge latérale.
  4. Dès que son angle de rotation atteint un seuil prédéfini (au moins 30 degrés vers le côté), le haut-parleur situé juste derrière cette lumière s’active et commence à diffuser le stimulus auditif sélectionné pour cet essai.
  5. Le stimulus sonore continue de retentir aussi longtemps que l’enfant maintient son regard et son orientation de la tête orientés vers le panneau latéral.
  6. Si le nourrisson détourne la tête de plus de 30 degrés pendant plus de deux secondes consécutives (signe d’inattention ou de lassitude), la diffusion sonore s’interrompt immédiatement, le voyant rouge s’éteint, et l’essai prend fin.

Un système informatique enregistre avec une précision temporelle de l’ordre de la milliseconde la durée totale pendant laquelle l’enfant a maintenu son orientation de la tête vers le haut-parleur. Cette « durée d’écoute active » (listening time) constitue la variable dépendante fondamentale du paradigme : elle reflète directement l’intérêt perceptif et l’attention auditive soutenue que le bébé consacre au patron sonore diffusé.

6.2 La population de nourrissons testée

L’échantillon de l’étude princeps de 1996 était constitué de nourrissons sains nés à terme, âgés précisément de 7 mois et demi à 8 mois et demi (avec une moyenne d’âge rigoureusement centrée sur 8 mois révolus). Cette fenêtre développementale n’avait pas été choisie au hasard : elle précède immédiatement l’apparition des premiers mots signifiants tout en correspondant à une période où le cortex auditif et les structures sous-corticales ont atteint une maturation suffisante pour discriminer finement les phonèmes.

Des critères d’exclusion extrêmement stricts ont été mis en œuvre. Tout nourrisson présentant des antécédents de prématurité, des complications néonatales, des épisodes récents ou chroniques d’otite moyenne séromuqueuse (susceptibles d’engendrer une perte auditive conductive transitoire) ou une exposition régulière à un environnement bilingue précoce était systématiquement écarté de l’échantillon final. De même, un seuil d’attrition expérimental était appliqué : les enfants qui pleuraient, qui s’agitaient excessivement ou qui ne parvenaient pas à compléter l’ensemble des blocs d’essais étaient exclus de l’analyse statistique.

Afin de garantir une neutralité absolue et d’éviter le phénomène bien connu d’influence de l’expérimentateur (effet Pygmalion ou clever Hans), une double sécurisation à l’aveugle a été instaurée :

  • Le parent accompagnateur, sur les genoux duquel reposait l’enfant, portait un casque audio fermé haute fidélité diffusant un bruit blanc continu ou une musique masquante à fort volume. Il lui était expressément interdit de parler, de bouger, de désigner les lumières ou d’orienter physiquement son bébé.
  • L’expérimentateur humain, qui observait le visage de l’enfant à travers une caméra vidéo cachée et actionnait les boutons de chronométrage selon les rotations de la tête, était lui aussi isolé acoustiquement par un casque diffusant une musique assourdissante. Il ignorait totalement quel type de stimulus auditif (mot ou non-mot) était diffusé sur le haut-parleur latéral à chaque essai.

6.3 Déroulement temporel : phase de familiarisation versus phase de test

L’architecture temporelle du protocole se divisait en deux grandes phases successives, menées au cours d’une seule et même séance de laboratoire :

1. La phase de familiarisation (exposition passive) : Dès que l’enfant était installé dans la cabine avec son parent, le flux continu ininterrompu de deux minutes de la micro-langue synthétique (les quatre pseudo-mots concaténés sans aucune pause) était diffusé dans la pièce via les haut-parleurs latéraux. Durant ces 120 secondes, aucune lumière ne clignotait de manière contingente. L’enfant était simplement assis dans un état d’écoute libre. Pour maintenir son calme sans distraire son attention auditive, un expérimentateur soufflait des bulles de savon ou manipulait des objets visuels silencieux sans rapport avec la parole. Il n’y avait aucun renforcement, aucune récompense matérielle ou affective. L’apprentissage, s’il avait lieu, était intégralement incident et implicite.

2. La phase de test (évaluation de la discrimination) : Immédiatement après la fin des deux minutes d’exposition continue, le protocole HTPP s’enclenchait pour un total de douze essais de test randomisés. L’enfant était alors exposé, de manière isolée et contingente à l’orientation de sa tête, à deux catégories distinctes de séquences sonores trisyllabiques répétées en boucle au cours de chaque essai (par exemple, la répétition cadencée de « bidaku, bidaku, bidaku… » versus la répétition d’une autre séquence trisyllabique de contrôle).

L’ordre de présentation des essais de test était rigoureusement contrebalancé et pseudo-aléatoire pour éviter tout effet de rang, de primauté, de récence ou de fatigue auditive. Si le système cognitif de l’enfant avait segmenté le flux de familiarisation et reconnu les frontières computationnelles des pseudo-mots, il devait nécessairement réagir de manière différenciée aux stimuli tests selon leur statut distributionnel dans le flux initial.

7. Résultats empiriques : la distinction entre mots et non-mots par les nourrissons

7.1 L’expérience 1 : discrimination entre ‘mots’ et ‘non-mots’

Dans la toute première expérience menée par Saffran et ses collègues, l’objectif était de déterminer si les nourrissons de 8 mois pouvaient faire la différence entre les « vrais mots » de la langue artificielle et des « non-mots » absolus. Les stimuli tests étaient structurés comme suit :

  • Les Mots : Des pseudo-mots trisyllabiques intacts issus directement du flux d’apprentissage, dont les probabilités transitionnelles internes étaient de 1,0 (par exemple, bidaku ou padoti).
  • Les Non-Mots : Des séquences trisyllabiques constituées exactement des mêmes douze syllabes fondamentales, mais réassemblées dans un ordre combinatoire qui ne s’était jamais produit durant la phase de familiarisation de deux minutes (par exemple, dakupa ou tilado). Pour ces non-mots, la probabilité transitionnelle interne dans le flux initial était strictement égale à 0,0.

Les données chronométriques recueillies ont révélé un patron comportemental spectaculaire. Les nourrissons ont orienté leur tête et écouté de manière significativement plus longue les haut-parleurs lorsque ceux-ci diffusaient les non-mots plutôt que les mots déjà familiers. Ce phénomène s’inscrit au cœur d’un principe bien établi en psychologie du développement cognitif : le paradigme de l’effet de nouveauté (novelty preference).

Lorsqu’un nourrisson a entièrement encodé, traité et extrait un patron perceptif au cours d’une phase d’habituation, son système attentionnel tend à se désengager plus rapidement des stimuli déjà assimilés (qui procurent moins de gain d’information cognitive) au profit de stimuli inédits qui défient ses prédictions internes. Le fait que les bébés aient manifesté une préférence d’écoute statistiquement robuste pour les non-mots constituait la preuve irréfutable qu’ils avaient non seulement mémorisé les syllabes isolées, mais qu’ils avaient également identifié la configuration séquentielle exacte des mots du flux.

7.2 Les données chronométriques et la significativité statistique

L’analyse statistique des durées moyennes d’orientation de la tête recueillies lors de l’Expérience 1 a confirmé la solidité mathématique des observations comportementales :

Les temps de fixation moyens se répartissaient avec une netteté remarquable :

  • Temps d’écoute moyen pour les mots (probabilité interne = 1,0) : environ 6,77 secondes.
  • Temps d’écoute moyen pour les non-mots (probabilité interne = 0,0) : environ 8,85 secondes.

Cet écart chronométrique de plus de deux secondes en moyenne représentait une différence comportementale hautement significative sur le plan de l’inférence statistique (test $t$ pour échantillons appariés, $t(23) = -3{,}47$, $p < 0{,}002$). Sur les 24 nourrissons testés dans cette cohorte expérimentale, 21 d'entre eux ont présenté des temps d'écoute plus élevés pour les non-mots que pour les mots. La taille d'effet mesurée (d de Cohen) démontrait que cette discrimination n'était pas le fruit d'une fluctuation aléatoire de l'échantillon, mais le reflet d'une dynamique cognitive puissante et homogène.

L’absence de toute asymétrie entre les hémichamps auditifs gauche et droit, ainsi que l’absence d’effets d’ordre lors de la succession des essais de test, ont confirmé que les bébés réagissaient exclusivement à la composition séquentielle intrinsèque des stimuli sonores.

7.3 La preuve formelle d’un calcul distributionnel chez le bébé de 8 mois

Ce résultat constituait une percée fondamentale pour la communauté scientifique. Pour la première fois dans l’histoire de la psycholinguistique expérimentale, on apportait la preuve tangible qu’un enfant pré-verbal de 8 mois est capable de déployer un mécanisme de calcul distributionnel autonome face au signal auditif.

Le temps requis pour que cet apprentissage se cristallise au sein des réseaux neuronaux de l’enfant force l’admiration : seulement 120 secondes. En deux petites minutes d’immersion dans un environnement sonore inconnu, un cerveau humain hautement immature extrait les régularités statistiques fondamentales de la parole sans le secours de la vue, sans renforcement extrinsèque, sans indice d’intonation, et sans aucune délimitation par des pauses acoustiques physiques.

Toutes les théories classiques qui soutenaient que l’extraction des unités lexicales initiales dépendait obligatoirement d’une pré-adaptation motrice, d’une rétroaction vocale imitée (comme le babillage partagé), ou de l’étalonnage exclusif sur les contours mélodiques exagérés de la voix maternelle se sont trouvées instantanément réévaluées. Le système nerveux central infantile abrite une machinerie computationnelle précoce, remarquablement véloce et capable d’opérer sur des représentations purement phonétiques.

8. L’expérience de contrôle critique : mots contre ‘part-words’ (mots partiels)

8.1 L’expérience 2 : le contrôle rigoureux des fréquences syllabiques

En dépit de l’élégance de l’Expérience 1, une objection méthodologique et conceptuelle redoutable pouvait encore être soulevée par les sceptiques. Dans la première expérience, les « non-mots » étaient formés d’associations syllabiques qui n’avaient strictement jamais retenti dans le flux de deux minutes. Dès lors, il était légitime de se demander : le nourrisson discrimine-t-il véritablement les mots sur la base de leurs probabilités transitionnelles relatives, ou réagit-il simplement à la nouveauté acoustique absolue de séquences biphonémiques qu’il n’a jamais entendues ?

Pour dissiper définitivement toute ambiguïté théorique, Jenny Saffran, Richard Aslin et Elissa Newport ont conçu une seconde expérience (Expérience 2), devenue légendaire pour son raffinement méthodologique. Dans ce nouveau protocole, les chercheurs ont confronté les bébés non plus à des non-mots absolus, mais à des « mots partiels » (part-words).

Un « part-word » est une séquence trisyllabique créée en combinant la syllabe finale d’un mot avec les deux premières syllabes du mot qui lui succédait accidentellement dans le flux. Par exemple, si le mot padoti était suivi dans le flux par le mot bidaku (formant la chaîne transitoire …padotibidaku…), la séquence test tibida était qualifiée de part-word.

La beauté méthodologique de ce montage réside dans le fait que la séquence tibida a réellement été entendue par le bébé au cours des deux minutes de familiarisation ! Elle a frappé son système auditif à de multiples reprises. Dès lors, aucune syllabe et aucune transition biphonémique n’étaient nouvelles d’un point de vue perceptif absolu.

8.2 Les probabilités transitionnelles relatives comme seul facteur discriminant

Dès lors, quel était l’unique paramètre discriminant susceptible de distinguer un « vrai mot » d’un « part-word » ? La réponse réside exclusivement dans la valeur différentielle de leur probabilité transitionnelle interne :

  • Pour un Mot (ex: bidaku) : La probabilité de transition entre bi et da est de 1,0 ($45/45$), et la probabilité entre da et ku est de 1,0 ($45/45$). La cohésion interne globale de la séquence est maximale.
  • Pour un Part-Word (ex: tibida) : La probabilité de transition entre bi et da est certes de 1,0 (car cette sous-unité appartient au mot bidaku). Mais la probabilité transitionnelle reliant ti (fin de padoti) à bi (début de bidaku) s’effondre à 0,33 ($15/45$), car la syllabe ti n’était suivie de bi qu’une fois sur trois !

La probabilité transitionnelle moyenne interne d’un part-word est donc mathématiquement bien inférieure à celle d’un mot authentique ($0{,}66$ contre $1{,}0$). Les résultats de cette seconde expérience ont tranché le débat sans appel : une fois de plus, les nourrissons de 8 mois ont manifesté une durée d’écoute significativement plus longue pour les part-words que pour les mots complets (temps d’écoute moyen : environ 7,60 secondes pour les part-words contre 6,77 secondes pour les mots ; $t(23) = -2{,}73$, $p < 0{,}01$).

Les bébés n’ont pas réagi à la familiarité brute de l’empreinte sonore, puisque chaque part-word avait été entendu des dizaines de fois. Ils ont spécifiquement détecté que la cohésion statistique interne reliant ti à bi était dégradée par rapport à celle scellant bi à da et da à ku. Le cerveau de l’enfant a formellement rejeté le part-word comme une unité lexicale valide en raison du « creux » probabiliste qu’il abritait en son sein.

8.3 Conclusions méthodologiques de l’étude de 1996

L’expérience de contrôle des part-words a scellé le triomphe empirique de Saffran, Aslin et Newport. Elle a apporté la démonstration définitive et irréfragable que le jeune nourrisson :

  • Traque les contingences relatives et non de simples fréquences additives d’occurrences.
  • Mémorise l’ordre séquentiel et les dépendances temporelles fines des unités acoustiques.
  • Utilise les minima locaux de prédictibilité statistique pour poser des barrières et découper un flux continu en morceaux discrets autonomes.

Ce protocole est instantanément devenu le paradigme de référence (« gold standard ») mondial en linguistique développementale. Il a été reproduit, décliné et validé au fil des décennies suivantes dans des dizaines de laboratoires universitaires à travers le monde, traversant avec succès l’épreuve de la réplication sous différentes cultures, différentes langues et différents contextes expérimentaux.

9. Implications théoriques pour le débat nativisme contre empirisme

9.1 La réfutation empirique de la pauvreté absolue du stimulus

L’impact théorique des résultats de 1996 a résonné comme un coup de tonnerre au sein de la linguistique théorique. En démontrant que la parole contient en elle-même des signaux d’une prodigieuse densité distributionnelle que l’esprit infantile sait décoder en deux minutes, Saffran, Aslin et Newport ont ébranlé l’un des piliers du nativisme radical : la prétendue pauvreté absolue du stimulus de Chomsky.

L’environnement sonore auquel l’enfant est confronté n’est pas un désert informationnel ou un agrégat chaotique d’accidents acoustiques imposant le recours obligatoire à une Grammaire Universelle innée et pré-câblée pour faire émerger l’ordre linguistique. Au contraire, le signal de parole regorge d’indices probabilistes invisibles à l’œil nu mais extrêmement riches pour un système d’analyse statistique adéquat. L’extraction des premières briques du langage — les mots — ne requiert aucun filtre conceptuel préétabli ni aucune connaissance métalinguistique préalable du monde : la structure statistique de l’input suffit à guider l’induction initiale.

Il ne s’agissait pas pour autant d’un retour au béhaviorisme skinnérien naïf. L’apprentissage statistique tel que révélé par l’école de Rochester ne fait pas appel à des associations passives dictées par la faim ou le renforcement maternel. Il s’agit d’un empirisme computationnel hautement sophistiqué, dans lequel le cerveau humain est doté d’une formidable machinerie computationnelle interne capable d’effectuer des calculs algorithmiques formels et puissants sur des représentations mentales abstraites.

9.2 Mécanisme général de traitement de l’information versus module dédié

Cette découverte a relancé avec acuité l’interrogation fondamentale sur la modularité de l’esprit, théorisée notamment par le philosophe Jerry Fodor. La capacité à calculer des probabilités de transition au sein d’un flux sonore est-elle la manifestation d’un module linguistique strictement spécialisé, dédié de façon exclusive à la phonologie humaine ? Ou s’agit-il au contraire de l’expression d’un mécanisme computationnel général de traitement de l’information (domain-general mechanism), opérant de manière transversale sur de multiples modalités cognitives ?

Les données accumulées dans le sillage de l’expérience de 1996 ont penché avec éclat en faveur de la seconde hypothèse. Comme nous le détaillerons dans la section suivante, la capacité à extraire des régularités séquentielles n’est pas confinée à la parole : elle fonctionne avec la même prodigieuse efficacité dans la modalité auditive non linguistique (la musique) et dans la modalité visuelle (les formes et les couleurs).

Cette transversalité suggère que le cerveau humain n’a pas nécessairement eu besoin d’évoluer en développant des organes corticaux entièrement distincts et isolés pour chaque composante du langage. En lieu et place d’un catalogue rigide de règles grammaticales inscrites dans les gènes, la sélection naturelle a pu favoriser des algorithmes computationnels génériques d’une extrême puissance, capables de s’adapter plastiquement à la structure informationnelle de tout signal environnemental complexe.

9.3 La naissance de l’approche statistique du développement linguistique

L’étude de 1996 a donné naissance à un courant théorique majeur qui innerve aujourd’hui l’ensemble des sciences cognitives contemporaines : l’approche statistique et probabiliste du développement de l’enfant. Cette perspective postule que l’enfant progresse dans sa maîtrise linguistique non pas en activant des commutateurs binaires universels (le modèle des principes et paramètres), mais en raffinant continuellement un modèle prédictif du monde à travers un processus d’induction bayésienne.

Les prédispositions biologiques innées ne sont plus conceptualisées sous la forme de règles syntaxiques figées, mais sous la forme de biais attentionnels et perceptifs initiaux :

  • Un biais poussant le nourrisson à écouter préférentiellement les sons de l’environnement social.
  • Une sensibilité neurophysiologique native aux contrastes de transitions temporelles rapides.
  • Une tendance irrésistible du cortex cérébral à maximiser la compression d’information en découvrant des régularités latentes.

Ce paradigme a ensuite été étendu avec un immense succès bien au-delà de la simple segmentation lexicale des mots isolés. Il a servi de cadre explicatif pour modéliser l’acquisition de catégories grammaticales (distinction noms/verbes basée sur les contextes distributionnels), l’apprentissage des règles morphologiques, et même la découverte des hiérarchies syntaxiques complexes, révélant la profonde unité computationnelle de l’esprit humain en développement.

10. Généralisation du mécanisme statistique : au-delà de la parole linguistique

10.1 L’apprentissage statistique dans le domaine musical

Face à l’extraordinaire performance des bébés sur la parole artificielle, une question cruciale s’est rapidement imposée à l’équipe de Rochester : ce mécanisme de segmentation probabiliste est-il restreint au système phonologique ou s’applique-t-il à d’autres stimuli sonores ? En 1999, Jenny Saffran, en collaboration avec Elizabeth Johnson, Richard Aslin et Elissa Newport, publie une étude majeure visant à tester la segmentation de flux musicaux.

Les chercheurs ont conçu un flux continu de sons musicaux purs (des notes de musique de synthèse sans timbre vocal), composé d’une suite de fréquences sinusoïdales issues de l’échelle tempérée occidentale. À l’instar des pseudo-mots linguistiques, des « mots musicaux » tritonaux (des triplets de notes pures comme Do-Mi-Sol ou Fa-Ré-La) ont été générés sans pause ni variation d’intensité ou de métrique. À l’intérieur d’un motif musical, la probabilité transitionnelle d’une note à la suivante était de 1,0, alors qu’elle chutait drastiquement à la jonction entre deux motifs musicaux consécutifs.

Exposés à ce flux musical pendant quelques minutes, des nourrissons de 8 mois ont démontré exactement les mêmes capacités computationnelles que face à la parole artificielle. Ils ont discriminé avec brio les motifs musicaux récurrents des motifs partiels chevauchant les frontières, prouvant de manière irréfutable que l’apprentissage statistique auditif opère de façon souveraine sur des signaux acoustiques non vocaux et non linguistiques.

10.2 La modalité visuelle : les travaux de Kirkham, Slemmer et Johnson

L’étape suivante de cette révolution cognitive consistait à s’extraire totalement de la sphère auditive pour sonder la modalité visuelle. Si l’apprentissage statistique est un primitif computationnel de l’architecture cérébrale humaine, il doit nécessairement se manifester lorsque l’information se déploie sous forme d’images et de formes spatiales.

En 2002, Natasha Kirkham, Jonathan Slemmer et Scott Johnson ont publié une étude retentissante transposant fidèlement le paradigme de Saffran au domaine de la vision infantile. Des nourrissons âgés de 2, 5 et 8 mois ont été assis face à un écran sur lequel défilait un flux continu de formes géométriques colorées (cercles rouges, carrés bleus, triangles verts, croix jaunes) apparaissant l’une après l’autre au centre de l’écran, sans aucune pause ni démarcation temporelle.

À l’insu des observateurs, l’ordre d’apparition des figures visuelles était gouverné par des probabilités de transition strictes : certaines formes apparaissaient toujours en paires ou en triplets ordonnés indissociables (probabilité conditionnelle de 1,0), tandis que la transition entre la fin d’un groupe visuel et le début du suivant était probabiliste et plus faible. En analysant la direction et la durée de fixation oculaire des bébés, les auteurs ont découvert que dès l’âge de deux mois, les nourrissons s’habituent aux séquences visuelles prévisibles et manifestent une désinhibition attentionnelle marquée (préférence pour la nouveauté) lorsqu’une transition statistique visuelle inattendue leur est présentée. L’apprentissage statistique s’est ainsi imposé comme un mécanisme computationnel véritablement « domaine-général » et multimodal.

10.3 Perspectives phylogénétiques : l’apprentissage statistique chez les primates non-humains

La découverte du caractère générique et précoce de l’apprentissage statistique a naturellement incité les primatologues et les évolutionnistes à sonder ses origines phylogénétiques. Ce mécanisme computationnel est-il l’apanage exclusif de la lignée humaine, ou s’agit-il d’une capacité ancestrale conservée au cours de l’évolution des vertébrés ?

En 2001, Marc Hauser, en collaboration directe avec Elissa Newport et Richard Aslin, a testé le paradigme originel de 1996 sur des primates non-humains : les tamarins pinchés (Saguinus oedipus), une espèce de petits singes du Nouveau Monde réputée pour sa communication vocale sociale. Placés face aux mêmes flux de parole artificielle monotone (bidaku, padoti…), les singes ont été évalués via un protocole comportemental d’orientation de la tête en direction de la source sonore dissimulée.

Les résultats ont stupéfié les éthologues : les tamarins ont manifesté un patron de discrimination statistique rigoureusement comparable à celui des bébés humains de huit mois. Ils ont réagi de manière hautement différenciée aux mots et aux part-words. Des études subséquentes menées chez des macaques rhésus, des rats de laboratoire et même des oiseaux chanteurs ont confirmé l’existence de compétences distributionnelles analogues.

D’un point de vue évolutif, ces données suggèrent que la faculté de langage chez l’humain n’a pas nécessairement nécessité l’invention biologique de novo d’un mécanisme de calcul statistique dédié. Le langage articulé a plutôt pu réaliser une prodigieuse exaptation cognitive : il s’est développé en co-évoluant avec des mécanismes computationnels de bas niveau déjà présents depuis des millions d’années dans le cerveau des mammifères, en exploitant leur remarquable aptitude à détecter des structures prédictives dans l’environnement sensoriel.

11. Critiques, limites et débats contemporains autour du modèle

11.1 Le fossé écologique entre flux artificiel et langage naturel

En dépit de son élégance expérimentale incontestée, l’expérience de Saffran, Aslin et Newport a fait l’objet de discussions nourries quant à sa validité écologique. Dans une chambre anéchoïque de laboratoire, des bébés écoutent un flux synthétique parfait constitué de seulement quatre mots trisyllabiques hautement répétitifs. Or, le bain linguistique réel dans lequel baigne un nourrisson dans le monde quotidien est infiniment plus chaotique et bruité.

Dans la vie réelle :

  • Le lexique comprend des milliers de mots de longueurs asymétriques (monosyllabiques, dissyllabiques, polysyllabiques).
  • Le bruit ambiant (télévision, bruits de circulation, conversations croisées) altère continuellement l’onde acoustique.
  • Une proportion écrasante de mots ne sont prononcés qu’une poignée de fois par jour, anéantissant l’hypothèse d’une convergence rapide par répétition massive.

De plus, la parole adressée à l’enfant (le « parler bébé » ou Infant-Directed Speech / motherese) se caractérise précisément par tout ce que l’expérience de 1996 s’était efforcée de gommer : une tessiture aiguë, des contours d’intonation amples et mélodieux, une exagération des voyelles et des pauses systématiques entre les syntagmes. Dès lors, certains chercheurs ont soutenu que si l’apprentissage statistique pur est théoriquement suffisant pour segmenter un signal robotique simplifié, il ne constitue pas nécessairement le mécanisme prépondérant mobilisé par l’enfant au cœur du brouhaha domestique.

11.2 Le problème du passage de la forme au sens

Une autre limite conceptuelle majeure réside dans la dissociation absolue entre la forme phonologique et le référent sémantique. Isoler une chaîne acoustique cohérente comme bidaku ne signifie en aucun cas comprendre que cette étiquette renvoie à un objet, une personne, une action ou un concept abstrait. L’apprentissage statistique décrit par Saffran et ses collègues produit des représentations d’unités de surface, mais demeure totalement muet sur la façon dont ces unités sont cartographiées sur le lexique sémantique mental.

De surcroît, le calcul statistique aveugle comporte un risque intrinsèque d’erreur : la génération de « mots fantômes ». Dans le discours réel, deux mots indépendants peuvent se succéder très fréquemment en raison d’associations syntaxiques ou idiomatiques fortes (par exemple, « grand lit » ou « va te coucher »). Un système computationnel qui se fierait exclusivement aux probabilités transitionnelles syllabiques risquerait d’extraire la séquence « granli » ou « vaté » comme un mot unique et autonome du lexique.

Pour dépasser cette aporie, les théories actuelles postulent que l’apprentissage statistique de surface doit être rapidement couplé avec des dispositifs d’inférence socio-pragmatique : l’attention visuelle conjointe (le regard partagé vers l’objet nommé), l’intentionnalité communicative de l’adulte et l’apprentissage trans-situationnel (cross-situational learning), théorisés notamment par Linda Smith et Chen Yu, où l’enfant croise les statistiques auditives avec les statistiques visuelles des objets présents dans son champ de vision.

11.3 L’intégration multimodale et l’amorçage prosodique

Face à ces débats, une synthèse théorique féconde s’est imposée au cours des deux dernières décennies, portée notamment par les travaux de Sven Mattys et de ses collaborateurs sur la hiérarchie des indices de segmentation de la parole (cue integration model). Chez l’adulte et l’enfant plus âgé, la segmentation lexicale repose sur une cascade d’indices hiérarchisés de manière flexible :

  1. Au sommet de la pyramide se trouvent les connaissances lexicales et sémantiques contextuelles préalables (qui contraignent immédiatement l’interprétation perceptive).
  2. Au niveau intermédiaire opèrent les indices acoustiques et prosodiques saillants (les patrons d’accentuation métrique, l’allongement pré-pausal et les contours mélodiques d’intonation).
  3. À la base de l’édifice se situent les régularités statistiques distributionnelles pures et les contraintes phonotactiques de bas niveau.

Selon cette perspective moderne, l’apprentissage statistique ne fonctionne pas en opposition à la prosodie, mais en symbiose étroite avec elle. Durant les premiers mois de la vie (avant 6 mois), lorsque le nourrisson est encore dépourvu de lexique et de repères sémantiques, le calcul des probabilités transitionnelles opère comme un outil d’amorçage primordial (statistical bootstrapping). Il permet d’extraire un premier noyau dur de proto-mots fréquents. Une fois ce stock initial constitué, l’enfant peut découvrir rétrospectivement que ces mots partagent un profil métrique dominant (par exemple, le schéma trochaïque), lui permettant alors de basculer sur une stratégie de segmentation prosodique plus rapide et moins coûteuse en ressources computationnelles.

12. Héritage et perspectives futures en neurosciences cognitives du développement

12.1 L’apport des neurosciences fonctionnelles (EEG et fNIRS)

L’une des évolutions les plus spectaculaires consécutives aux travaux de 1996 a été la transposition du paradigme de segmentation statistique vers l’imagerie cérébrale fonctionnelle non invasive chez le nourrisson et le nouveau-né. Grâce à l’électroencéphalographie (EEG) à haute densité et aux potentiels évoqués (ERP), les neuroscientifiques ont pu traquer en temps réel la dynamique cérébrale de cet apprentissage sans dépendre exclusivement des mouvements de tête de l’enfant.

Des études électrophysiologiques menées par Ghislaine Dehaene-Lambertz, Laura Peña et François Floccia ont révélé l’émergence d’une composante neuronale spécifique : une onde $N400$ ou une négativité de discordance (Mismatch Negativity ou MMN) qui apparaît précisément sur la troisième syllabe d’un part-word ou d’un non-mot, témoignant de la violation immédiate des prédictions statistiques générées par le cortex auditif. Plus spectaculaire encore, des travaux récents sur la synchronisation des oscillations cérébrales (neural tracking et entrainment) ont démontré que lorsqu’un bébé écoute un flux de parole continue de type Saffran, son cerveau commence à faire osciller ses réseaux corticaux au rythme exact des mots déduits (fréquence lente autour de 1 Hz), en plus de l’oscillation mécanique imposée par les syllabes individuelles (fréquence plus rapide autour de 4 Hz). Le cerveau restructure littéralement son activité oscillatoire pour matérialiser les frontières invisibles créées par les probabilités.

En utilisant la spectroscopie dans le proche infrarouge (fNIRS), des équipes dirigées par Judit Gervain ont démontré que même des nouveau-nés âgés de seulement quelques jours, endormis dans leur berceau de maternité, montrent une activation préférentielle des aires périsylviennes de l’hémisphère gauche lorsqu’ils sont exposés à des séquences auditives présentant des régularités statistiques combinatoires. Cette machinerie neuro-computationnelle est donc fonctionnelle et opérationnelle dès le premier souffle de vie.

12.2 Connexion avec les modèles computationnels contemporains et l’intelligence artificielle

Il existe une résonance conceptuelle fascinante entre l’expérience d’apprentissage statistique de 1996 et la révolution contemporaine de l’intelligence artificielle incarnée par les grands modèles de langage (Large Language Models ou LLM) fondés sur l’architecture Transformer.

Quel est en effet le principe algorithmique fondamental qui gouverne l’entraînement non supervisé d’un modèle tel que GPT ? Il s’agit précisément de la prédiction du prochain token (next-token prediction). En optimisant ses milliards de paramètres pour calculer la probabilité conditionnelle du mot ou du sous-mot suivant à partir du contexte textuel qui le précède, le modèle artificiel déploie à une échelle colossale un calcul formellement identique à la détection des probabilités transitionnelles explorée par Saffran, Aslin et Newport chez les nourrissons de 8 mois.

Cependant, cette analogie met également en lumière un gouffre computationnel vertigineux : le paradoxe de la frugalité biologique. Alors qu’un modèle de langage artificiel requiert l’ingestion de trillions de tokens textuels et des mégawatts d’énergie électrique pour extraire les régularités structurelles du langage, le cerveau d’un nourrisson de 8 mois, alimenté par la seule énergie métabolique d’un biberon de lait (soit l’équivalent thermique d’une ampoule de 20 watts), extrait des structures grammaticales et phonologiques profondes à partir d’un échantillon de données infinitésimal en seulement quelques minutes. Comprendre les algorithmes bayésiens ultra-frugaux implémentés dans les micro-circuits neuronaux du bébé demeure l’une des frontières les plus stimulantes de la recherche en intelligence artificielle bio-inspirée.

12.3 Applications cliniques et dépistage des troubles du neurodéveloppement

Enfin, l’héritage de l’expérience de 1996 s’est déployé avec une grande fécondité sur le terrain de la psychopathologie développementale et de la neuropédiatrie. Dès lors que l’apprentissage statistique constitue le socle cognitif sur lequel s’érige le lexique précoce, toute défaillance ou altération de ce mécanisme computationnel de base est susceptible d’entraîner des cascades de perturbations dans l’édification ultérieure du langage.

Des recherches translationnelles majeures menées par des cliniciens et des psycholinguistes ont investigué les profils d’apprentissage statistique chez les enfants présentant un trouble développemental du langage (TDL, anciennement dysphasie) ou une dyslexie développementale. Les résultats indiquent que ces enfants manifestent des déficits sélectifs et marqués dans l’extraction des probabilités transitionnelles au sein de flux auditifs continus, peinant à détecter les creux statistiques qui signalent les frontières de mots. Leurs difficultés linguistiques matures ne proviendraient pas nécessairement d’une anomalie grammaticale isolée, mais d’une fragilité computationnelle précoce dans le traitement statistique rapide des signaux temporels.

De même, dans le domaine des troubles du spectre de l’autisme (TSA), des anomalies spécifiques de l’apprentissage statistique ont été mises en évidence. Certains enfants avec autisme présentent un traitement hyperspécifique des fréquences locales sans intégration contextuelle des probabilités conditionnelles globales, ou une altération des mécanismes de mise à jour des prédictions bayésiennes (hypo-priors). Aujourd’hui, les paradigmes de segmentation statistique automatisés, couplés à l’électrophysiologie ou à l’oculométrie précoce, ouvrent des perspectives thérapeutiques considérables : ils offrent la possibilité d’identifier dès l’âge de 6 à 12 mois des biomarqueurs cognitifs prédictifs de troubles de la communication, permettant d’envisager des interventions orthophoniques et de remédiation neuro-cognitive bien avant l’apparition des premiers retards de langage manifestes.

Références

★

Rate This Content

5.0 / 5 • 1 vote

Citer cet article

Looti, M. (2026, septembre 11). L’expérience d’apprentissage statistique (langage des nourrissons) – Jenny Saffran, Richard Aslin et Elissa Newport. Base de données de psychologie en français. https://fr.arabpsychology.com/experiments/experience-apprentissage-statistique-langage-nourrissons-saffran-aslin-newport/
Looti, Mohammed. “L’expérience d’apprentissage statistique (langage des nourrissons) – Jenny Saffran, Richard Aslin et Elissa Newport.” Base de données de psychologie en français, 11 septembre 2026, https://fr.arabpsychology.com/experiments/experience-apprentissage-statistique-langage-nourrissons-saffran-aslin-newport/.
Looti, Mohammed. “L’expérience d’apprentissage statistique (langage des nourrissons) – Jenny Saffran, Richard Aslin et Elissa Newport.” Base de données de psychologie en français. septembre 11, 2026. https://fr.arabpsychology.com/experiments/experience-apprentissage-statistique-langage-nourrissons-saffran-aslin-newport/.