La lecture est l’une des compétences les plus difficiles à acquérir. Les supports numériques rendent-ils ce processus encore plus complexe ? Que nous dit la recherche des différences entre lecture sur écran et lecture sur papier ?

Le gouvernement suédois a récemment annoncé qu’il renonçait à l’utilisation d’appareils numériques en classe pour revenir aux livres papier. Il a évoqué des inquiétudes liées à la baisse des résultats scolaires et à l’augmentation du temps passé devant les écrans.

Ces inquiétudes sont-elles fondées ? Et que dit la science des conséquences possibles des appareils numériques sur la lecture, en comparaison de la lecture sur papier ?

Pour répondre à ces questions, il convient de rappeler que, même si la lecture peut sembler une tâche facile, cette impression est trompeuse. La lecture est sans doute la compétence la plus difficile à acquérir : elle nécessite des années d’éducation formelle et de pratique pour être maîtrisée. Contrairement au langage oral, il s’agit d’une compétence à laquelle nous ne sommes pas biologiquement prédisposés.

Pourquoi lire est-il si difficile ?

Il faut d’abord en comprendre la physiologie de la lecture pour comprendre pourquoi cette tâche est si complexe.

Pendant que vous lisez cette phrase, vos yeux effectuent une série de mouvements rapides, appelés saccades, d’un mot à l’autre. Pendant ces saccades, le traitement de l’information visuelle est suspendu et n’est possible que pendant de brefs intervalles, appelés fixations, lorsque les yeux sont immobiles.

Des expériences visant à mesurer les mouvements oculaires pendant la lecture ont montré que nous fixons la plupart des mots, car notre capacité à extraire des informations visuelles lors de chaque fixation est extrêmement limitée.

Dans les langues, comme l’anglais ou le français, qui se lisent de gauche à droite, notre capacité à percevoir les caractéristiques qui distinguent les lettres est limitée à une petite zone du champ visuel appelée « champ de perception ». Ce champ s’étend de 2 à 3 espaces de lettres à gauche du point de fixation à 8 à 12 espaces de lettres à droite de celui-ci.

L’asymétrie de cette zone reflète le parcours du regard à travers le texte. Elle s’étend vers la gauche dans les langues comme l’arabe, qui se lisent de droite à gauche. La taille de cette zone est plus réduite pour les systèmes d’écriture denses, comme le chinois.

Nous savons également, grâce à des expériences d’oculométrie et d’imagerie cérébrale, que l’identification des mots prend du temps. Selon nos meilleures estimations, les informations visuelles mettent 60 millisecondes pour se propager des yeux au cerveau, et l’identification des mots nécessite ensuite 100 à 300 millisecondes supplémentaires (une milliseconde équivaut à un millième de seconde).

Ces contraintes limitent la vitesse maximale de lecture à 300-400 mots par minute, selon la difficulté du texte et le niveau de compréhension de chacun.

Les promoteurs de la lecture rapide, qui promettent à tort des vitesses de lecture plus élevées, vous apprennent à parcourir un texte en diagonale. La compréhension diminue dans une mesure inversement proportionnelle au gain de vitesse.

Il est important de noter que la vitesse de lecture maximale ne s’acquiert qu’au bout de plusieurs années de pratique, car elle exige que les systèmes cérébraux chargés de la vision, de l’attention, de la reconnaissance des mots, du traitement du langage et des mouvements oculaires fonctionnent de manière parfaitement coordonnée. Tout ce qui entrave cette coordination réduit donc la compréhension.

Les conséquences de la lecture sur écran

Quelles sont donc les conséquences probables de la lecture numérique ?

Avec certains appareils, comme les liseuses électroniques, il n’y a guère de raisons de penser que la lecture numérique diffère de la lecture sur papier, car ces deux formats favorisent les processus mentaux nécessaires à une lecture efficace.

Les dispositifs les plus discutables sont ceux qui introduisent des distractions (comme les sites d’actualités parsemés de publicités) ou qui présentent une mise en page peu optimale, comme un texte justifié au centre avec des espaces importants ou inégaux entre les mots. Ce dernier cas est rarement le fait des textes sur papier.

Bien que les conséquences de ces deux facteurs aient été peu étudiées, nos connaissances sur la cognition humaine sont désormais suffisantes pour formuler des prévisions éclairées.

Par exemple, des images et des sons sans rapport avec un texte, comme les publicités intempestives, peuvent capter l’attention. Si la plupart des adultes ont développé un niveau de contrôle exécutif suffisant pour ignorer de telles distractions, ce n’est pas le cas des jeunes enfants.

Les conséquences pour un enfant qui a du mal à saisir le sens d’un texte sont évidentes. Sa compréhension s’en trouvera affectée dans la mesure où il devra fournir un effort supplémentaire pour faire fi des distractions, ou s’il ne dispose pas encore de la coordination mentale nécessaire pour se rendre compte que la lecture du texte a été interrompue.

Des études fondées sur l’oculométrie montrent également que de nombreux environnements numériques, tels que les pages web, peuvent inciter à adopter des stratégies de lecture spécifiques, comme la lecture rapide, pour saisir l’essentiel ou la recherche d’informations.

Même si de telles stratégies peuvent s’avérer adaptées dans certains contextes, elles nuisent à la compréhension globale. Cette situation devrait être particulièrement préoccupante pour les enfants, car il faut des années de pratique pour coordonner les processus mentaux qui permettent d’atteindre un niveau de lecture équivalent à celui des adultes.

Ces préoccupations ont récemment fait l’objet d’une attention accrue, car le début de la pandémie de Covid-19 a entraîné un passage à l’enseignement en ligne et une augmentation sensible de la lecture numérique. Bien que ces changements aient été motivés par des impératifs pratiques, leurs conséquences à long terme restent incertaines.

Jusqu’à présent, les recherches sur l’oculométrie ont été menées sur des écrans d’ordinateur. De nouvelles technologies font leur apparition, qui nous permettront de comparer directement les mouvements oculaires et la compréhension entre les appareils numériques et le papier. Cela devrait nous aider à mieux cerner les avantages et les inconvénients des appareils numériques.

Étant donné que la capacité de lecture est un indicateur prédictif du niveau d’éducation, du statut socioéconomique et du bien-être d’une personne, on ne saurait trop insister sur l’importance d’évaluer les conséquences à long terme de la lecture numérique.

Erik D Reichle a reçu des financements de l'US National Institute of Health, l'US Institute of Education Sciences, le UK Economic and Social Research Council, et l'Australian Research Council.

Lili Yu ne travaille pas, ne conseille pas, ne possède pas de parts, ne reçoit pas de fonds d'une organisation qui pourrait tirer profit de cet article, et n'a déclaré aucune autre affiliation que son organisme de recherche.

Vous en avez peut-être déjà fait l’expérience : les intelligences artificielles, ou IA, génératives de texte inventent régulièrement des éléments de réponses, d’autant plus difficiles à détecter qu’ils s’intègrent à un ensemble qui paraît cohérent et se mêlent à des faits avérés. C’est en se penchant sur la manière dont ces IA recherchent des informations, sur leur façon d’analyser les textes « crawlés », ou scannés, que l’on peut comprendre pourquoi elles se trompent aussi régulièrement.

Cela fait déjà plus de trois ans que nous pouvons utiliser des intelligences artificielles (IA) génératives de textes et d’images. ChatGPT a été lancé en novembre 2022 dans une version gratuite, ouvrant la porte à un accès massif aux IA génératives, mais il n’avait pas encore accès au Web comme source d’informations. C’est à partir de janvier 2023 qu’il est devenu possible de poser toutes sortes de questions, soumettre des « prompts » ou « invites », car désormais, une large part de ce qui se trouve sur le Net peut être exploré par la machine.

Et c’est à partir de cette « présomption d’omniscience », autrement dit la capacité que nous attribuons à la machine de connaître toute chose, que nous avons commencé à faire l’expérience des « hallucinations » de l’IA : terme dérivant du latin hallucinatio, signifiant « méprise », construit à partir du verbe hallucinari qui veut dire « se tromper », « divaguer », mais aussi « tromper l’interlocuteur ».

J’ai été moi-même confrontée aux hallucinations de ChatGPT quand, à l’occasion de la préparation d’une conférence scientifique, j’ai demandé sur l’interface d’interaction : « Qui suis-je ? », pour tester les limites de l’interaction humain-machine dans le cadre d’un dialogue. Cette simple question a généré une expérience linguistique qui m’a permis de mieux comprendre comment naissent certaines hallucinations.

Cette expérience, qui a donné lieu à un article scientifique, me permet d’ébaucher de premières réponses aux questions : quand et pourquoi les IA génératives rédactionnelles se trompent-elles ?

Ce qui n’existe pas sur le Net n’existe pas pour l’IA générative

La présomption d’omniscience tombe si nous prenons en compte les critères qui permettent à une information d’être traitée par la machine. Premièrement, ces informations doivent être enregistrées sous forme de données numériques. Deuxièmement, elles doivent être disponibles à tout moment, car les machines fonctionnent seulement lorsqu’elles sont connectées aux serveurs qui assurent l’accès aux données porteuses d’informations. Troisièmement, ces informations doivent êtes repérables dans la masse considérable d’informations disponibles.

Les deux premières raisons permettent d’expliquer certains types d’hallucinations, car ce qui n’existe pas sur le Net n’existe pas pour les machines. Lorsque j’ai demandé à une IA générative rédactionnelle de répondre à la question : « Qui est ma grand-mère », en sachant que la grand-mère en question n’a pas de compte Instagram ni de blog ou de page institutionnelle, elle me répond : « Je ne peux pas savoir qui est ta grand-mère sans informations de ta part. Si tu me donnes son nom, le contexte, ou ce que tu veux savoir à son sujet, je pourrai t’aider au mieux. » J’ai alors donné « un nom », une étiquette valable pour que l’information soit repérée, ce qui a poussé la machine à proposer des descriptions incorrectes pour ne pas rester sans réponse.

La question du référencement

La troisième raison permet d’expliquer d’autres types d’hallucinations, car ce qui existe sur le Net mais n’est pas visible par les machines ne peut pas être immédiatement repéré par les IA génératives. Cette dimension est propre à l’écriture numérique : elle est liée au référencement des documents numériques à travers des étiquettes (les « tags ») qui indiquent ce qu’ils contiennent et ce à quoi ils renvoient, car les documents sont liés entre eux en formant un réseau de documents (le « Web »), les uns plus ou moins visibles par rapport aux autres. Il y a deux niveaux de référencement : le premier consistant à placer des mots clés et des liens utiles à la mise en avant des textes, et le deuxième consistant à acheter du trafic et des liens pour augmenter la visibilité des textes sur le Web.

Lorsque j’ai demandé à ChatGPT de me dire « Qui est Rossana De Angelis ? », la machine m’a proposé par erreur une définition de moi en tant qu’artiste, en raison de la présence sur le Net d’une artiste dont l’identité correspond partiellement à mon nom, avant de m’identifier comme chercheuse. Ceci s’explique par le fait que les documents dont se compose un site de vente d’objets d’art, où se trouvait la description de l’artiste en question, sont mieux référencés (et donc plus « visibles ») que les documents d’un site institutionnel, en raison de leurs enjeux commerciaux.

Les algorithmes qui dirigent les machines vers les données suivent les directions les plus visibles : les documents les mieux référencés, les mieux étiquetés sortent du lot en premier. Et si les documents les mieux référencés sont ceux qui ont une valeur commerciale, il en découle que les données les plus visibles sont celles liées à des enjeux commerciaux. Et cela, indépendamment de la qualité et de la véracité des contenus.

Les LLM, un fonctionnement complexe

Les trois critères de présence, de disponibilité et de visibilité n’expliquent pas toutes les hallucinations possibles, loin de là. La plus grande difficulté consiste à saisir la complexité propre au fonctionnement des IA génératives de textes et d’images qui utilisent des grands modèles de langage (LLM) pour traiter et générer du contenu.

À lire aussi : Comment fonctionne ChatGPT ? Décrypter son nom pour comprendre les modèles de langage

Par exemple, pour la reconnaissance des images, les premiers traitements capturent des aspects fondamentaux, tels que les contrastes, les bords, les lignes, leurs orientations, etc. Les traitements qui suivent combinent ces données avec d’autres données concernant, par exemple, les textures ou les matières. Enfin, à partir de cet ensemble, les traitements ultérieurs permettent de construire des représentations numériques d’images, comme des objets ou des visages, en enregistrant en tant que « valeurs » les différences et les similarités entre les données. Le traitement des données fonctionne ainsi par couches superposées (deep learning) : plus cette superposition est profonde, plus la capacité d’analyse augmente.

Les IA organisent leurs données dans un « espace vectoriel » : un ensemble d’objets qui occupent chacun un lieu précis. Prenons le jeu de ficelles : c’est comme multiplier à souhait le nombre de fils, leur longueur, leur épaisseur sans changer les règles du jeu, et ensuite pouvoir identifier un nœud. Dans cet espace, la position de chaque objet est déterminée par les relations qu’il entretient avec les autres. L’ensemble de ces relations détermine ce qu’on appelle leur « valeur vectorielle » : une combinaison de nombres qui définit un lieu dans un espace. Ces valeurs permettent d’identifier les données en tant que positions tout comme les nœuds d’un jeu de ficelles.

À lire aussi : De Cambridge Analytica à ChatGPT, comprendre comment l’IA donne un sens aux mots

Les valeurs vectorielles permettent d’identifier des régularités : les données proches (par exemple, les noms de fruits : fraises, cerises, abricots, etc.) portent des informations similaires (par exemple, ils peuvent être cueillis, coupés, cuisinés, mangés, etc.) Elles peuvent donc être repérées par leur proximité (par exemple, fruits similaires, actions similaires).

Pour repérer des données, et donc pour demander des informations, nous devons soumettre une demande (un « prompt » ou « invite ») à la machine qui va chercher ces régularités dans ces espaces vectoriels à l’aide de mots (par exemple, « recette du clafoutis aux cerises »). C’est la raison pour laquelle une IA générative rédactionnelle peut nous donner la bonne recette du « clafoutis aux cerises » d’abord en identifiant, puis en reproduisant la régularité des données à l’aide des mots « clafoutis, cerises, recette » (mots similaires, contextes similaires, actions similaires). La relation que les données entretiennent dans ces espaces dirige la reproduction plus ou moins correcte des informations, en complétant automatiquement des séquences de mots dans l’espace d’interaction.

À lire aussi : Les « world models », lorsque l’intelligence artificielle apprend à comprendre le monde

De l’importance du contexte

Ce qui permet l’usage des mots réside dans leur valeur. C’est un principe qui se trouve à la base de la linguistique générale. Plus précisément, la valeur d’un mot est une valeur différentielle : au sein d’une langue, le mot « chien » se différencie du mot « chat », comme le mot « bleu » du mot « vert », et ils veulent dire ce qu’ils veulent dire justement en raison de cette différence. Or, cette valeur se définit par rapport aux autres mots présents dans le texte (contexte sémantique : ce qu’on dit avec les mots) et par rapport au contexte dans lequel le texte est intégré (contexte pragmatique : ce qu’on fait avec les mots).

Prenons un exemple. Tout mot écrit sur un panneau routier fonctionne seulement dans un contexte précis (une route) et dans une pratique précise (conduire). La plupart des textes que nous produisons ou interprétons au quotidien fonctionnent de cette manière.

Comment une machine peut-elle extraire le contexte d’un texte ? Elle le fait justement à travers le processus évoqué plus haut : en définissant la valeur des mots en fonction de leurs positions vectorielles. De cette manière, la machine reproduit la valeur sémantique des mots. Mais, n’ayant pas toujours accès au contexte, la valeur pragmatique n’est pas toujours définissable. En reprenant l’exemple du panneau routier, « tourner à droite » ou « tourner à gauche » ne veut rien dire sans contexte. Dans ces conditions, si on demande à une IA générative s’il faut « tourner à droite ou à gauche », elle sera incapable de répondre correctement.

Autrement dit, quand la valeur pragmatique ne peut pas être définie, la machine peut se tromper. Il se produit alors ce qu’on peut appeler une « rupture pragmatique » : les contextes et les pratiques d’usages des mots étant inaccessibles, leur valeur pragmatique devient insaisissable.

Pourquoi est-il difficile de comprendre le fonctionnement des IA génératives ?

Ce qui empêche de comprendre le fonctionnement de l’IA générative est sa complexité. Par exemple, une difficulté consiste à imaginer que les données occupent des lieux dans des espaces qui ne sont pas bidimensionnels, mais vectoriels à n dimensions, car nous ne savons pas envisager et imaginer des espaces de plus de quatre dimensions (largeur, hauteur, profondeur, temps). Comme si on devait augmenter de n fois le nombre de fils du jeu de ficelles.

C’est un changement d’échelle démesuré dont la complexité nous dépasse, ce qui nous oblige soit à réduire la complexité du phénomène, soit à nous rendre à son incompréhensibilité. Ceci explique l’attitude de divinisation ou diabolisation que nous adoptons souvent face aux IA génératives.

Je me suis demandé plusieurs fois si, oui ou non, les IA génératives rédactionnelles pourront un jour remplacer l’humain dans les pratiques d’écriture. Ma position reste la même : non, l’IA ne va pas faire disparaître toutes nos pratiques d’écriture, car de manière évidente tout un ensemble d’écrits fortement situés, c’est-à-dire liés à un contexte, comme les échanges impromptus, les écritures sauvages ou les pancartes improvisées, ne peuvent pas être (re)produites dans un environnement numérique. Il y a donc des pans entiers d’expression écrite auxquelles les IA génératives rédactionnelles n’ont pas (encore) accès.

Rossana De Angelis ne travaille pas, ne conseille pas, ne possède pas de parts, ne reçoit pas de fonds d'une organisation qui pourrait tirer profit de cet article, et n'a déclaré aucune autre affiliation que son organisme de recherche.

Le marketing s’articule autour de deux fondements : le marché, qui en définit le périmètre d’action, et le diktat du client roi, qui en constitue le noyau dur. Or, ces deux fondements sont aujourd’hui largement critiqués pour leur inadéquation face aux enjeux contemporains. Dans un monde en crise, le passage au « societing » peut aider à réajuster le rôle joué par les organisations dans nos sociétés.

Marketing durable, marketing soutenable, marketing responsable, marketing post-croissance… les panacées marketing se multiplient pour tenter d’adapter le marketing aux changements climatiques, sociaux, technologiques et géopolitiques. En s’appropriant des qualificatifs reflétant les préoccupations actuelles, le marketing s’efforce de se transformer pour répondre aux nouvelles exigences auxquelles les organisations sont confrontées.

Pourtant, rien n’y fait et le marketing semble dans l’impasse. En dépit de ses nombreuses tentatives de transformation, le marketing doit aujourd’hui envisager sa propre disparition  : jadis fonction centrale des organisations, il ne parvient plus à assurer son rôle d’interface et de liaison avec l’environnement externe. Deux raisons principales à cela : d’abord, son périmètre d’action – le marché – est devenu plus qu’incertain, ensuite, son noyau dur – la souveraineté du client – est en voie de décomposition.

Enchâssement dans une réalité sociale : au-delà de l’économique

Étymologiquement, le marketing désigne l’ensemble des actions visant à intervenir sur le marché (market-ing) et, pour cela, il se concentre sur les échanges entre fournisseurs et consommateurs. Cependant, ces échanges marchands n’existent pas de manière autonome ; ils sont enchâssés dans une réalité sociale bien plus large. La porosité croissante entre le marché et la société fait que toute action marketing a un impact sur la société et qu’elle ne peut donc pas être pensée en dehors de la société.

Le marketing de Tesla et de ses voitures électriques novatrices a, par exemple, profondément transformé le marché automobile, tout en exerçant une influence notable sur l’ensemble de la société. D’une part, on observe un phénomène de reconnaissance sociale qui favorise l’inclusion des adeptes des véhicules de cette marque, renforçant leur sentiment d’appartenance communautaire. D’autre part, on constate une dynamique d’exclusion sociale chez les conducteurs de voitures thermiques, contraints de renoncer à certains espaces urbains désormais interdits à leurs véhicules.

Plus largement, le sens du mot « marché » a changé de polarité : auparavant associé à la liberté et à un horizon à atteindre (« le marché commun » par exemple), il est aujourd’hui synonyme d’aliénation de la vie individuelle et surtout collective.

Le monde comme ressource à exploiter : un idéal difficilement tenable

L’idéal de souveraineté du client repose sur le postulat selon lequel les besoins du consommateur orientent la nature des biens et services que les organisations doivent produire pour assurer sa satisfaction. Le noyau dur du client roi renferme toutes les obsessions d’indépendance de l’être humain détaché du reste du monde qui l’entoure. Les autres vivants (animaux ou plantes) ou non vivants (objets ou infrastructures) ne sont considérés que comme des ressources à exploiter et à convertir en marchandises par et pour les humains avec pour lourde conséquence une pollution de notre planète par une prolifération d’offres sensées satisfaire ce consommateur souverain.

Les marques chinoises de mode ultraéphémère exploitent ainsi le besoin du consommateur de se démarquer pour commercialiser de la « mode jetable ». Pourtant, tous les jours maintenant, le consommateur fait l’expérience de sa vulnérabilité et de sa dépendance au reste du monde et plus spécialement aux animaux et plantes en voie de disparition à cause des objets jetables ainsi produits. Face aux exigences socioécologiques, il n’est plus pensable de laisser à ce consommateur souverain le pouvoir ultime de déterminer comment transformer le monde qui nous entoure pour le mettre à sa disposition.

Il est temps de dépasser toutes les approches plus ou moins réformatrices du marketing pour produire un changement radical qui fasse à la fois exploser les frontières du marché et vaciller de son trône le client roi. Pour ce faire, la perspective du societing est fertile.

La primauté du faire société

Le vocable societing met en évidence le fait que toute organisation, tout à la fois, met en marché, mais aussi met en société un produit, un service, une marque, une expérience. En mettant l’accent, d’un côté, sur le rôle sociétal de l’organisation – notamment par l’entremise de ses marques, grandes pourvoyeuses de récits et symboles dans le monde actuel –, le vocable societing insiste sur la primauté du « faire société » porté par l’organisation : ce qui est premier c’est l’action dans la société (societ-ing) et non l’action sur le marché (market-ing).

En reconnaissant, de l’autre côté, le rôle marchand d’ensembles sociaux, tels les réseaux solidaires et les communautés d’entraide, le societing dépasse le cadre des seules organisations commerciales en intégrant dans sa perspective l’action de collectifs non marchands ainsi que celle de divers mouvements sociaux.

Sortie de l’anthropocentrisme

À l’opposé de l’idée que l’humain consommateur est l’acteur central autour duquel tout doit tourner, le societing promeut des modes d’action fondés sur une conscience profonde de l’interdépendance fondamentale de tout ce qui existe. La réalité est, en effet, faite de codépendances et d’hybridations entre les humains et les non-humains.

Le societing s’écarte ainsi de la vision anthropocentrique qui a dominé les organisations jusqu’aujourd’hui et adopte comme noyau dur les correspondances entre humains et non-humains. Ces correspondances se manifestent, par exemple, lorsque le jardinier accepte que certaines plantes refusent de pousser, sans pour autant recourir à des engrais chimiques. Il n’exerce pas un contrôle absolu sur son jardin et doit apprendre à coexister avec la volonté propre des plantes. Plutôt qu’un droit souverain de vie ou de mort sur les non-humains, le societing cultive le souci de la régénération des non humains qui nous font vivre, nous les humains, dans une société plus qu’humaine. C’est la relation équilibrée entre ces entités qui est au cœur du societing.

Si l’on adhère aux conventions majeures du societing qui redéfinissent le périmètre et le noyau de l’interaction de l’organisation avec son extérieur et, en particulier, avec le milieu naturel, il reste à faire advenir ce societing par une approche « performative ». Les concepts et les théories créent le monde qu’elles prédisent en promouvant un langage et des hypothèses qui deviennent largement acceptés et utilisés, façonnant ainsi les conceptions institutionnelles, les pratiques de gestion, les normes sociales et les attentes comportementales.

Le rôle de la recherche en gestion dans ce processus est loin d’être négligeable. Elle devra s’engager et mobiliser les mouvements sociaux et activistes, les organisations de consommateurs, les groupes de réflexion et les décideurs politiques afin de pousser à l’adoption du societing. C’est à ce prix que les décisions marketing des organisations deviendront des décisions societing. Le passage du marketing au societing conduira les organisations à considérer l’ensemble de la société plus qu’humaine comme périmètre d’action et à placer au cœur de leurs actions les correspondances entre humains et non-humains.

Les auteurs ne travaillent pas, ne conseillent pas, ne possèdent pas de parts, ne reçoivent pas de fonds d'une organisation qui pourrait tirer profit de cet article, et n'ont déclaré aucune autre affiliation que leur organisme de recherche.