Version classiqueVersion mobile
OpenEdition Books

La cognition réparée ?

 | 
Roland Jouvent
, 
Georges Chapouthier

ADAPT : un modèle asémantique, développemental et procédural du transcodage des nombres de leur forme verbale vers leur forme en chiffres arabes

Valérie Camos et Pierre Barrouillet

Texte intégral

1ADAPT est un modèle de transcodage des nombres de leur forme verbale vers leur forme en chiffres arabes (Barrouillet et al., 2004). Le modèle présente trois propriétés principales : il est développemental, asémantique et procédural.

2Comme d’autres modèles antérieurs (Deloche et Seron, 1987 ; Power et Dal Martello, 1997), ADAPT est asémantique : il ne suppose pas qu’il soit nécessaire de se représenter la quantité correspondant à un nombre pour pouvoir l’écrire. En clair, lorsque nous écrivons « deux cent vingt-sept » en « 227 », il est inutile de traduire qu’il s’agit de 2 centaines, 2 dizaines et 7 unités.

3ADAPT est également le premier modèle développemental de transcodage. En effet, il réalise explicitement la procédure suivant laquelle de nouvelles règles de transcodage sont apprises et formées à partir des règles déjà connues, et de nouvelles connaissances stockées en mémoire à la suite de chaque transcodage. Ces connaissances dirigent à leur tour les transcodages ultérieurs.

Figure 1 – ADAPT est un modèle de transcodage des nombres de leur forme verbale vers leur forme en chiffres arabes qui implique différentes structures du système cognitif.

4Enfin, ADAPT est un modèle procédural car le cœur du modèle se constitue d’un système de production qui gère la transformation de la forme verbale vers la forme correspondante en chiffres arabes (fig. 1). ADAPT suppose que, suite à l’encodage de la forme verbale du nombre, un système de « parsing » découpe cette chaîne verbale du début du signal auditif vers la fin (pour les formes verbales écrites, le découpage se fait dans le sens de la lecture de gauche à droite). Chaque élément isolé par le système de parsing est stocké temporairement en mémoire de travail pour être ensuite traité, élément après élément, par le système de production. Ce système se compose de règles de type « Condition — Action », nommées également procédures. Une procédure est déclenchée lorsque ses conditions d’application correspondent au contenu de la mémoire de travail. Ces règles ont pour fonction générale de construire la chaîne numérique qui devra être produite en fin de traitement. Selon les spécificités, elles peuvent donc entraîner la récupération de connaissances en mémoire à long terme, par exemple, récupérer que « deux » dans la forme verbale renvoie au symbole « 2 » dans la forme en chiffres arabes, mais aussi « 25 » pour « vingt-cinq » ou encore « 500 » pour « cinq cents ». Elles peuvent également gérer la taille de la chaîne numérique et le positionnement des zéros. Par exemple, pour « deux mille trois », une règle est en charge de placer les deux zéros intercalaires dans « 2003 ». En fin de traitement, ces règles déclenchent la production de la chaîne en chiffres arabes qui est stockée dans un buffer et transformée en production écrite par des procédures graphomotrices.

5On notera que le système de production ne fonctionne pas de façon modulaire, indépendamment des autres structures constituant le système cognitif. En effet, il se trouve en constante interaction avec la mémoire de travail qui lui sert de relais aussi bien pour les informations provenant de l’extérieur - la chaîne verbale — que pour celles provenant de la mémoire à long terme — les connaissances déclaratives que le modèle a acquises au préalable. Au cours du traitement, la mémoire de travail contient donc des représentations déclaratives sous la forme 1) de représentations d’éléments de la situation externe (i.e., les unités verbales isolées par le parsing), 2) des connaissances retrouvées en mémoire à long terme, mais aussi 3) des représentations construites par le système de production par l’application de procédures. Ces représentations construites par les procédures sont des formes transitoires de la chaîne en chiffres arabes. Elles peuvent prendre la forme de suites de chiffres pouvant contenir des cases vides. Par exemple, un état de cette représentation peut avoir la forme « 25– – –» ou « 1_36 ». Au cours du traitement, la mémoire de travail pourra donc contenir les unités verbales et la portion de chaîne en chiffres arabes correspondante. Ainsi, de nouvelles unités représentationnelles (i.e. : une portion de chaîne verbale associée à sa forme en chiffres arabes) pourront se constituer et être stockées en mémoire à long terme.

6Dans une première partie, nous détaillerons le fonctionnement du modèle ADAPT. Puis nous présenterons deux études, l’une menée chez des enfants de 8 et 9 ans, et l’autre chez des adolescents déficients. Pour conclure, nous analyserons les productions de patients cérébrolésés grâce à l’implémentation informatique du modèle ADAPT.

Fonctionnement du modèle

7Lorsque les individus entendent une chaîne verbale correspondant à un nombre, cette chaîne est stockée dans un buffer (i.e., une mémoire tampon) phonologique. La difficulté de ce stockage temporaire dépend du nombre de syllabes et de leur degré de ressemblance phonologique (Baddeley, 1986 ; Eriksen, Pollack et Montague, 1970 ; Klapp, 1971). Ainsi, certaines erreurs peuvent émaner de telles confusions phonologiques (cf. troubles généraux). Le transcodage est l’ensemble des processus qui vont opérer sur cette chaîne. Afin de clarifier le fonctionnement d’ADAPT, nous pouvons distinguer trois grandes étapes de traitement au cours du transcodage.

La construction de représentations internes

8Tout d’abord, le processus de parsing segmente la chaîne verbale stockée dans le buffer en unités qui peuvent être traitées par le système de production. Avant tout apprentissage systématique, le découpage de la chaîne verbale concernant les nombres se résume à l’identification de primitives. En Français, ces primitives sont les unités (de « un » à « neuf »), les particuliers (de « onze » à « seize »), les dizaines (« dix », « vingt », etc.) et les séparateurs « cent » et « mille ». ADAPT fonctionne en affectant chaque primitive à sa catégorie sémantique c’est-à-dire à sa classe lexicale. Comme suggéré par Deloche et Seron (1987), les connaissances en mémoire à long terme associent chaque primitive à sa position dans la classe lexicale (par exemple, « deux » et « douze » occupent respectivement la deuxième position dans la classe des unités et celle des particuliers). Cette valeur positionnelle retrouvée en mémoire à long terme est placée par les procédures dans la chaîne de chiffres en construction.

9Cependant, en accord avec le modèle PARSER de Perruchet et Vinter (1998), certains groupes de primitives fréquemment perçues en succession temporelle immédiate conduisent à la formation d’unités représentationnelles qui, à leur tour, guident le processus de parsing. Par exemple, des groupes tels que « quatre-vingt », « soixante-dix », ou « quatre-vingt-dix » sont rapidement représentés en mémoire à long terme comme des unités représentationnelles et identifiés en tant que telles. Plus généralement, toutes les formes fréquentes tendent progressivement à être associées à leur forme en chiffres et récupérées telles quelles en mémoire. Par exemple, Seron et Fayol (1994) n’ont observé chez des enfants de 7 ans pratiquement aucune erreur sur les formes dizaine-unité (DU). Même lorsque ces formes sont impliquées dans des formes plus difficiles (« soixante-dix-huit » par exemple), les erreurs préservent la structure DU (« soixante-dix-huit » sera transcrit « 6018 », « 618 », mais pas « 60108 ») parce que les DU sont directement récupérées en mémoire à long terme (cf. notre étude développementale). De même, la transcription de grands nombres fréquents (par exemple, son année de naissance) serait rapidement assurée par une récupération directe en mémoire.

10La principale hypothèse d’ADAPT est que lorsqu’une chaîne verbale correspond à une unité représentationnelle stockée en mémoire à long terme, cette chaîne est transcodée par la récupération directe en mémoire de sa forme en chiffres. Le transcodage algorithmique (utilisant les procédures) n’est utilisé que lorsque cette récupération en mémoire échoue. De plus, la récupération étant un processus probabiliste dépendant de la force de la représentation en mémoire à long terme (Anderson, 1993), elle peut échouer, soit parce que la forme en chiffres n’est pas stockée en mémoire à long terme (si elle n’a jamais été perçue auparavant), soit parce que l’association entre la forme verbale et la forme en chiffres n’est pas suffisamment forte. Néanmoins, quelle qu’en soit la cause, lorsque la récupération échoue, la chaîne verbale est segmentée en unités susceptibles d’être traitées par le système de production.

Le parsing

11Ainsi, le parsing est orienté par les unités représentationnelles stockées en mémoire à long terme et se résout en segments susceptibles d’être traités par le système de production. Ces segments, qui peuvent contenir plusieurs mots, correspondent nécessairement soit à des unités dont la forme en chiffres est disponible en mémoire, soit en séparateurs qui déclenchent les règles de production. Lorsque la chaîne à traiter ne correspond pas à une unité représentationnelle stockée en mémoire, le parsing recherche les séparateurs déclencheurs de règles de façon hiérarchique (fig. 2) et segmente la chaîne autour de ces séparateurs. Ce processus est récursif pour chaque sous-chaîne ainsi obtenue et stoppé dès que les sous-chaînes correspondent à des unités représentationnelles. Lorsque ces segments sont traités par le système de production, les formes arabes sont récupérées en mémoire à long terme et temporairement stockées dans une mémoire de travail avant leur positionnement par les procédures dans la chaîne de chiffres en construction. Ainsi, les premières règles de production dévolues à la transcription des nombres jusqu’à 99 deviennent rapidement obsolètes et sont remplacées par une simple règle de récupération des formes digitales (Barrouillet et al., 2004). En d’autres termes, les premières formes apprises seront récupérées directement en mémoire et le modèle n’aura plus à mettre en œuvre un algorithme de transcodage.

Figure 2 – Exemple de parsing. Le parsing segmente la chaîne numérique verbale autour des séparateurs de façon hiérarchique. À chaque étape, la forme en chiffres arabes est recherchée en mémoire à long terme. Si elle n’est pas récupérée, la segmentation en unités plus petites se poursuit.

La mise en œuvre des procédures

12Le rôle principal des procédures est de lire le contenu de la mémoire de travail et d’y insérer de nouvelles représentations, ou de compléter les représentations existantes. Toutes les procédures sont de la forme « Conditions — Actions ».

13La partie « Conditions » a toujours la même structure. Elle teste l’état des trois types de connaissances pouvant se trouver en mémoire de travail : 1) la nature de l’input (qui peut correspondre à une unité représentationnelle, à un séparateur ou à la fin de la chaîne verbale) ; 2) la présence de connaissances récupérées en mémoire à long terme et devant être placées dans la chaîne de chiffres en construction ; 3) la présence de cases vides dans cette chaîne.

14La partie « Actions » des procédures possède deux rôles principaux. Tout d’abord, les procédures peuvent déclencher la récupération des formes arabes en mémoire à long terme. Ces formes sont placées dans la mémoire de travail en attente de leur utilisation par d’autres règles. Les procédures peuvent également mettre en œuvre la concaténation de ces formes dans une chaîne de chiffres en construction, ainsi que le positionnement de cases vides.

15Le processus de transcodage s’achève lorsque le système de production a construit une chaîne en chiffres arabes. Celle-ci est temporairement stockée dans un buffer afin que les routines graphomotrices permettent son écriture.

Les processus développementaux dans ADAPT

16Comme nous l’avons déjà précisé, ADAPT est le premier modèle permettant de rendre compte du développement de l’activité de transcodage. Deux processus majeurs sont responsables de ce développement : la création de nouvelles procédures et l’accroissement du lexique en mémoire à long terme.

La création de procédures

17Comme dans le modèle ACT-R d’Anderson (1993), nous supposons que toute connaissance débute sous forme déclarative, puis est transformée en procédure par un processus de compilation s’appuyant sur des analogies. Par exemple, un enfant qui sait que « cinq » se transcode « 5 », que « vingt-cinq » est « 2 5 » et que « six » est « 6 » peut découvrir que « vingt-six » se forme en remplaçant le « 5 » de « 25 » par le « 6 ». La procédure est alors créée en compilant le calcul de l’analogie et en remplaçant les valeurs spécifiques par des variables. Ainsi, l’analogie est un premier mécanisme de constitution des procédures.

18Cependant, des procédures plus élaborées peuvent être créées en modifiant des procédures existantes. Par exemple, la règle gérant l’écriture des nombres du type « deux cent trente » est une modification de la règle qui traitait les dizaines-unités (DU) à cette différence près que ce sont deux — et non plus une — cases vides qui sont ajoutées. Ainsi, il y a une sorte de généralisation puisque cette nouvelle règle produit les mêmes résultats locaux que l’ancienne, mais sur des nombres plus grands. Enfin, certaines règles peuvent être créées par fusion des conditions d’application de règles déjà existantes. En conséquence, la partie « Actions » de ces nouvelles règles est la réunion des actions des règles fusionnées.

L’évolution du lexique

19Comme nous l’avons vu, le lexique d’ADAPT (c’est-à-dire les unités représentationnelles stockées en mémoire à long terme) évolue avec le fonctionnement même du système. L’implémentation informatique du modèle ADAPT nous a permis d’évaluer l’évolution de ce lexique et plus particulièrement l’accroissement de sa taille en fonction de la nature des formes qui sont à transcoder. On constate que certaines formes, comme les dizaine-unité (DU ; par exemple, « dix-sept ») ou les unité-cent (UC ; par exemple, « deux cents »), donnent lieu à un apprentissage rapide, leur transcription ne nécessitant plus un transcodage algorithmique en étant alors assurée par une récupération directe du résultat en mémoire (fig. 3). L’accroissement du lexique augmente l’efficacité du transcodage puisque la récupération directe des formes en chiffres arabes sera plus rapide que la mise en œuvre d’un algorithme de transcodage impliquant de nombreuses procédures. Les erreurs seront également plus rares, la mise en œuvre de chaque procédure pouvant potentiellement conduire à une erreur. Ces prédictions ont été testées lors d’une étude développementale.

Figure 3 – Évolution de la probabilité de transcodage algorithmique en fonction des formes à transcoder (U : Unité ; D : Dizaine ; P : Particulier ; C : Cent ; M ; Mille).

Étude développementale

20Afin de tester l’aspect développemental de notre modèle, nous avons comparé les performances de plus de 400 enfants de 8 et 9 ans lors de la dictée de nombres de 2 à 4 chiffres avec les productions issues de l’implémentation informatique d’ADAPT.

21Tout d’abord, comme nous l’avions prédit, le nombre d’erreurs produites par les enfants était très fortement corrélé avec le nombre de procédures nécessaires au transcodage de ces nombres : r = 0,903 ; p < 0,001. De plus, selon ADAPT, les formes DU étant très précocement stockées en mémoire à long terme et ne nécessitant donc plus de transcodage algorithmique (fig. 3), elles devaient entraîner des performances similaires à celles obtenues pour des formes explicitement apprises telles que les dizaines. C’est effectivement ce que nous avons observé chez les enfants à partir de 8 ans. Du transcodage des DU et des dizaines résultaient des taux d’erreurs tout à fait similaires, qu’elles soient présentées seules (0,015 et 0,016 respectivement) ou au sein de nombres plus grands (0,322 et 0,312 respectivement) tels que « deux mille quarante-trois » ou « cinq cent soixante », Fs <1.

22Enfin, ADAPT se distingue des modèles sémantiques et suggère que le transcodage est contraint par l’état présent du système qui détermine les conditions de déclenchement des règles. Au contraire, les modèles sémantiques postulent que le transcodage dépend des quantités auxquelles la chaîne verbale réfère. Ainsi, selon ces modèles, « deux cent cinquante » doit être transcodé de la même façon, que cette chaîne soit dictée isolément ou au sein d’un nombre plus grand tel que « trois mille deux cent cinquante », « deux cent cinquante » renvoyant dans les deux cas à la même quantité, deux centaines et cinq dizaines. Cependant, pour ADAPT, ces deux chaînes conduiront à la mise en œuvre de règles différentes et donc à des différences de production puisque l’état du système est modifié par la présence de « trois mille » dans la seconde chaîne. Comme l’avait prédit ADAPT, le taux d’erreurs des enfants de 8 et 9 ans différait significativement selon que la chaîne était dictée isolément ou au sein d’un nombre plus grand. Le type même d’erreurs produites était également différent. Ainsi, l’ajout d’un zéro après « cent » était significativement plus rare dans les nombres à quatre chiffres que dans ceux à trois chiffres.

23Ces quelques résultats indiquent que le modèle ADAPT rend fidèlement compte des performances des enfants lors de leur apprentissage. Lors d’une seconde étude, nous nous sommes attachés à une population présentant de forts troubles de l’apprentissage.

Les difficultés d’apprentissage dans ADAPT

24Dans l’expérience suivante, la même série de 92 nombres utilisée lors de l’étude développementale a été dictée à 965 adolescents présentant des difficultés d’apprentissage. Tous les élèves de collège scolarisés dans l’enseignement spécialisé du second degré dans le département de la Côte-d’Or ont participé à l’expérience. Les participants avaient entre 1 2 et 16 ans. Ils se caractérisaient par un retard scolaire d’au moins deux ans à leur entrée dans les établissements spécialisés (au plus tard vers 12 ans) et par un QI qu’on associe en général à une déficience intellectuelle légère (QI entre 50 et 75). Cette population est particulièrement intéressante car des recherches en arithmétique cognitive laissent supposer qu’elle se caractérise par une difficulté dans l’acquisition et la récupération des réponses en mémoire à long terme (Barrouillet, Fayol et Lathulière, 1997). Cela présente un intérêt spécifique pour ADAPT qui suppose que l’un des mécanismes principaux du développement est justement le passage d’un transcodage algorithmique de toutes les formes à la récupération directe en mémoire des formes les plus fréquentes.

25Ainsi, ces adolescents ne devaient pas avoir stocké les formes DU et, contrairement aux enfants de l’étude précédente, les performances devaient différer entre les formes DU et les dizaines. Comme le prédisait ADAPT, les formes DU provoquaient effectivement plus d’erreurs que les dizaines. De plus, nous avons comparé deux implémentations informatiques d’ADAPT, l’une qui récupérait directement les formes DU en mémoire et l’autre dans laquelle les formes DU étaient transcodées de façon algorithmique. La comparaison des performances des adolescents avec ces deux simulations a montré que la première version était un moins bon prédicteur que la seconde (correlations de 0,779 et 0,863 respectivement). Ces résultats suggèrent que ces adolescents utilisent souvent un transcodage algorithmique, même pour les formes fréquentes. Plus globalement, le nombre moyen d’erreurs observées suivait une fonction logarithmique de la probabilité de transcodage algorithmique (R2 = 0,994) proche de celle que la simulation informatique avait estimée.

26Cette étude a permis de montrer que le modèle ADAPT pouvait rendre compte de la diversité des parcours de développement. Nous nous sommes ensuite intéressés aux cas de patients cérébrolésés qui, après un apprentissage correct du transcodage, ont perdu cette habileté à la suite d’un accident ou de troubles neurologiques.

L’étude des patients cérébrolés

27Quelques études neurologiques, hélas rares, font mention de patients éprouvant des difficultés de transcodage des chaînes verbales vers les chaînes en chiffres arabes. Noël et Seron (1995) évoquent bien deux cas rapportés par Singer et Low (1933) d’une part, McCloskey, Caramazza et Basili (1985) d’autre part, mais relèvent que ces rapports souffrent d’un manque de précision concernant le nombre et la structure des items présentés, ou encore le taux et le type d’erreurs observées. Par contre, trois cas ont été rapportés avec une précision suffisante pour donner lieu à une interprétation : le cas D.M. présenté par Cipolotti, Butterworth et Warrington (1994), le cas L.R. présenté par Noël et Seron (1995) et le cas C.K. présenté par Delazer et Denes (1998). L’intérêt de ces trois études est de comporter une liste détaillée des erreurs commises. Nous avons donc examiné et simulé les productions de ces patients afin d’évaluer si le modèle ADAPT était en mesure de fournir une interprétation de la structure de leurs erreurs.

28Ces trois études font apparaître de fréquentes et systématiques erreurs de transcription littérale partielle (« six mille deux cent trente » transcrit « 6000230 »). Ces erreurs diffèrent des erreurs commises par les adolescents présentant des difficultés d’apprentissage, lesquels commettent peu de transcriptions littérales. Ceci suggère que les troubles entraînés par les lésions cérébrales sont de nature différente de ceux provoqués par des difficultés d’apprentissage. Les erreurs commises par les adolescents en difficulté d’apprentissage semblent provenir du dysfontionnement accidentel d’un système de production par ailleurs correctement constitué. Ainsi, ces erreurs sont d’une part rares (les nombres à 4 chiffres suscitaient plus de 91 % de transcriptions correctes) et, d’autre part, s’éloignent peu du transcodage correct. À l’inverse, les erreurs commises par les patients cérébrolésés sont souvent très nombreuses (40 % d’erreurs dans la transcription des nombres à 4 chiffres par L.R., 78 % d’erreurs pour les nombres à 4,5 et 6 chiffres chez D.M. lors d’une première observation, 100 % d’erreurs pour les nombres à 3 chiffres chez C.K.). De plus, elles sont relativement systématiques et divergent souvent fortement de la transcription correcte.

29Dans le cadre de notre modèle, deux séries de causes pourraient être à l’origine des erreurs systématiques relevées chez les patients. La première concerne l’altération d’une composante du système de transcodage : par exemple un dysfonctionnement du système de parsing, une détérioration du registre des formes stockées en mémoire à long terme, ou encore du système de production comme cela semble être le cas de D.M. La seconde s’enracine dans l’altération de structures ou processus non spécifiques au système de transcodage mais nécessaires à sa mise en œuvre correcte. On devrait ici pouvoir distinguer des processus situés en amont et en aval du système de transcodage (le traitement phonologique des stimuli verbaux avant l’entrée en vigueur du parsing et la mise en œuvre de la réalisation graphomotrice) et des processus mnésiques et attentionnels plus généraux tels que les capacités du registre phonologique à court terme et l’étendue des capacités attentionnelles. Le cas L.R., souffrant d’une démence d’Alzheimer, semble correspondre à ce second type.

Les troubles spécifiques au système de transcodage

Le cas D.M. de Cipolotti et al. (1995)

30D.M. est un homme de 56 ans qui, à la suite d’une lésion du lobe pariétal gauche, a développé une aphasie et des troubles transitoires de la transcription des nombres alors que la compréhension et la lecture des nombres demeurent préservées (Cipolotti et al., 1995). Ce trouble sélectif conduit essentiellement à des erreurs syntaxiques (affectant la structure et le positionnement des chiffres dans la chaîne) portant exclusivement sur les nombres de 4 chiffres et plus (comportant « mille ») et consistant en l’ajout de zéros. Par exemple, pour « trois mille deux cents », D.M. écrit « 3000200 », ou encore « 24000105 » pour « vingt quatre mille cent cinq ».

31Une première interprétation des erreurs de D.M. pourrait consister à supposer que le patient procède à deux transcodages successifs. Par exemple, confronté à la suite « trente deux mille cinquante », il procéderait en premier lieu au transcodage de « trente deux mille » puis réaliserait une deuxième opération de transcodage indépendante de la première sur « cinquante ». Cette interprétation, compatible avec les autres modèles de transcodage, est cependant peu plausible car la simple concaténation de deux transcodages successifs devrait donner la suite arabe « 3200050 » alors que le patient produit effectivement « 32000 050 ». En clair, trois zéros supplémentaires sont insérés dans l’écriture correcte.

32Une deuxième interprétation, également compatible avec les autres modèles existants, consisterait à considérer que ce patient interprète « mille » comme signifiant « million ». Toutefois, cette explication est affaiblie par une observation rapportée par les auteurs. À la fin de la dictée, D.M. lut correctement les nombres qu’il avait écrits (« 1000 000 » était lu « un million »), se rendant ainsi compte qu’ils comportaient trop de zéros pour correspondre aux formes qui lui avait été dictées. Ceci suggère qu’il ne s’agit pas d’une erreur de compréhension.

33Enfin, une troisième interprétation, spécifique au modèle ADAPT, est de supposer un dysfonctionnement spécifique des procédures dévolues au traitement de « mille ». Par exemple, l’activation d’une procédure gérant « mille » entraînerait l’activation accidentelle d’une autre règle du même type par un processus d’appariement partiel des conditions de déclenchement des règles avec l’état présent du système (un processus de « partial matching » tel que décrit par Anderson et Lebière (1998)). Nous avons simulé dans l’implémentation informatique d’ADAPT ce mécamisme en introduisant les mêmes nombres que ceux dictés à D.M. Dans 74 % des cas, notre simulation produisait exactement la même chaîne en chiffres arabes que le patient D.M. Pour comparaison, on notera que Cipolotti et al. (1995) ne pouvaient expliquer que 40 % des erreurs de leur patient. ADAPT permet donc de rendre compte des troubles spécifiques affectant isolément le traitement d’un séparateur parce que chaque séparateur active des règles particulières. Un trouble de nature comparable (affectant le système de production) peut être observé avec le cas C.K. rapporté par Delazer et Denes (1998).

Le cas C.K. de Delazer et Denes (1998)

34C.K. est une femme de 64 ans qui a eu un accident vasculaire cérébral dans l’hémisphère gauche suivi d’une aphasie. Au moment de son examen par Delazer et Denes (1998), elle présentait une agraphie sévère et des troubles de la transcription des nombres. Comme D.M., elle produisait principalement des erreurs syntaxiques qui donneront lieu ultérieurement à une récupération totale. La particularité de ce cas tient à l’évolution du type d’erreurs entre les deux observations séparées par un intervalle de six mois. Lors du premier examen, C.K. transcrivait sans aucune erreur les nombres à 1 ou 2 chiffres et échouait presque systématiquement sur les nombres plus grands (100 %, 80 % et 100 % d’erreurs pour les nombres à 3, 4, et 5 chiffres respectivement). L’erreur la plus fréquente consistait à transcrire tous les chiffres autres que « 0 » sur le côté gauche et à ajouter un ou deux zéros (« cinq cent deux » transcrit « 5200 », ou « cinq cent vingt-trois » transcrit « 5230 » ; 83 % des erreurs sur les nombres à 3 chiffres étaient de ce type). Les performances lors du second examen différaient des précédentes de deux façons. Tout d’abord, le taux de transcriptions correctes des nombres à 3 ou 5 chiffres demeurait pratiquement nul (2 et 13 % respectivement), mais celui des nombres à 4 chiffres était relativement élevé (77 %). Ensuite, les transcriptions littérales partielles devenaient l’erreur la plus fréquente sur les nombres à 3 chiffres (« cinq cent vingt-trois » transcrit « 50023 » ou « 5203 » ; 72 % des erreurs sur les nombres à 3 chiffres étaient de ce type). Lors d’un troisième examen, deux mois après le second, C.K. ne produisait plus que quelques rares erreurs quelle que soit la taille du nombre à transcrire.

35Les erreurs de C.K. lors du premier examen peuvent être expliquées par un dysfontionnement des règles gérant le séparateur « cent ». Ce désordre a été simulé en entrant les 86 nombres de 1 à 4 chiffres dictés à C.K. dans l’implémentation informatique d’ADAPT. Il en est ressorti que, pour 81 % de ces nombres, la simulation produisait exactement la même réponse que la patiente. En ce qui concerne la production de C.K. lors du deuxième examen, nous avons partiellement rétabli certaines règles de transcodage. Ainsi, nous avons pu simuler les chaînes produites pour 76 % des 131 nombres de 1 à 4 chiffres qui lui avaient été dictés.

36En résumé, les erreurs produites par les cas D.M. et C.K. sont spécifiques et dues à une dégradation partielle du système de transcodage. On trouvera particulièrement intéressant dans les simulations d’ADAPT, et plus spécifiquement celles du cas C.K., la démonstration suivant laquelle le rétablissement progressif de certaines règles de transcodage permet d’expliquer le changement dans les productions écrites des patients au cours de leur convalescence. Toutefois, des erreurs systématiques de transcodage des nombres peuvent aussi résulter de facteurs généraux affectant la mise en œuvre d’un système de transcodage dont l’intégrité serait par ailleurs préservée.

Les troubles généraux du système cognitif : le cas L.R. de Noël et Seron (1995)

37ADAPT suppose que des composants spécifiques au système de transcodage (le parsing, le système de production ou encore le registre des formes en mémoire à long terme) utilisent des composants non spécifiques du système cognitif, comme par exemple la mémoire phonologique à court terme ou encore la mémoire de travail (fig. 1). Par conséquent, une altération de ces composants non spécifiques pourrait également avoir un impact sur les processus de transcodage. Ceci semble être le cas du patient L.R. rapporté par Noël et Seron (1995).

38L.R. est un homme âgé de 71 ans lors de l’examen neurologique qui révèle un profil suggérant un diagnostic de démence d’Alzheimer. L.R. souffre de troubles de la mémoire, principalement de la mémoire à court terme (empan de chiffres à 4 : la norme de la WAIS étant à 5,7, l’empan de L.R. est de plus de deux écart-types inférieur à la moyenne), et de l’attention avec des signes de dysfonctionnement frontal. Lors de l’épreuve de transcodage dans le code arabe des nombres dictés verbalement, L.R. produit des erreurs de transcription littérale partielle d’autant plus nombreuses que le nombre à transcrire comporte de chiffres (0 %, 40 % et 62 % d’erreurs de transcription littérale pour les nombres à 3, 4, et 5 chiffres respectivement). Ces transcriptions littérales partielles affectent principalement « mille ». Par exemple, « quarante huit mille neuf cent quatorze » est transcrit « 48000914 ». Ces erreurs évoquent celles produites par D.M. mais s’en éloignent cependant sur deux points importants. Tout d’abord, les formes de type « D000 » (« trois mille »), « D0000 » (« quarante mille ») et « DD000 » (« vingt-cinq mille ») ne donnent lieu à aucune erreur, contrairement à ce qui était observé chez D.M. Ensuite, les erreurs de L.R. sont beaucoup moins régulières que celles de D.M. Ce dernier ajoutait exactement trois zéros après le multiplicande de « mille » dans 27 des 35 erreurs commises (77 %). En comparaison, l’ajout de trois zéros par L.R. ne s’observe que dans 8 des 44 erreurs relevées sur les nombres à 4 chiffres (17 %) et dans 30 des 77 erreurs relevées sur les nombres à 5 chiffres (39 %). Par exemple, l’erreur la plus fréquente pour les nombres de forme « DD0DD » ou « DD0D0 » est l’ajout de deux et non pas trois zéros (« quatre-vingt-neuf mille trente et un » est transcrit « 8900031 » et non pas « 89000 031 »).

39Ces erreurs produites par L.R. pourraient provenir du coût trop élevé qu’entraînent à la fois le maintien de l’information phonologique, les processus de récupération en mémoire à long terme, la mise en œuvre des règles et le maintien en mémoire de travail des résultats intermédiaires fournis par les procédures (la chaîne de chiffres en cours de construction). Ce coût cognitif augmente avec la taille des nombres à transcrire et évolue au cours même du déroulement du processus de transcription. Une surcharge cognitive conduirait donc à segmenter la chaîne verbale à transcrire en blocs dont les transcriptions se trouvent concaténées (« quatre-vingt-neuf mille deux cent trente et un » serait segmenté en « quatre-vingt-neuf mille » et « deux cent trente et un » et transcrit « 89000231 »). Deux éléments dans les productions de L.R. plaident en faveur de cette hypothèse de charge cognitive. Tout d’abord, les erreurs sont d’autant plus nombreuses que la chaîne de chiffres à maintenir en mémoire de travail contient d’éléments (les nombres à 5 chiffres suscitent plus d’erreurs que les nombres à 4 chiffres). Il semble que la transcription de nombres au-delà de 4 chiffres soit pratiquement impossible (plus de 80 % d’erreurs lorsque le nombre ne se termine pas par trois zéros), ce qui est cohérent vu l’empan limité à 4 de L.R. Ensuite, comme nous l’avons fait pour les deux patients cités précédemment, nous avons simulé cette hypothèse de surcharge cognitive dans le modèle ADAPT. Ainsi, à chaque étape du transcodage, la charge mentale est évaluée (voir Barrouillet et al. (2004) pour connaître les paramètres utilisés). Lorsque la charge mentale dépasse l’empan de L.R., le transcodage est temporairement suspendu. L’écriture de la chaîne qui vient d’être construite permet de « vider » la mémoire de travail. Le coût cognitif diminuant, le traitement peut donc reprendre. Grâce à ce mécanisme, la simulation d’ADAPT a pu produire 78 % des formes écrites par L.R. à partir des 401 nombres qui lui avaient été dictés. Un déficit ne touchant pas spécifiquement le transcodage, mais par exemple comme pour L.R. les capacités en mémoire de travail, peut néanmoins être la cause d’erreurs de transcodage. Ainsi, un déficit général peut s’exprimer dans un domaine circonscrit et conduire à l’illusion d’un trouble spécifique.

Conclusion

40Nous avons proposé que les difficultés de transcodage puissent survenir soit à la suite d’une dégradation spécifique d’une partie du système de production, soit à celle de difficultés plus générales mais qui en conditionnent le fonctionnement. L’examen des cas publiés dans la littérature montre qu’ADAPT peut rendre compte des erreurs commises par ces patients en postulant l’existence de telles difficultés. C’est ainsi que nous avons suggéré chez D.M. et C.K. la présence d’une atteinte spécifique d’une partie du système procédural de transcodage, laquelle a d’ailleurs donné lieu dans les deux cas à une récupération complète, alors que les erreurs de L.R. pourraient provenir d’un trouble plus général affectant incidemment le transcodage. De plus, la plupart des troubles décrits n’affectent pas les nombres à deux chiffres (les formes DU), ce qui suggère, conformément à notre modèle, que ceux-ci sont majoritairement transcrits par récupération directe en mémoire, comme le montre l’étude développementale chez les enfants de 8 et 9 ans. Enfin, l’étude d’adolescents déficients présentant des difficultés dans l’acquisition et la récupération de connaissances en mémoire à long terme met en lumière le rôle fondamental du remplacement d’un algorithme par la récupération de formes fréquentes comme mécanisme de développement du transcodage numérique.

Bibliographie

Références bibliographiques

Anderson, J. R. 1993. The Rules of the Mind. Hillsdale NJ, Erlbaum.

Anderson, J. R. et C. Lebière. 1998. Atomic Components of Thought. Mahwah NJ, Erlbaum.

Baddeley, A. 1986. Working Memory. Oxford U.K., Oxford university press.

Barrouillet, P., Camos, V., Perruchet, P. et X. Seron. 2004. « ADAPT : A Developmental, Asemantic, and Procedural Model for Transcoding from Verbal to Arabic Numerals ». Psychological Review, 111(2) : 368-394.

Barrouillet, P., Fayol, M. et E. Lathulière. 1997. « Selecting between Competitors in Multiplication Tasks : An Explanation of the Errors Produced by Adolescents with Learning Difficulties ». International Journal of Behavioral Development, 21 : 253-275.

Cipolotti, L., Butterworth, B. et E. K. Warrington. 1994. « From “One Thousand Nine Hundred and Forty-Five” to 1,000,945 ». Neuropsychologia, 32 : 503-509.

Delazer, M. et G. Denes. 1998. « Writing Arabie Numerals in an Agraphic Patients ». Brain and Language, 64 : 257-266.

Deloche, G. et X. Seron. 1987. « Numerical Transcoding : A General Production Model ». In G. Deloche et X. Seron (éds), Mathematical Disabilities : A Cognitive Neuropsychological Perspective. Hillsdale NJ, Elrbaum : 137-170.

Eriksen, C. W., Pollack, M. D. et W. E. Montague. 1970. « Implicit Speech : Mechanism in Perceptual Encoding ? ». Journal of Experimental Psychology, 84 : 502-507.

Klapp, S. 1971. «Implicit Speech Inferred from Response Latencies in Same-Different Decisions». Journal of Experimental Psychology, 91: 262-267.

McCloskey, M., Caramazza, A. et A. Basili. 1985. « Cognitive Mechanisms in Number-processing and Calculation : Evidence from Dyscaculia ». Brain and Cognition, 4 : 171-196.

Noël, M.-P. et X. Seron. 1995. « Lexicalisation Errors in Writing Arabic Numerals ». Brain and Cognition, 29 : 151 179.

Perruchet, P. et A. Vinter. 1998. « PARSER : A Model of Word Segmentation ». Journal of Memory and Language, 39 : 246-263.

Power, R. J. D. et M. F. Dal Martello. 1997. « From 834 to Eighty Thirty Four : The Reading of Arabic Numerals by Seven-year-old Children ». Mathematical Cognition, 3 : 63-85.

Seron, X. et M. Fayol. 1994. « Number Transcoding in Children : A Functional Analysis ». British Journal of Developmental Psychology, 12 : 281-300.

Singer, H. D. et A. A. Low. 1933. « Acalculia (Henschen) : A Clinical Study ». Archives of Neurology and Psychiatry, 29 : 476-498.

Table des illustrations

Légende Figure 1 – ADAPT est un modèle de transcodage des nombres de leur forme verbale vers leur forme en chiffres arabes qui implique différentes structures du système cognitif.
URL http://books.openedition.org/editionsmsh/docannexe/image/13840/img-1.jpg
Fichier image/jpeg, 56k
Légende Figure 2 – Exemple de parsing. Le parsing segmente la chaîne numérique verbale autour des séparateurs de façon hiérarchique. À chaque étape, la forme en chiffres arabes est recherchée en mémoire à long terme. Si elle n’est pas récupérée, la segmentation en unités plus petites se poursuit.
URL http://books.openedition.org/editionsmsh/docannexe/image/13840/img-2.jpg
Fichier image/jpeg, 49k
Légende Figure 3 – Évolution de la probabilité de transcodage algorithmique en fonction des formes à transcoder (U : Unité ; D : Dizaine ; P : Particulier ; C : Cent ; M ; Mille).
URL http://books.openedition.org/editionsmsh/docannexe/image/13840/img-3.jpg
Fichier image/jpeg, 100k

Auteurs

UMR 5022, Laboratoire d’Étude de l’Apprentissage et du Développement, Dijon.
valerie.camos@u-bourgogne.fr

Faculté de Psychologie et des Sciences de l’Education, FPSE, Genève.
pierre.barrouillet@pse.unige.ch

© Éditions de la Maison des sciences de l’homme, 2008

Conditions d’utilisation : http://www.openedition.org/6540

Lire

Freemium

open access

Offert par L’éditeur de ce site