Savoir lire est une compétence qui va de la capacité à décoder des caractères à la compréhension profonde du sens de textes. Avec l'émergence de l'intelligence artificielle, deux questions se posent : Comment peut-on apprendre à une intelligence artificielle à lire? Qu'est-ce que cela implique? En essayant de répondre à ces questions, une première évidence nous est rappelée : savoir lire ne peut pas se réduire à savoir répondre à des questions sur des textes. Étant donné que les modèles d'apprentissage machine apprennent avec des exemples d'essai erreur, ils vont apprendre à lire en apprenant à répondre correctement à des questions sur des textes. Cependant, il ne faut pas perdre de vue que savoir lire, c'est comprendre différents types de textes et c'est cette compréhension qui permet de répondre à des questions sur un texte. En d'autres termes, répondre à des questions sur des textes est un des moyens d'évaluation de la compétence de lecture plus qu'une fin en soi. Aujourd'hui, il existe différents types de jeux de données qui sont utilisées pour apprendre à des intelligences artificielles à apprendre à lire. Celles ci proposent des textes avec des questions associées qui requièrent différents types de raisonnement : associations lexicales, déductions à partir d'indices disséminés dans le texte, paraphrase, etc. Le problème est que lorsqu'une intelligence artificielle apprend à partir d'un seul de ces jeux de données, elle n'apprend pas à lire mais est plutôt formée à répondre à un type de question, sur un certain type de texte et avec un certain style d'écriture. Outre la problématique de la généralisation des compétences de lecture, les modèles d'intelligence artificielle qui apprennent à lire en apprenant à répondre à des questions retournent des réponses sans systématiquement indiquer sur quelles phrases du texte sources ils se basent. Cela pose un problème d'explicabilité et peut entrainer une mécompréhension des capacités de ces modèles. Dans ce mémoire, nous proposons de résoudre le problème de généralisation de l'apprentissage en proposant une méthodologie générale adaptée à n'importe quel jeu de données. Ainsi, en ayant une méthodologie commune à tous les types de jeux de données pour apprendre à répondre à tout type de question, sur tout type de texte, nous pourrions apprendre aux modèles d'intelligence artificielle à se concentrer sur les compétences générales de lecture plutôt que sur la capacité spécifique à répondre aux questions. Afin de résoudre également le problème de l'explicabilité, la méthodologie que nous proposons impose à tout modèle de compréhension de lecture automatique de renvoyer les extraits du texte source sur lequel ces réponses sont basées. / Reading is a skill that ranges from the ability to decode characters to a deep understanding of the meaning of a text. With the emergence of artificial intelligence, two questions arise: How can an artificial intelligence be taught to read? What does this imply? In trying to answer these questions, we are reminded of the obvious: knowing how to read cannot be reduced to knowing how to answer questions about texts. Since machine learning models learn with trial-and-error examples, they will learn to read by learning to answer correctly questions about the text they read. However, one should not forget the fact that knowing how to read means understanding different types of texts sufficiently well, and it is this that enables answering questions about a text. In other words, answering questions about texts is one of the means of assessing reading skills rather than an end in itself. Today, there are different types of datasets that are used to teach artificial intelligences to learn to read. These provide texts with associated questions that require different types of reasoning: lexical associations, deductions from discrete clues in the text, paraphrasing, etc. The problem is that when an artificial intelligence learns from only one of these datasets, it does not learn to read but is instead trained to answer a certain type of question, on a certain type of text and with a certain writing style. In addition to the problem of generalizing reading skills, artificial intelligence models that learn to read by learning to answer questions return answers without systematically indicating which sentences in the source text they are based on. This poses a problem of explicability and can lead to a misunderstanding of the capabilities of these models. In this thesis, we propose to solve the generalization issue of learning from one dataset by proposing a general methodology suiting to any machine reading comprehension dataset. Thus, by having a methodology common to all types of datasets to learn how to answer any type of question, on any type of text, we could teach artificial intelligence models to focus on general reading skills rather than on the specific ability to answer questions. In order to also solve the issue of explanability, the methodology we propose impose any machine reading comprehension model to return the span of the source text its answers are based on.

Savoir lire est une compétence qui va de la capacité à décoder des caractères à la compréhension profonde du sens de textes. Avec l'émergence de l'intelligence artificielle, deux questions se posent : Comment peut-on apprendre à une intelligence artificielle à lire? Qu'est-ce que cela implique? En essayant de répondre à ces questions, une première évidence nous est rappelée : savoir lire ne peut pas se réduire à savoir répondre à des questions sur des textes. Étant donné que les modèles d'apprentissage machine apprennent avec des exemples d'essai erreur, ils vont apprendre à lire en apprenant à répondre correctement à des questions sur des textes. Cependant, il ne faut pas perdre de vue que savoir lire, c'est comprendre différents types de textes et c'est cette compréhension qui permet de répondre à des questions sur un texte. En d'autres termes, répondre à des questions sur des textes est un des moyens d'évaluation de la compétence de lecture plus qu'une fin en soi. Aujourd'hui, il existe différents types de jeux de données qui sont utilisées pour apprendre à des intelligences artificielles à apprendre à lire. Celles ci proposent des textes avec des questions associées qui requièrent différents types de raisonnement : associations lexicales, déductions à partir d'indices disséminés dans le texte, paraphrase, etc. Le problème est que lorsqu'une intelligence artificielle apprend à partir d'un seul de ces jeux de données, elle n'apprend pas à lire mais est plutôt formée à répondre à un type de question, sur un certain type de texte et avec un certain style d'écriture. Outre la problématique de la généralisation des compétences de lecture, les modèles d'intelligence artificielle qui apprennent à lire en apprenant à répondre à des questions retournent des réponses sans systématiquement indiquer sur quelles phrases du texte sources ils se basent. Cela pose un problème d'explicabilité et peut entrainer une mécompréhension des capacités de ces modèles. Dans ce mémoire, nous proposons de résoudre le problème de généralisation de l'apprentissage en proposant une méthodologie générale adaptée à n'importe quel jeu de données. Ainsi, en ayant une méthodologie commune à tous les types de jeux de données pour apprendre à répondre à tout type de question, sur tout type de texte, nous pourrions apprendre aux modèles d'intelligence artificielle à se concentrer sur les compétences générales de lecture plutôt que sur la capacité spécifique à répondre aux questions. Afin de résoudre également le problème de l'explicabilité, la méthodologie que nous proposons impose à tout modèle de compréhension de lecture automatique de renvoyer les extraits du texte source sur lequel ces réponses sont basées. / Reading is a skill that ranges from the ability to decode characters to a deep understanding of the meaning of a text. With the emergence of artificial intelligence, two questions arise: How can an artificial intelligence be taught to read? What does this imply? In trying to answer these questions, we are reminded of the obvious: knowing how to read cannot be reduced to knowing how to answer questions about texts. Since machine learning models learn with trial-and-error examples, they will learn to read by learning to answer correctly questions about the text they read. However, one should not forget the fact that knowing how to read means understanding different types of texts sufficiently well, and it is this that enables answering questions about a text. In other words, answering questions about texts is one of the means of assessing reading skills rather than an end in itself. Today, there are different types of datasets that are used to teach artificial intelligences to learn to read. These provide texts with associated questions that require different types of reasoning: lexical associations, deductions from discrete clues in the text, paraphrasing, etc. The problem is that when an artificial intelligence learns from only one of these datasets, it does not learn to read but is instead trained to answer a certain type of question, on a certain type of text and with a certain writing style. In addition to the problem of generalizing reading skills, artificial intelligence models that learn to read by learning to answer questions return answers without systematically indicating which sentences in the source text they are based on. This poses a problem of explicability and can lead to a misunderstanding of the capabilities of these models. In this thesis, we propose to solve the generalization issue of learning from one dataset by proposing a general methodology suiting to any machine reading comprehension dataset. Thus, by having a methodology common to all types of datasets to learn how to answer any type of question, on any type of text, we could teach artificial intelligence models to focus on general reading skills rather than on the specific ability to answer questions. In order to also solve the issue of explanability, the methodology we propose impose any machine reading comprehension model to return the span of the source text its answers are based on.

Mémoire numérisé par la Direction des bibliothèques de l'Université de Montréal. / La langue parlée constitue le premier et principal moyen de communication de l'espèce humaine, on peut même dire, sans exagérer, que c'est l'outil le plus important que l'humanité possède. Découlant de la langue orale, un autre code symbolique d'importance dans nos sociétés actuelles est le code écrit, tout aussi nécessaire pour communiquer que le code oral sans être toutefois aussi indispensable que ce dernier. Malheureusement, certaines personnes n'ont pas eu, ou ont perdu, la possibilité de pouvoir utiliser efficacement la langue parlée, ceci en raison de troubles neurologiques qui rendent difficile, voire même impossible, l'usage du langage et de la parole. Les méthodes compensatoires et l'utilisation du code écrit deviennent alors les modes de communication privilégiés. Mais lorsque lecture et écriture sont elles aussi non fonctionnelles, qu'advient-il de la communication ? Car la portée des méthodes compensatoires (tel le langage gestuel par exemple) est beaucoup plus limitée que celle du langage écrit. Néanmoins, peu importe le choix du mode de communication, il est aisé de comprendre l'importance de la rééducation orthophonique auprès des populations avec troubles de parole et de langage. Que ce soit pour aider à développer des habiletés en langue orale et écrite ou essayer de les redonner à ceux qui les ont perdues, que ce soit pour instaurer des moyens de communication compensatoires quand langage et parole sont trop limités, l'intervention langagière est capitale auprès des personnes dont la communication est compromise et le rôle de l'orthophoniste y est primordial. L'apparition de l'ordinateur en clinique est assez récente et son utilisation en thérapie, quoique encore peu répandue, est grandissante car c'est un outil qui offre de vastes possibilités à l'orthophoniste. Toutefois, les programmes informatiques propres à l'intervention orthophonique sont encore rares, un besoin nouveau dans ce domaine se fait donc sentir. Pour essayer de répondre à ce besoin, une méthode d'apprentissage de la lecture à l'ordinateur a été récemment mise sur pied par Monsieur John Dudley, professeur à l'École d'orthophonie et d'audiologie de l'Université de Montréal, méthode ayant pour but de faciliter la lecture globale chez les enfants dyspraxiques. Cette méthode étant à l'état expérimental, il était nécessaire d'en vérifier l'efficacité : c'est ce que la recherche présentée dans ce mémoire a tenté de faire. Après six semaines d'entraînement avec le programme informatique de lecture, les résultats obtenus sont satisfaisants car le nombre de mots nouveaux reconnus par le sujet a augmenté, démontrant ainsi une certaine efficacité du programme. Cependant, ce nombre est peu élevé et le progrès observé est en fait minime. Malgré tout, même si ces résultats peuvent paraître non significatifs d'un point de vue quantitatif, il ne faut pas perdre de vue que la période d'intervention était limitée dans le temps et que le sujet présentait un trouble moteur sévère de parole. De plus, comme le programme informatique lui-même présentait certaines limites, l'amélioration, bien que faible, est encourageante et laisse espérer qu'avec des modifications et une intervention à long terme, la méthode testée donnera des résultats plus probants.

Ce mémoire a comme objectif d'évaluer la validité thérapeutique d'un programme d'entraînement cognitif assisté par ordinateur. l'hypothèse de départ est qu'un entraînement régulier et continu à ce programme informatisé peut améliorer les processus cognitifs impliqués dans la lecture. L'échantillon est constitué de 30 sujets du niveau primaire qui présentent des difficultés de perception et de différenciation des lettres. Un protocole quasi-expérimental (prétest /traitement /post-test) avec groupe contrôle est utilisé. Les résultats permettent d'estimer l'efficacité de l'exercice quant à l'amélioration de la vitesse de prospection visuelle. Des considérations théoriques et méthodologiques sont exposées.