Un champ de recherche qui a un nom : l'acquisition d'une langue seconde
L'acquisition d'une langue seconde (ALS) est le champ académique qui étudie comment on apprend vraiment une langue au-delà de sa langue maternelle. Les chercheurs testent depuis les années 1970 des questions comme la quantité d'exposition nécessaire, le meilleur moment pour réviser, ou pourquoi certaines méthodes retiennent mieux que d'autres. Les quatre idées ci-dessous viennent de ce champ de recherche, pas d'une équipe marketing. Chacune a un nom, une date, et une étude derrière elle.
1. Input compréhensible
Le linguiste Stephen Krashen a proposé l'hypothèse de l'input compréhensible à la fin des années 1970 et au début des années 1980, comme une pièce d'une théorie plus large sur la façon dont on acquiert une langue seconde. Sa notation pour ça, c'est i+1 : « i » représente le niveau de compétence actuel de l'apprenant, et « +1 » la petite étape juste au-dessus. Un input surtout compréhensible, avec un peu de langue inconnue mêlée dedans, c'est ce qui fait vraiment avancer, selon lui. Travailler des règles de grammaire isolées apprend à parler de la langue, pas à s'en servir sans devoir y réfléchir.
Le modèle de Krashen compte cinq hypothèses liées entre elles, pas seulement celle-ci. Une autre pièce, l'hypothèse du filtre affectif, dit que le stress et l'anxiété bloquent l'acquisition même quand l'input est le bon. C'est en partie pour ça que Lira s'appuie sur de vrais textes qu'on a choisi de lire plutôt que sur des exercices gradués : moins de pression, et un input plus proche du i+1 puisqu'on a choisi quelque chose qu'on arrive déjà à suivre en grande partie. L'hypothèse de l'input compréhensible est aussi l'une des parties les plus débattues de la théorie de l'ASL : le « i » est difficile à mesurer précisément, et l'hypothèse résiste à un test direct. Ce qui a tenu, c'est l'idée générale : un contenu un peu au-dessus de ce qu'on connaît déjà bat un contenu trop facile ou trop difficile, ce qui reste la base des méthodes fondées sur la lecture.
Krashen, S. (1985). The Input Hypothesis: Issues and Implications.
Er fühlte eine tiefe nostalgie ardenteSehnsucht nach der Heimat.
Il ressentait une profonde nostalgie envers son pays natal.
2. Combien de mots faut-il connaître
Le linguiste Paul Nation a quantifié la couverture lexicale nécessaire pour lire sans effort de déchiffrage constant : environ 90-95% des mots connus pour rester productif, 98% pour devenir quasi sans effort. Sous ce seuil, un mot inconnu force une pause consciente pour deviner ou chercher, ce qui interrompt la reconnaissance automatique des mots dont dépend une lecture fluide. Assez de ces interruptions dans un même passage, et la mémoire de travail se remplit de déchiffrage plutôt que de sens, ce que la plupart des apprenants vivent comme de la frustration plutôt que du progrès.
Ce seuil est en fait une façon de mesurer concrètement le i+1 de Krashen : un texte dans la fourchette 90-95% de couverture est, par définition, surtout compréhensible avec une quantité gérable de langue nouvelle mêlée dedans. Lira calcule vraiment cette couverture, texte par texte et pour chaque utilisateur : un badge de difficulté sur chaque livre indique s'il tombe dans cette fourchette, et un bandeau avant la lecture met en avant les mots les plus fréquents à apprendre en priorité, pour concentrer cet effort sur les mots qui rapportent le plus vite.
Nation, P. (2006). How large a vocabulary is needed for reading and listening? Canadian Modern Language Review, 63(1), 59-82.
3. Réviser au bon moment
Chaque mot traduit en lisant rejoint une file de révision gérée par FSRS, un algorithme open source qui calcule le moment optimal de la prochaine révision, juste avant l'oubli probable. Ce moment vient de la recherche publiée sur la mémoire, pas d'un intervalle fixe choisi à l'avance.
La répétition espacée elle-même n'est pas nouvelle : Hermann Ebbinghaus a tracé la première courbe de l'oubli en 1885, et l'algorithme SM-2 de Piotr Woźniak, datant de 1987, reste le réglage par défaut d'outils comme Anki. SM-2 applique à peu près le même multiplicateur à chaque carte. FSRS, publié en 2022, a remplacé ça par un modèle qui apprend des paramètres de mémoire distincts par mot à partir de l'historique de révision de chaque personne, ce qui le rapproche du moment réel où un mot précis risque de s'effacer plutôt que d'un calendrier générique.
Ye, J., Su, J., & Cao, Y. (2022). A Stochastic Shortest Path Algorithm for Optimizing Spaced Repetition Scheduling. Proceedings of the 28th ACM SIGKDD Conference, 4381-4390.
Comment marche FSRS dans Lira →4. Rappel actif plutôt que relecture
Les mots croisés de Lira ne sont pas juste un jeu à côté : reconstruire un mot à partir d'un indice sollicite un rappel actif, plus exigeant qu'une simple reconnaissance. La recherche montre que le rappel actif ancre la mémorisation plus durablement que la relecture passive.
Le résultat de base remonte à bien avant 2006 : on mesurait déjà un effet de test dès 1909, et l'étude de Roediger et Karpicke en est une réplication moderne connue, pas l'origine. Leur expérience faisait soit relire un passage aux participants, soit leur faire passer un test pratique dessus. Une semaine plus tard, le groupe testé retenait davantage, alors que les deux groupes avaient passé le même temps sur le contenu.
Roediger, H. L., & Karpicke, J. D. (2006). Test-Enhanced Learning: Taking Memory Tests Improves Long-Term Retention. Psychological Science, 17(3), 249-255.
Aucun de ces quatre mécanismes n'est propre à Lira. Ce que fait l'app, c'est les enchaîner sans friction : tu lis un texte choisi, tu traduis un mot d'un tap, il rejoint une file FSRS, tu le retravailles activement via les mots croisés.
Comment ça se compare
Lira utilise FSRS, pas SM-2
Anki utilise encore SM-2 par défaut. FSRS modélise la courbe d'oubli propre à chaque mot plutôt qu'un intervalle fixe, ce qui représente environ 40% de révisions en moins pour une rétention équivalente selon la recherche publiée.
Lira vs Anki →Lira calcule une vraie couverture, pas un niveau deviné
Duolingo classe une fois par niveau, à l'inscription, et n'y revient plus vraiment. Lira recalcule la couverture lexicale par texte et par utilisateur, à chaque fois : le badge de difficulté et le bandeau des mots prioritaires ci-dessus sont ce calcul rendu visible à l'écran, pas une étiquette choisie une fois pour toutes.
Lira vs Duolingo →Lira regroupe les formes de mots par racine, comptées honnêtement
« had », « hasn't » et « has » ne comptent que pour une seule entrée de vocabulaire dans Lira, au lieu de gonfler le total en trois mots distincts. Ce gonflement du compteur est un reproche connu fait à certaines apps de lecture sur la façon dont elles affichent la progression.
Lira vs LingQ →