Un cadre automatisé pour l’éducation coranique des malentendants utilisant la classification des postures corporelles et l’intégration de la langue des signes arabe

Ouvrir un texte sacré aux voix silencieuses

Pour de nombreux musulmans sourds et malentendants, apprendre à réciter le Coran peut être extrêmement difficile, car l’enseignement traditionnel repose sur l’écoute et la répétition. Cette étude présente une aide pédagogique basée sur la technologie qui « voit » les gestes de la langue des signes arabe et les relie à des versets d’un court chapitre du Coran. En transformant les mouvements du corps en un pont entre les signes et les écritures, elle vise à rendre l’apprentissage religieux plus inclusif pour des millions de personnes qui communiquent principalement en langue des signes.

Pourquoi les apprenants malentendants sont exclus

Les musulmans sourds s’appuient souvent sur les gestes et la langue des signes pour communiquer, pourtant la plupart des enseignements coraniques sont bâtis autour du son — les enseignants récitent à haute voix, les élèves imitent la mélodie et la prononciation. Les familles ne maîtrisent pas toujours la langue des signes et les interprètes qualifiés sont rares, en particulier pour le contenu religieux. En conséquence, de nombreux croyants sourds peinent à accéder au même niveau d’éducation spirituelle que leurs pairs entendants. Les progrès récents en vision par ordinateur et en intelligence artificielle, capables de reconnaître les mouvements des mains et du corps à partir d’images de caméra, offrent une voie pour changer cela en transformant la langue des signes en quelque chose que l’ordinateur peut comprendre et traiter en temps réel.

Transformer les gestes en unités enseignables

Les chercheurs se sont concentrés sur la Sūrat al-Ikhlāṣ, un chapitre court mais théologiquement dense que beaucoup de musulmans mémorisent tôt. En collaboration avec des institutions desservant des utilisateurs sourds en Égypte, ils ont enregistré 2 054 images de gestes en langue des signes arabe correspondant à des mots coraniques individuels de ce chapitre. Pour éviter toute confusion sur le sens et la prononciation, chaque geste a été étiqueté à la fois en écriture arabe et selon un système de translittération standardisé largement utilisé dans les études islamiques académiques. Ce marquage soigneux garantit que le système associe chaque signe au terme coranique correct, tout en restant suffisamment flexible pour s’étendre à d’autres chapitres à l’avenir.

Comment l’ordinateur apprend à voir les postures de prière

Au cœur du système se trouve un pipeline visuel qui détecte d’abord la posture du signant puis classe le mot coranique en cours d’expression. Toutes les images sont redimensionnées et nettoyées pour obtenir un format standard. Une boîte à outils logicielle appelée MediaPipe identifie 33 points clés du corps — épaules, coudes, poignets, etc. — et suit leurs positions. Ces coordonnées forment une description compacte de chaque posture, qui est ensuite fournie à trois types de modèles d’apprentissage automatique : un perceptron multicouche personnalisé (un réseau de neurones simple), une machine à vecteurs de support et une forêt aléatoire constituée de nombreux petits arbres de décision. En parallèle, un modèle d’apprentissage profond plus puissant, ResNet50, analyse l’image entière pour apprendre des motifs visuels détaillés associés à chaque mot.

Reconnaissance remarquablement précise des signes coraniques

Pour évaluer le système, les auteurs ont scindé leur jeu de données en ensembles d’entraînement, de validation et de test et ont mesuré la précision de reconnaissance de chaque modèle. Toutes les approches ont montré de bonnes performances, les modèles basés sur la posture identifiant correctement la plupart des signes sur 14 à 16 classes de mots coraniques. Le modèle de forêt aléatoire, par exemple, a obtenu des scores quasi parfaits pour de nombreux mots, avec seulement quelques confusions entre des gestes visuellement similaires. Le modèle combiné basé sur ResNet50, qui examine directement les images tout en bénéficiant des informations de posture, a atteint des performances presque parfaites sur les données de test : chaque geste a été correctement classé et les mesures standard d’exactitude, de précision, de rappel et un score de discrimination appelé ROC–AUC ont toutes atteint leurs valeurs maximales. Ces résultats suggèrent que même de petites collections d’images, lorsqu’elles sont préparées avec soin, peuvent permettre une reconnaissance très précise de la langue des signes religieuse.

Promesses, limites et voies futures

Bien que les chiffres de performance soient impressionnants, les auteurs soulignent qu’ils ne s’appliquent qu’aux conditions contrôlées de leur étude : un seul chapitre, un nombre limité de signants et des images fixes plutôt que des séquences continues de signes en mouvement. Une utilisation réelle nécessiterait des jeux de données plus larges et plus divers, une meilleure prise en compte des mouvements du bas du corps et des tests rigoureux avec des signants de différentes régions. Néanmoins, ce travail montre que les outils modernes de vision et d’apprentissage peuvent reconnaître de manière fiable les signes coraniques et fournir un retour immédiat, par exemple en affichant une coche ou une animation corrective lorsqu’un apprenant exécute un geste. Concrètement, cela signifie qu’un étudiant sourd pourrait s’exercer à signer des versets coraniques devant une simple caméra et recevoir des indications sans avoir besoin d’un interprète en direct — une avancée importante vers un accès plus large au savoir sacré pour tous.

Citation: AbdElghfar, H., Youness, H.A., Wahba, M. et al. An automated framework for qur’anic education of the hearing-impaired using body pose classification and Arabic sign language integration. Sci Rep 16, 5939 (2026). https://doi.org/10.1038/s41598-026-36578-z

Mots-clés: Éducation coranique, Langue des signes arabe, apprenants malentendants, reconnaissance de posture, technologie d’assistance