Un cadre de détection précoce des jeunes apprenants chinois à risque de difficultés de lecture utilisant la fNIRS et l’apprentissage profond

Pourquoi il est important de repérer tôt les difficultés de lecture

Apprendre à lire est l’une des compétences les plus importantes acquises à l’école primaire, et pourtant beaucoup d’enfants rencontrent des difficultés qui échappent aux seuls tests en classe. Lorsque les problèmes de lecture deviennent évidents, la meilleure période pour intervenir peut déjà être passée. Cette étude propose une nouvelle manière d’identifier quels jeunes apprenants chinois sont à risque de difficultés de lecture en observant discrètement le fonctionnement de leur cerveau lors de tâches simples, puis en utilisant des modèles informatiques avancés pour interpréter ces schémas.

Un examen plus attentif des défis cachés de la lecture

La difficulté de lecture, souvent appelée dyslexie développementale, touche une part non négligeable d’enfants dans le monde. Ces enfants ont des problèmes persistants pour reconnaître les mots, lire avec fluidité et comprendre ce qu’ils lisent, même lorsqu’ils ont une intelligence et une scolarisation normales. En chinois, une langue à écriture basée sur des caractères, la proportion d’enfants présentant une dyslexie franche est estimée entre 4 et 7 %, mais les enseignants signalent beaucoup plus d’enfants qui se situent juste en dessous des attentes de niveau. Ils peuvent ne pas répondre à la définition médicale stricte de la dyslexie, pourtant ils accusent un retard dans la reconnaissance et l’écriture des caractères exigés par le programme national. Identifier tôt ce groupe plus large « à risque » est crucial pour que des aides puissent commencer avant que frustration et échec ne s’installent.

Écouter le cerveau sans chirurgie

Les chercheurs ont utilisé la spectroscopie fonctionnelle proche infrarouge (fNIRS), une méthode non invasive qui emploie la lumière pour suivre les variations d’oxygénation sanguine dans le cerveau. Les enfants portent une coiffe confortable équipée de sources et de détecteurs lumineux, et l’appareil mesure l’activité de différentes régions du cortex pendant qu’ils effectuent des tâches. Dans cette étude, 30 élèves de deuxième année (16 signalés par les enseignants comme ayant des problèmes de lecture marginaux et 14 ayant une lecture typique) ont réalisé deux types de tâches en portant la coiffe. L’une était un test visuel où ils devaient reconnaître et choisir des caractères chinois et des mots anglais se ressemblant. L’autre était un test auditif qui leur demandait de décider si des paires de sons prononcés étaient identiques ou différentes. Parallèlement, l’ensemble des 150 enfants de la classe a passé un test papier-crayon d’écriture du pinyin (notation basée sur les sons) pour les caractères chinois, confirmant que le groupe à risque présentait effectivement des performances inférieures sur les bases linguistiques.

Apprendre à un modèle intelligent à lire les motifs cérébraux

Les données fNIRS brutes sont désordonnées : ce sont de longues séries temporelles montrant de petites variations d’oxygénation sanguine à de nombreux emplacements sur la tête. Les outils statistiques traditionnels peinent avec de tels signaux complexes. L’équipe a conçu un nouveau modèle d’apprentissage profond, appelé RD-risk Classifier (RDr-C), spécialement pensé pour traiter ce type de données. D’abord, un module basé sur les graphes examine comment les signaux des capteurs voisins se relient dans l’espace, imitant la structure en réseau du cerveau. Ensuite, un module temporel bidirectionnel suit l’évolution de l’activité sur des centaines de points temporels, en avant et en arrière. Enfin, un module d’attention apprend quels instants du signal portent les indices les plus utiles. Ensemble, ces composants forment une chaîne capable de découvrir automatiquement des motifs distinguant les enfants à risque de leurs pairs, sans règles manuelles préétablies.

Signaux d’alerte précoce remarquablement précis

Lorsque le modèle a été entraîné et testé de manière répétée sur différentes partitions des données, il a correctement séparé les enfants à risque des enfants typiques presque à chaque fois, avec des taux de précision autour de 99–100 % pour les tâches visuelle et auditive. Même lors d’un test plus strict — entraînement sur tous les enfants sauf un, puis prédiction pour l’enfant laissé de côté — le modèle atteignait encore près de 90 % de précision. Les modèles concurrents, y compris des réseaux neuronaux standard et deux classifieurs fNIRS spécialisés, faisaient nettement moins bien. Les visualisations des caractéristiques apprises par le modèle montraient deux groupes denses et bien séparés, suggérant que les signaux cérébraux des enfants à risque portent réellement une signature distinctive, même si leur comportement aux tâches n’était pas radicalement différent de celui de leurs camarades.

Ce que le cerveau révèle sur les risques subtils de lecture

Pour explorer ce que le modèle avait appris, les chercheurs ont mélangé systématiquement les données provenant de différentes régions cérébrales et observé l’effet sur la qualité des prédictions. Cela a mis en évidence une zone particulière associée aux mouvements fins des doigts comme étant particulièrement importante. Une analyse temps–fréquence détaillée a montré que, lors des tâches visuellement exigeantes, les enfants typiques présentaient dans cette région des motifs ordonnés et rythmiques, compatibles avec un contrôle sensorimoteur fluide lors du pointage ou de l’appui sur des touches. En revanche, les enfants à risque montraient une activité plus irrégulière, suggérant un problème de coordination dépendant du contexte plutôt qu’un déficit moteur général. Il est notable que cette différence était beaucoup plus faible dans la tâche auditive, renforçant l’idée que certains problèmes de coordination cérébrale n’apparaissent surtout que sous des demandes visuelles proches de la lecture.

Vers une aide en classe basée sur le cerveau

En termes simples, ce travail suggère que certains jeunes enfants qui semblent seulement un peu en retard en lecture peuvent déjà présenter des différences claires et mesurables dans la manière dont leur cerveau coordonne vision, mouvement et attention lors de tâches liées à la lecture. En combinant une imagerie cérébrale sûre avec un modèle d’apprentissage profond adapté, les chercheurs ont créé un outil d’alerte précoce très précis qui pourrait, à l’avenir, aider enseignants et cliniciens à signaler des élèves à risque plusieurs années plus tôt que les méthodes actuelles. Bien que l’étude soit encore limitée en taille et que le système doive être testé sur des groupes plus larges et plus divers — et éventuellement combiné à d’autres mesures comme l’écriture manuscrite ou le suivi oculaire — elle ouvre la voie à un avenir où les risques d’apprentissage subtils sont détectés non seulement en surveillant les résultats des tests, mais en écoutant discrètement le cerveau au travail.

Citation: Yang, P., Duan, Y., Wang, L. et al. An early detection framework for young Chinese learners at risk of reading difficulty using fNIRS and deep learning. Sci Rep 16, 14104 (2026). https://doi.org/10.1038/s41598-026-44379-7

Mots-clés: difficulté de lecture, dyslexie, imagerie cérébrale, apprentissage profond, alphabétisation des enfants