Analyser des vidéos de lectures d’albums

L’année a été extrêmement dense en projets et en réalisations, et je n’ai pas beaucoup nourri ce ‘carnet de recherche’. Ce n’est pourtant pas l’envie qui m’en a manqué – mais le temps, bien sûr, et la liberté d’esprit. L’été arrivant, la pression des urgences s’atténue. Vient le moment de faire retour sur les expériences de l’année, pour préparer les projets à venir.

J’ai accepté d’entrer, modestement, dans le projet d’une collègue linguiste à Orléans : Céline Dugua a monté un projet intitulé LePAJe – pour “lectures partagées d’albums jeunesse”. L’un des objectifs est d’étudier la manière dont la lecture à haute voix contribue à fixer des traits de langue orale – l’usage de la liaison, par exemple. Mon rôle dans ce projet est mineur : je vais servir à proposer des typologies d’albums, pour mettre un peu d’ordre dans les enregistrements. Car le cœur de LePAJe est la constitution d’un corpus de lectures d’albums, faites par un adulte à un enfant, et enregistrées. Je ne travaille jamais, pour ma part, sur des corpus oraux : ma participation à ce projet est donc l’occasion de m’initier, certes superficiellement, à ce type de démarche.

Un workshop en ligne d’une grande qualité

C’est pour cette raison que j’ai participé, il y a quelques jours, à un workshop qui était organisé par une enseignante et spécialiste en sciences de l’éducation, et proposé en ligne. Sandie Mourão, de l’université nouvelle de Lisbonne (Universidade Nova de Lisboa), avait en effet annoncé sur une liste de diffusion la tenue de cet atelier qui serait animé par sa collègue de l’université d’Udine Elisa Bertoldi, dans le cadre des activités du centre de recherches CETAPS. L’objectif était très généreux : il s’agissait de présenter, puis d’apprendre à utiliser le logiciel libre ELAN, dédié à l’annotation de fichiers multimédias (en l’occurrence, pour cet atelier, une courte vidéo d’une adulte lisant à haute voix un album pour enfants). Puis, dans un second temps, de présenter l’intérêt d’un autre logiciel, développé au sein du groupe de travail auquel collabore Elisa Bertoldi à l’université d’Udine, TMA (Tool for Multimodal Analysis).

ELAN permet d’annoter de manière très efficace des enregistrements, en décidant à l’avance de ce qu’on repère : l’utilisateur dispose de plusieurs “lignes” qu’il attribue aux domaines qu’il souhaite observer. Il peut se constituer, pour chaque ligne, un thésaurus lui permettant de systématiser ses observations. Par exemple, ici, pour la ligne “volume vocal”, on avait le choix entre “élève la voix” ou “baisse la voix”, ce qui normalise l’annotation – en langage ordinaire, on pourrait mettre “crie” ou “chuchote”, ce qui est vrai aussi, et même plus précis, mais ne permet pas de traitement statistique.

Or Elisa Bertoldi faisait remarquer que le fichier produit avec ELAN était difficile à exporter pour illustrer une publication et plus encore pour faire du traitement en nombre. Il existe des formats d’export, mais ils ne sont pas utilisables pour une vision humaine. C’est ce qui lui a donné envie de produire, avec la collaboration d’un informaticien, son propre logiciel, TMA. Celui-ci est destiné à lire des fichiers produits par ELAN (fichiers en .eaf), mais il en produit alors des visualisations plus intéressantes, sur le plan de la communication visuelle tout d’abord, mais aussi sur le plan statistique, et on peut lui soumettre des requêtes. Ainsi, l’utilisateur peut par exemple repérer des “séquences” récurrentes de plusieurs comportements multimodaux, et leur attribuer un nom/ une fonction, parce qu’il repère qu’elles se retrouvent aussi avec la même configuration dans d’autres points d’une vidéo ou d’autres vidéos. Il peut aussi permettre de visualiser ou repérer des co-occurrences. Les modes de visualisation sont très clairs, ils permettent un repérage “à l’œil” en plus des fonctionnalités de repérage automatique de l’application. Dans l’exemple ci-dessous, que j’emprunte au site de YELL (Young English Language Learners), on repère ainsi le groupe violet-magenta, qui se retrouve à plusieurs endroits de la vidéo.

Capture d’écran de l’application TMA. © Elisa Bertoldi

Elisa Bertoldi, en bonne pédagogue, avait très précisément construit cet atelier : après un exposé très clair en anglais (un anglais superbement compréhensible par des étrangers !), auquel nous pouvions revenir par la suite car elle nous avait déposé tous les documents sur un drive, nous avons été invités, pendant une demi-heure, à expérimenter nous-mêmes l’annotation d’un fichier vidéo, tout le matériel ayant été soigneusement préparé par Elisa en amont de l’atelier (les participants avaient pu télécharger ELAN et les fichiers d’exercices). Tout était si bien préparé et expliqué qu’en une dizaine de minutes, on était familiarisé avec le maniement élémentaire de l’application : sélectionner une portion de son ou de vidéo, double-cliquer dans la “ligne” à propos de laquelle on souhaitait faire un commentaire, choisir l’item à appliquer à ce passage dans un petit menu déroulant. C’est après cette mise en pratique (pendant laquelle Elisa restait disponible sur Zoom !) que nous a été présenté TMA et ses apports complémentaires. Un modèle d’atelier : je me dis que nous nous devrions nous en inspirer quand nous devons former nos doctorants à des procédures un peu précises.

Je me sens maintenant plus à l’aise pour échanger au sein du projet LePaJe, parce que je peux dire que moi aussi, j’ai annoté un fichier dans ELAN ! J’ai compris la logique, aussi bien de la pratique de l’annotation, qu’en amont, quand il s’agit d’élaborer un “arbre” pour déterminer ce qu’on veut observer et comment on va distribuer et nommer les phénomènes.

Beaucoup, beaucoup de technique

Je suis certaine qu’Elisa Bertoldi est une chercheuse de grande qualité, et une excellente formatrice d’enseignants. Elle a démontré dans cet atelier une maîtrise de la situation pédagogique que je lui envie. Il me reste néanmoins des interrogations. Dans le cadre du projet YELL sur l’enseignement de l’anglais à des enfants italiens, les recherches que mène Elisa Bartoldi portent sur le rôle que peut jouer la lecture d’albums à haute voix pour enseigner cette langue seconde. Elle cherche notamment à repérer quelles associations de comportements multimodaux semblent les plus pertinentes pour que ces lectures à haute voix accompagnent au mieux les enfants dans leur entrée dans la langue. Ma question porte sur le rapport entre le dispositif et l’objectif. Pour bien faire, nous a expliqué Elisa, elle filme chaque lecture avec deux caméras : l’une sur la lectrice, l’autre sur les enfants. Enregistrer une lecture, une fois que les caméras sont placées, ne prend pas beaucoup de temps, mais annoter un fichier est très long. Or pour obtenir un matériau de qualité il faut annoter beaucoup de lectures. Et pour éviter le biais de personnalisation, il faut recruter beaucoup de lectrices, aux styles différents. Tout ça fait des heures d’annotation, somme toute assez fastidieuses, puis d’autres heures ensuite pour fusionner les fichiers annotés, repérer les phénomènes de séquentialisation et de co-occurrences, élaborer des hypothèses, les vérifier sur des enregistrements-témoins… Je me demande, in fine, si on n’est pas là devant un phénomène d’hyper-technicisation un peu disproportionné par rapport à l’objectif de la recherche. Ne va-t-on pas finalement “découvrir”, au terme de ce processus d’enregistrement, de codage, de fusion, de repérage automatisé… des “patterns” que l’œil nu et l’intelligence humaine auraient tout simplement repérés au visionnage des vidéos, voire tout simplement en assistant aux séances elles-mêmes avec un carnet et un crayon ?

Un exemple. Elisa nous a bien expliqué que rationnellement, le chercheur devait être très au clair sur ce qu’il souhaitait observer et de quelle manière il souhaitait le coder, lorsqu’il fabrique son thésaurus (elle disait “controlled vocabulary“). C’est une évidence : on ne se met pas à traiter des données en masse sans avoir un peu réfléchi en amont à la manière de désigner ce qu’on observe – j’ai pu en faire l’expérience cuisante il y a une quinzaine d’années dans le cadre du projet Mame. Mais la grille d’analyse qu’on fabrique, ne produit-elle pas ses propres biais ? Dans la lecture très expressive de notre vidéo d’exercice, il y avait de nombreux passages où la lectrice forçait vraiment le trait – comme on fait quand on fait une lecture collective à des enfants. Elle dramatisait un passage, une formule, en accompagnant ses effets vocaux de mimiques, expressions ou gestuelle. Pour cet extrait, selon l’arborescence qu’avait préparée Elisa pour son étude, nous étions invités à coder à la fois le volume vocal (il augmentait), l’intensité expressive (il y avait ici une emphase), et la gestuelle. Je me dis qu’ensuite, si on avait passé à la “moulinette” de TMA l’ensemble de la vidéo, on aurait pu reconnaître, ou même faire identifier de manière automatique, un “pattern” multimodal qui aurait associé “volume vocal accentué + expressivité vocale (emphase) + gestuelle expressive”. Mais finalement, ce “pattern” est une pure production du dispositif d’observation : il n’y a “pattern” que parce qu’on a préalablement décidé qu’on séparerait, dans l’annotation, le volume vocal, l’expressivité vocale, et la gestuelle. À l’inverse, si on avait choisi d’introduire une ligne consacrée aux “effets d’exagération dramatique”, on aurait pu d’emblée créer un item correspondant à ce script unique: “la lectrice hausse la voix, devient plus expressive, et accompagne cet effet vocal d’une gestuelle mimétique”, qu’on aurait pu baptiser par exemple “emphase”. Dans ce cas, l’annotateur aurait coché l’item “emphase”… de sorte que ce qu’Elisa nous présente comme un résultat de la recherche aurait simplement été vu comme un produit de l’observation, c’est-à-dire… une donnée de base, et pas un produit de l’analyse statistique des données.

Autrement dit: toute grille découpe dans le réel, mais ce découpage, contrairement à ce qu’on veut bien nous faire croire, n’a rien de neutre. À force de vouloir s’extraire du sens, au motif qu’un observateur devrait se rendre purement objectif, on dépouille l’observateur de toute sa capacité (très ordinaire) d’interprétation du monde. Il lui faut donc ensuite mettre en branle une technicité d’une considérable lourdeur (accumulation d’un nombre important de données + normalisation de ces données + recherche de co-occurrence + processus d’interprétation des co-occurrences) pour aboutir à… confirmer ce que tout le monde sait : quand on veut faire comprendre le sens d’un texte à un jeune enfant, que ce soit dans sa langue (qu’il maîtrise encore mal) ou dans une langue étrangère, on accompagne le langage verbal par du langage corporel (voix, gestes) en forçant sur l’expressivité. N’importe qui fait ça, dans n’importe quelle circonstance : il suffit de regarder dans la rue un passant qui essaie de renseigner un touriste dont il ne pratique pas la langue ! Bien sûr, je caricature, et je suis certaine que le projet d’Elisa Bertoldi va bien au-delà des petits exemples qu’elle avait prélevés pour leur dimension très pédagogique. Mais on comprend que ces questions me préoccupent1

Je suis toujours inquiète quand, par un louable souci de rigueur et d’efficacité, les chercheurs en sciences humaines se croient obligés de se plier à des protocoles et des modes d’administration de la preuve empruntés aux sciences dures. Je pense que c’est parfois un mimétisme mal pensé. Allons-nous devoir “prouver”, par des expérimentations en labo avec randomisation et groupe contrôle, qu’il est préférable d’élever un enfant en prenant soin de lui, plutôt que de le laisser pousser sans affection ni égards ? C’est caricatural, mais je me méfie de notre tendance (et je m’inclus évidemment dans le “nous”) à vouloir afficher les atours des sciences dures, comme s’il s’agissait d’une preuve absolue de rigueur – alors que ça peut à l’inverse nous conduire à des démarches absurdes, et à de colossales pertes de temps et d’énergie. Temps et énergie qui seraient sans doute mieux employés à former les acteurs. Il va de soi qu’une lecture expressive, avec mimiques et effets de voix, transmet plus aisément le sens d’un texte qu’une version neutre2. Comment le savons-nous ? Parce que, depuis l’Antiquité au moins, nous allons au théâtre.

Je me fais ici l’avocat du diable : gagnées, comme tant d’autres disciplines, par les exigences nouvelles des “evidence based practices“, les sciences de l’éducation semblent considérer que seules des études déployant un vaste protocole d’observations, avec une haute technicité et un fort degré d’automatisation des procédures, sont à même de prouver certains phénomènes, sur lesquels pourront ensuite s’appuyer des réflexions puis des procédures didactiques et pédagogiques. Car le but ultime, n’est-ce pas, n’est pas d’apporter la preuve de quelque chose : c’est bien d’en tirer ensuite le moyen d’enseigner plus efficacement. Mais alors, dans le cas dont il est question ici, ne serait-il pas plus efficient de sauter par-dessus la production de la preuve, et de consacrer plutôt tous les moyens économiques et humains déployés dans ces procédures au service direct de ceux qui enseignent, par exemple en finançant des ateliers de lecture en anglais animés par des comédiens ?

Retour à mon nombril

Si ma réflexion me conduit systématiquement à ce genre de questionnement, c’est que je suis précisément en proie à une interrogation sur mes propres démarches de recherche. J’ai parlé à plusieurs reprises, sur ce ‘carnet de recherches’, du projet “Lire aux bébés / Lisons aux nourrissons” qui se déploie depuis deux ans dans deux services hospitaliers de la région tourangelle, où 4 lectrices viennent chaque semaine lire aux bébés et à leurs parents. Dès le début de ce projet, qui engage, aux côté de l’université, une association d’éducation populaire (Livre passerelle) et un service culturel public (la BM de Tours) ainsi évidemment que les personnels de deux services hospitaliers, il était clair qu’à terme l’initiative donnerait lieu à un projet de recherches, destiné à objectiver les résultats que nous pouvions observer empiriquement.

J’ai pris la décision, il y a plusieurs semaines, de déposer à l’automne une candidature ANR avec ce projet. Il s’agirait de réunir des chercheurs de disciplines diverses pour évaluer les effets de lectures d’album à des bébés réalisées dans un cadre médical. J’ai déjà pas mal abordé cette préoccupation ici, notamment par un historique des programmes internationaux de lectures aux bébés (ici, puis , enfin ). Ces remarques et prises de position ont conduit à ce que je sois invitée, dans le cadre du webinaire annuel de l’opération Premières pages, à animer une table ronde internationale le 8 avril 2022 (je n’ai hélas pas trouvé le temps d’en parler ici mais Patricia Humann, qui y représentait l’UNAF, en a fait un court et efficace compte rendu). Le lancement, à titre expérimental, d’une opération de distribution d’un album dans les “sacs des 1000 premiers jours” offerts aux mamans en maternité m’a paru une bonne occasion pour lancer de mon côté, avec les partenaires de longue date que sont les lectrices de Livre passerelle et les bibliothécaires de Tours, un travail réflexif sur “ce qui se passe quand on lit à un bébé, dans un contexte médical”. Je sollicite donc en ce moment divers chercheurs, afin que nous puissions croiser les regards et les méthodes sur ces terrains où les lectures ont lieu ; les rencontres sont absolument passionnantes.

Or monter un tel partenariat, même si l’on met de coté la lourdeur administrative (pour laquelle la fac de Tours met à notre disposition une équipe de soutien particulièrement efficace), est au fond assez perturbant. Travailler avec des chercheurs issus d’autres cultures disciplinaires, c’est faire un pas dans le vide – en l’occurrence ici, 3 ou 4 pas, puisque le principe sur lequel je pars est de n’avoir qu’un seul représentant de chaque discipline (études littéraires, psychologie du développement, neurosciences, sociologie). Comment être sûr de ne pas perdre le nord ? De conserver ses priorités ? ses valeurs ? Comment se montrer ouvert aux démarches des autres, sans se laisser influencer par des effets de scientificité qui, sur certains terrains et avec certaines problématiques, n’auraient au fond pas de pertinence ? Comment exposer, de manière à convaincre, que les approches littéraires ont leur propre manière d’apporter la preuve et qu’elle n’est pas moins rigoureuse ? C’est le grand chantier de cet été. Il est excitant, et en même temps, très déstabilisant…

Pour citer cet article : Cécile Boulaire, "Analyser des vidéos de lectures d’albums," in Album '50', 9 juillet 2022, https://album50.hypotheses.org/5071.
  1. Cela me fait penser à certains résultats d’études publiés dans un numéro de la revue Repères dont j’avais rédigé un compte rendu. Le dossier portait sur la lecture en maternelle. Certains auteurs avaient déployé une ingénierie colossale, pour démontrer des choses qu’on aurait pu prouver d’une manière bien plus simple et naturelle (on ne lit pas un album de la même manière si on est un parent devant ses enfants ou un instituteur devant ses élèves) – ou tout simplement, qu’on savait déjà. []
  2. ça a d’ailleurs déjà été démontré : Magnier Julien, Gratier Maya, Lacheret Anne, “Expressive vs Neutral prosody in reading aloud”, Speech Prosody 7, May 2014, Dublin, Ireland. pp.140-143. []

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée.

Ce site utilise Akismet pour réduire les indésirables. En savoir plus sur comment les données de vos commentaires sont utilisées.