Résultats expérimentaux

Traitement des données

Pour pouvoir comparer ces données entre elles et ensuite avec le modèle, nous avons dû eectuer des pré-traitements sur les données brutes an de les rendre exploi-tables. Nous les avons donc épurées pour garder non plus une suite de coordonnées (X, Y ), mais une suite de mots, le modèle eectuant un trajet de mot en mot.

Figure 3.7  Exemple de trajet expérimental pour la question Quel est le sport le plus brutal ? dans la condition Sémantique V- de l'expérience Couleur.

Figure 3.8  Exemple de trajet expérimental pour la question Quel est le sport le plus brutal ? dans la condition Sémantique V+ de l'expérience Taille.

Expérimentations avec des mots 75

Figure 3.9  Exemple de trajet expérimental pour la question Quel est le sport le plus brutal ? dans la condition Non Sémantique V+ de l'expérience Taille.

Nous avons associé à chaque xation le mot le plus proche, puis supprimé les doublons ce qui nous donne des trajets de mot en mot. À partir de ces données enrichies et épurées, nous avons pu observer des diérences de comportement grâce à plusieurs indices.

Dans l'intention de comparer les trajets empiriques avec ceux simulés, nous avons dû trouver des variables globales de haut niveau permettant de décrire ces trajets. Les trajets ne sont en eet pas comparables directement, car il y a une trop grande variabilité inter-individuelle. Par contre, cette comparaison pourra se faire indirec-tement à travers des variables descriptives de ces trajets. À l'aide de ces variables, nous pouvons décrire des tendances et ainsi comparer les données expérimentales et simulées.

Dans l'étude des mouvements oculaires plusieurs variables sont classiquement utilisées, les cartes de densité, les durées de xations dans des zones d'intérêt, le nombre de xations, la durée de première xation, l'amplitude des saccades, les transitions entre zones d'intérêt. En lecture, la position des xations dans le mot est utilisée ainsi que la durée de regard (xation + rexation), etc. Dans notre étude, nous avons analysé les données de manière adaptée à nos stimuli et à notre tâche, et nous avons mis en place une méthodologie adaptée à notre contexte.

Nous avons mis en place deux types de variable descriptive des trajets à des ns diérentes de comparaison : les indices et les distributions. Dans la terminologie de l'apprentissage automatique, les indices servent à l'apprentissage du modèle et les distributions servent de test. D'une part, pour comparer les modalités entre elles, pour mettre en évidence un eet possible d'apprentissage au cours de la passation et aussi

pour paramétrer le modèle nous avons choisis deux indices caractéristiques devant être modulés par les modalités de passation. Ces deux indices sont le nombre de mots vus avant la cible et le taux de saccades progressives. D'autre part les comparaisons entre les données expérimentales et simulées se feront au travers des distributions de variables liées au déploiement d'un trajet oculomoteur, c'est-à-dire les distributions des angles dans le trajet (absolus et relatifs) et la distribution des amplitudes de saccades.

Apprentissage

Les analyses présentées dans ce paragraphe ont pour but de caractériser les tra-jets oculomoteurs empiriques pour les comparer ensuite avec ceux du modèle. Nous nous sommes donc particulièrement intéressés à la modalité Sémantique. C'est ef-fectivement dans cette modalité que tous les processus entrent en interaction. C'est donc sur ces données dans la modalité Sémantique que le modèle sera construit. Le modèle ne possède pas de conditions d'arrêt mais est programmé pour eectuer au-tant de xations que les participants sur une carte. Nous avons mesuré le nombre de mots vus avant d'atteindre la cible comme indice de la performance des participants. Cet indice nous a permis de mettre en évidence un phénomène d'apprentissage de l'organisation sémantique des mots. En eet, entre les premières et les dernières pages vues pendant la passation, les performance des participants dans la moda-lité Sémantique s'améliorent signicativement, (T (65) = 2, 44, p < 0, 02), voir -gure3.10 page ci-contre. La séparation de l'expérience en trois périodes nous montre un apprentissage de la répartition sémantique des mots, entrainant une réduction du nombre de mots vus pour atteindre la cible. An de conrmer cet eet d'apprentis-sage, nous avons calculé le taux de saccades progressives, c'est-à-dire le pourcentage de saccades se rapprochant de la cible avant d'atteindre la cible pour la première fois. Un pourcentage élevé dénote un trajet direct vers la cible alors qu'un pour-centage faible correspond à un trajet  hésitant . L'apprentissage est signicatif (T (115) = 4, 42, p < 0, 01) comme nous pouvons le voir sur la gure 3.11 page sui-vante, cette séparation de l'expérience en trois périodes nous montre un apprentissage de la répartition sémantique des mots, entrainant un rapprochement plus franc vers la cible.

Pour comparer les données expérimentales à celles du modèle nous utiliserons donc les trajets eectués dans la dernière phase expérimentale (pages 13 à 18) dans la modalité Sémantique, une fois que les participants ont bien compris la tâche et l'organisation sémantique des mots sur l'écran.

Distributions de caractéristiques

Un bon modèle doit pouvoir produire un trajet ayant une géométrie proche de celle des humains avec des amplitudes de saccades également similaires.

distribu-Expérimentations avec des mots 77

Figure 3.10  Nombre de mots vus pour les participants de l'expérience (version Taille) dans la modalité Sé-mantique.

Figure 3.11  Pourcentage de sac-cades se rapprochant de la cible dans les trajets des participants de l'expé-rience (version Taille) dans la moda-lité Sémantique.

Figure 3.12  (a) Angle relatif proche de 0(demi-tour). (b) Angle relatif proche de 180(tout droit).

tions des angles : les angles absolus des saccades par rapport à l'horizontal, c'est-à-dire leur direction dans l'espace (N, E, S, O), et les angles relatifs, c'est-c'est-à-dire l'angle formé par la saccade courante et la saccade précédente, entre 0(demi-tour) et 180(tout droit) (voir schéma gure3.12).

Nous avons aussi pris en compte la distribution des amplitudes des saccades (en degré d'angle visuel). Ces trois distributions sont très proches pour les deux versions de l'expérience, comme nous pouvons le voir dans les gures3.13,3.14 et3.15. Sur la première nous pouvons voir que les directions horizontales sont privilégiées par rapport aux directions verticales et ces dernières par rapport aux directions obliques. Dans la seconde, nous observons que la tendance est à continuer tout droit (180) avec néanmoins un pic sur les demi-tour complet (0). Enn la dernière courbe nous montre que les saccades sont assez courtes, pic à 4et moyenne de 6,13, sachant que l'espace moyen entre deux mots est de 4,93(de centre à centre). Elles représentent donc les distributions que le modèle devra retrouver.

Comparaison entre les deux versions de l'expérience

Nous avons ici deux versions de l'expérience dont nous voulons comparer les résultats an de vérier qu'il y a susamment de variabilité entre les deux.

Figure 3.13  Distributions des saccades selon leur direction.

Expérimentations avec des mots 79

Figure 3.15  Distributions des amplitudes des saccades.

sur les situations diérentes, et nous pourrons voir s'il est assez robuste pour simuler correctement des trajets sur ces deux types de stimuli. Dans ces deux expériences, nous avons identié des indices qui nous permettent de caractériser les performances des participants.

La diérence entre les deux expériences est au niveau du facteur visuel, dans un cas les mots sont de tailles diérentes avec une évolution graduelle, dans l'autre chaque mot est soit rouge soit noir. Les résultats expérimentaux montrent (voir gures3.16et3.17 page suivante) des gains de performance pour la version Couleur par rapport à la version Taille entre les modalités V+ et V-.

Les valeurs observées pour le nombre de mots avant la cible sont signicativement diérentes entre les deux modalités visuelles (V+ et V-) pour la version Couleur (T (17) = 2, 06, p = 0, 055) mais pas pour la version Taille (T (17) = 0, 96, p = 0, 349). La variation dans la taille des éléments n'a donc pas d'inuence signicative sur les performances, contrairement aux couleurs. Pour la variable taux de saccades progressives, nous obtenons un résultat similaire, à savoir une diérence signicative entre les modalités visuelles lorsqu'il s'agit de couleur (T (17) = 4, 07, p ≤ 0, 001) et pas de diérence signicative quand la variation porte sur les tailles (T (17) = 0, 73, p = 0, 474).

Pour essayer de mieux comprendre d'où viennent ces diérences de performance entre les deux expériences, et surtout, pourquoi le facteur Taille n'a pas autant d'in-cidence sur la performance que le facteur Couleur, nous avons étudié les fréquences de xation des mots. Ceci an de voir si les mots en rouge sont plus xés que les mots en noir, et de la même façon, si les mots de grande taille (18 et 19) sont plus xés que les mots plus petits. Pour cette analyse, nous avons pris en compte les pages dans lesquelles les mots n'étaient pas organisés visuellement, c'est-à-dire la modalité

V-Figure 3.16  Nombre de mots vus avant d'atteindre la cible pour les mo-dalités V+ et V- pour les deux ver-sions de l'expérience. La condition V+ n'est facilitatrice que dans la version Couleur.

Figure 3.17  Taux de rapproche-ment vers la cible pour les modalités V+ et V- pour les deux versions de l'expérience. La condition V+ n'est fa-cilitatrice que dans la version Couleur.

(en V+ la congruence de la sémantique et du visuel ne permet pas d'isoler le facteur visuel). Les résultats (gure3.18 page ci-contre) montrent que les mots visuellement saillants ne sont pas plus xés que les autres. Il n'y a pas de diérence notable entre les valeurs observées et théoriques (facteur Taille : χ2 = 1,26, dl = 1, p = 0,26 et facteur Couleur : χ2 = 2,36, dl = 1, p = 0,12). L'accroissement régulier des tailles est donc certainement la raison de la diérence observée dans les comportements.

Partant de ces constats nous allons maintenant voir comment le modèle arrive à prendre en compte ces diérences de comportements, ainsi que le comportement global des participants. Nous commencerons par un bref rappel des choix de modé-lisation associés à cette expérience, puis nous verrons la comparaison à proprement parlé et les conclusions que nous pouvons en tirer sur les interactions des processus cognitifs mis en jeu.

3.2 Modélisation et comparaisons avec les données