Comment programmer les révisions multi-concepts

L’essentiel en quelques mots

Les révisions multi-concepts doivent être programmées au niveau des concepts, pas au niveau de la phrase. L’idée est simple, vous glissez un maximum de mots et de points de grammaire arrivés à échéance dans une phrase naturelle et inédite, vous notez chaque élément séparément, puis un planificateur comme FSRS ne met à jour que ce qui a vraiment été retenu ou manqué. La phrase sert de support d’exercice. La liste des éléments dus, elle, garantit que la révision reste fidèle à la mémoire réelle.

Ce principe est souvent appelé empilement de concepts : une seule tentative de production permet de valider plusieurs révisions, sans transformer toute la phrase en simple réussite ou échec. LinGoat fonctionne ainsi, avec des invites de traduction depuis la langue maternelle vers la langue cible, des phrases neuves qui intègrent les concepts dus, puis une notation mot par mot qui alimente FSRS. C’est un entraînement écrit en répétition espacée, pas un remplacement de l’expression orale.

En quoi consiste l’empilement de concepts

L’empilement de concepts consiste à laisser le moteur de révision repérer quels éléments de vocabulaire et de grammaire sont dus aujourd’hui, puis à construire une phrase qui en intègre le plus possible tout en restant naturelle. Au lieu de cinq cartes isolées pour cinq mots, une seule phrase bien conçue peut entraîner une forme verbale, une préposition et plusieurs lemmes dans une seule tentative de rappel.

L’objectif, c’est l’efficacité sans fausse impression de fluidité. Vous pratiquez toujours une vraie production, avec choix des formes, accord et ordre des mots sous contrainte. Simplement, cet effort est amorti sur davantage d’éléments dus à la minute. Pour voir le déroulé pratique, de l’invite à la notation puis à la replanification, consultez comment pratiquer la construction de phrases avec la répétition espacée.

Pourquoi les phrases sont plus utiles que les mots isolés

Les mots n’existent pas en vase clos. Leur sens, leurs cooccurrences et leurs nuances changent selon la syntaxe environnante. Nation montre que la connaissance lexicale est multidimensionnelle : un apprentissage intentionnel construit efficacement les liens forme-sens, tandis que les rencontres en contexte, au niveau de la phrase, développent mieux l’usage que de simples paires mot-à-mot.¹

En plaçant les éléments dus dans des phrases, on conserve cet avantage contextuel tout en faisant avancer la file de révision. Il ne s’agit pas de choisir entre « contexte » et « espacement ». Le contexte devient simplement le format de diffusion des éléments espacés. Des résultats proches, sur l’empaquetage dynamique des phrases avec planification indépendante mot par mot, sont résumés dans notre article sur la recherche sur la répétition espacée fondée sur les phrases. Ici, on se concentre sur la logique de planification elle-même : empilement, notation et rôle de FSRS.

Des phrases inédites, pas des exemples figés

L’empilement ne fonctionne que si la phrase change. Si vous révisez toujours le même exemple récupéré ailleurs, vous pouvez réussir en reconnaissant la chaîne de caractères plutôt qu’en rappelant les composants. Les recherches sur la spécificité de l’encodage montrent que le rappel dépend souvent des indices présents au moment de l’encodage, et que sans ces indices, la mémoire peut échouer alors que la carte semblait facile.²

Le traitement adapté au transfert va dans le même sens : l’entraînement qui ressemble à la tâche future, ici construire de nouvelles phrases, se transfère mieux qu’un entraînement qui ne reproduit qu’un cadre de carte figé.³ La révision empilée doit donc reposer sur une phrase nouvelle, avec les mêmes concepts dus, mais une syntaxe et des collocations différentes. Pourquoi la collecte d’exemples figés finit par casser le SRS est expliqué plus en détail dans pourquoi la collecte de phrases échoue.

Pourquoi il faut une notation granulaire

Voici le piège qui fait échouer les révisions empilées. Imaginez qu’une phrase regroupe cinq concepts dus et que vous vous trompiez sur un article. Si toute la phrase est notée « À revoir », quatre rappels solides sont pénalisés. Si toute la phrase est notée « Bien », l’erreur ne revient pas assez vite. Dans les deux cas, le planificateur reçoit un signal brouillé.

L’empilement de concepts exige donc une attribution granulaire : chaque mot et chaque concept grammatical de la réponse est noté séparément, puis replanifié séparément. C’est à cette condition seulement que le regroupement reste efficace. La phrase peut être dense, mais le modèle de mémoire reste atomique. Pour l’argument centré sur la notation, voir la notation mot par mot dans l’apprentissage des langues.

FSRS planifie des éléments, pas des phrases

Une fois les notes attribuées par concept, le moteur temporel peut faire son travail. FSRS, pour Free Spaced Repetition Scheduler, modélise chaque élément avec sa difficulté, sa stabilité et sa récupérabilité, plutôt qu’avec un simple facteur d’aisance comme SM-2.⁴ Sur de grands jeux de données Anki, FSRS prédit le rappel plus précisément que SM-2, ce qui permet de placer les intervalles plus près de la courbe d’oubli, sans sur-réviser.⁵

Dans une séance de révision empilée, FSRS ne programme pas « Phrase n°482 ». Il programme les lemmes et les règles grammaticales qui la composent. Les éléments bien rappelés s’éloignent, ceux qui ont été manqués reviennent plus vite et peuvent être réintégrés plus tard dans une autre phrase inédite. C’est ainsi que l’empilement et la planification se renforcent au lieu de se gêner mutuellement.

Les limites à respecter, naturel et charge cognitive

L’empilement a ses limites. Une phrase bourrée de tous les éléments dus peut devenir peu naturelle ou saturer la mémoire de travail. La recherche sur la charge cognitive rappelle que les tâches avec de nombreux éléments en interaction, nouvelles formes, syntaxe complète et production en même temps, peuvent dépasser la capacité disponible et produire de la frustration plutôt que de l’apprentissage.⁶

De bonnes révisions multi-concepts cherchent donc l’équilibre entre deux contraintes :

• Formulation naturelle : n’empilez les concepts dus que lorsqu’ils s’intègrent dans une phrase plausible, qu’un apprenant pourrait réellement dire ou écrire.
• Complexité maîtrisée : mieux vaut plusieurs phrases denses mais lisibles qu’une seule méga-phrase impossible, surtout pour les éléments encore récents, qui doivent monter progressivement vers la production complète.

L’efficacité, c’est « plus de concepts dus validés par rappel honnête », pas « un maximum de tokens par consigne ».

Comment LinGoat programme les révisions multi-concepts

LinGoat génère des invites en langue maternelle qui regroupent le vocabulaire et la grammaire actuellement dus dans des phrases inédites en langue cible. Vous produisez la phrase complète, chaque concept est noté individuellement, puis FSRS met à jour ces éléments. À la session suivante, de nouvelles phrases sont reconstruites à partir de ce qui est de nouveau dû. Pour le cycle complet en trois temps, répétition espacée, exercices dynamiques, attribution granulaire, voir la pédagogie complète de LinGoat.

Découvrez comment fonctionne LinGoat ou commencez à pratiquer.

Références

1. Nation, I. S. P. (2001). Learning Vocabulary in Another Language. Cambridge University Press. https://doi.org/10.1017/CBO9781139524759
2. Tulving, E., & Thomson, D. M. (1973). Encoding specificity and retrieval processes in episodic memory. Psychological Review, 80(5), 352-373. https://doi.org/10.1037/h0027317
3. Morris, C. D., Bransford, J. D., & Franks, J. J. (1977). Levels of processing versus transfer appropriate processing. Journal of Verbal Learning and Verbal Behavior, 16(5), 519-533. https://doi.org/10.1016/S0022-5371(77)80016-9
4. Ye, J., Su, J., & Cao, Y. (2022). A stochastic shortest path algorithm for optimizing spaced repetition scheduling. In Proceedings of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (pp. 4384-4394). https://doi.org/10.1145/3534678.3539081
5. Expertium. (2025). Benchmark of spaced repetition algorithms. https://expertium.github.io/Benchmark.html
6. Sweller, J. (2010). Element interactivity and intrinsic, extraneous, and germane cognitive load. Educational Psychology Review, 22(2), 123-138. https://doi.org/10.1007/s10648-010-9128-5