Que doit suivre une appli de langues adaptative ?

La réponse courte

Une application de langues adaptative doit fonctionner comme une boucle fermée autour de trois éléments : les notions à réviser (vocabulaire et grammaire planifiés par répétition espacée), l’exercice généré pour ces notions, et les résultats au niveau du mot ou du concept après la tentative de l’apprenant. Sans ces trois briques, « adaptatif » veut souvent dire autre chose qu’un vrai planning qui se met à jour à partir de ce que l’utilisateur a réellement rappelé.

La pratique de récupération renforce la mémoire quand le système peut attribuer la réussite ou l’échec à des éléments précis, et pas seulement à une leçon entière.¹ Les planificateurs modernes comme FSRS ont besoin de notes propres, item par item, pour prédire quand un rappel risque d’échouer.² LinGoat est un exemple de combinaison entre planification des notions dues, génération de phrases inédites et évaluation granulaire. La liste ci-dessous décrit les capacités à rechercher, pas une présentation produit.

Pourquoi « adaptatif » ne se résume pas à un niveau

Beaucoup d’apps se disent adaptatives parce qu’elles sautent les unités faciles, augmentent la difficulté après un quiz ou estiment un niveau CECR. Cela peut personnaliser le choix des contenus. En revanche, cela ne dit pas à l’application quelles conjugaisons ou quels lemmes seront oubliés ce soir.

La répétition espacée fonctionne en interrompant la courbe de l’oubli au niveau de l’élément : chaque mot ou notion grammaticale a son propre historique de tentatives de rappel.³ Si l’application ne stocke que « Leçon 12 : 80 % », elle ne peut pas reprogrammer la seule préposition manquée tout en avançant quatre noms bien maîtrisés. Pour apprendre à produire une langue, une pratique réellement adaptative doit donc enregistrer ensemble les unités de mémoire, le contexte de l’exercice et les résultats fins. Pour le modèle mémoire derrière le timing, voir comment fonctionne la répétition espacée.

Les notions dues, premier signal de la boucle

Le premier signal est la file des éléments dus, c’est-à-dire les notions suivies qui doivent être pratiquées aujourd’hui afin que le rappel prédit reste proche d’un objectif de rétention. Les anciens systèmes de type SM-2 allongent surtout les intervalles avec un facteur de facilité. FSRS, lui, modélise la difficulté, la stabilité et la récupérabilité de chaque item, puis place la prochaine révision au moment où la probabilité de rappel est censée atteindre la cible.²

Les grands benchmarks sur des collections Anki montrent que FSRS prédit le rappel plus précisément que SM-2 à partir d’historiques au niveau des cartes, tout en gardant à l’esprit que les chiffres publiés sont une photographie à un instant donné, pas une vérité éternelle.⁴ Pour un apprenant en langues, cette précision compte, car les faux amis et les verbes irréguliers n’oublient pas sur la même courbe. Une application qui « connaît votre niveau » mais ne peut pas dire quels cinq éléments sont dus ne fait pas du scheduling, elle fait juste du tri de contenu. Pour aller plus loin, voir FSRS contre SM-2 pour l’apprentissage des langues.

L’exercice généré, deuxième signal

Le deuxième signal est l’enveloppe de l’exercice : le prompt exact vu par l’apprenant pour ces notions dues. Il faut le suivre pour deux raisons.

• Traçabilité : on peut savoir si un échec vient d’une vraie tentative de rappel ou d’un prompt mal fichu, d’un empilement artificiel de notions, ou d’un exercice de reconnaissance qui n’a jamais forcé la production.
• Transfert : si la même phrase statique est réutilisée, l’apprenant peut réussir en reconnaissant la chaîne plutôt qu’en récupérant les éléments. Des phrases nouvelles, tout en intégrant les notions dues, rapprochent davantage la pratique de la composition réelle.

Pour les applications centrées sur la production, un bon défaut consiste à faire traduire des phrases de la langue maternelle vers la langue cible, en y intégrant autant de notions dues que possible tout en gardant une formulation naturelle. La phrase est le support, la liste des notions dues est le programme du moment. Le lien entre empilement des notions et planification est détaillé dans les révisions de phrases multi-notions.

Les résultats au niveau du mot et du concept

Le troisième signal est l’évaluation granulaire : chaque concept lexical ou grammatical présent dans la tentative est noté séparément, puis la note est réinjectée dans le planificateur. Un simple succès ou échec sur la phrase entière pollue le journal. Si l’utilisateur rate une terminaison, quatre rappels solides sont pénalisés. S’il réussit l’essentiel de la phrase, une forme fragile est parfois comptée comme « Bien ». Dans les deux cas, FSRS, ou n’importe quel modèle par item, apprend à partir d’étiquettes bruitées.

La recherche sur l’effet de test considère l’acte de récupération lui-même comme le mécanisme d’apprentissage.¹³ Pour que la pratique en phrase alimente ce mécanisme, l’application doit déterminer quelles notions ont réellement été récupérées. C’est ce que LinGoat appelle l’attribution granulaire : des résultats mot par mot, et aussi règle de grammaire par règle de grammaire, à l’intérieur d’une tentative de production complète. Voir l’évaluation mot par mot pour l’apprentissage des langues.

Checklist des capacités à vérifier

Servez-vous de cette liste comme d’un outil d’achat ou de conception. Une boucle de production réellement adaptative est crédible si le produit peut montrer :

• Inventaire des notions : vocabulaire et grammaire suivis comme des éléments séparés et planifiables, pas seulement comme des scores de leçon.
• File des notions dues : un ensemble quotidien, ou par session, de concepts sélectionnés par répétition espacée, idéalement avec un modèle calibré comme FSRS plutôt qu’avec des blocs fixes du type « réviser ce chapitre ».
• Génération d’exercices liée aux dus : des prompts construits à partir des éléments actuellement dus, souvent des phrases multi-notions inédites, et non un simple mélange aléatoire de cartes statiques.
• Exigence de production : rappel tapé ou rédigé sans choix multiples pour que la tentative corresponde à une vraie récupération.
• Notes par notion : réussite et échec attribués à chaque élément de la réponse, avec un retour immédiat et localisé.
• Réécriture vers le planificateur : chaque note met à jour le prochain intervalle de l’item concerné ; les éléments maîtrisés ne sont pas pénalisés par une simple faute de frappe.
• Analytique honnête : progression exprimée en maîtrise active des concepts (stabilité, charge due, taille du vocabulaire), pas seulement en séries de victoires ou en XP.

Si un maillon manque, la boucle se casse. Un SRS sans génération pousse à la mémorisation statique. Une génération sans notes fines corrompt le planning. Des notes sans file des dus se réduisent à un quiz ponctuel.

Là où beaucoup d’apps s’arrêtent trop tôt

Voici des limites fréquentes, même dans des produits très aboutis :

• La reconnaissance prise pour de la maîtrise : le QCM ou les appariements par tapotement donnent l’impression de produire des données, mais mesurent surtout la reconnaissance, qui surestime systématiquement le rappel productif.
• Des cartes phrase sans notes par item : les révisions de chaînes entières semblent efficaces jusqu’au moment où une seule erreur remet cinq intervalles à zéro.
• Des moteurs de niveau sans historique par item : les tests de positionnement adaptent des bandes de contenu, mais ne maintiennent pas des courbes d’oubli par lemme.
• Des métriques de gamification comme substitut : les séries et l’XP peuvent aider à persévérer, mais elles ne prouvent pas que les bonnes notions reviennent au bon moment.

Aucune de ces limites ne rend une application inutile. Elles signifient simplement que le mot « adaptatif » dans le marketing porte plus de poids que le modèle de données.

LinGoat comme exemple de combinaison

LinGoat met en œuvre la boucle à trois signaux pour la pratique écrite en phrases : FSRS décide quelles notions sont dues, le générateur intègre ces éléments dus dans des prompts de traduction inédits de la langue maternelle vers la langue cible, puis l’attribution granulaire note chaque notion et la reprogramme. L’application ne remplace pas un entraînement oral, et les modes d’expression dédiés, qui réutilisent la même carte de maîtrise, relèvent de la feuille de route, pas d’une affirmation sur ce qui est déjà disponible aujourd’hui.

Pour le cadre pédagogique complet, production contre reconnaissance, progression par paliers, et raison pour laquelle ces trois étapes doivent avancer ensemble, lisez la pédagogie complète de LinGoat.

Découvrez comment fonctionne LinGoat ou commencez à pratiquer.

Références

1. Roediger, H. L., & Karpicke, J. D. (2006). Test-enhanced learning: Taking memory tests improves long-term retention. Psychological Science, 17(3), 249-255. https://doi.org/10.1111/j.1467-9280.2006.01693.x
2. 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). Association for Computing Machinery. https://doi.org/10.1145/3534678.3539081
3. Karpicke, J. D., & Roediger, H. L. (2008). The critical importance of retrieval for learning. Science, 319(5865), 966-968. https://doi.org/10.1126/science.1152408
4. Expertium. (2025). Benchmark of spaced repetition algorithms. https://expertium.github.io/Benchmark.html