Pourquoi noter mot par mot améliore la répétition espacée

En bref

La notation mot par mot est essentielle en répétition espacée, parce que les algorithmes de SRS planifient des éléments, pas des phrases entières. Si vous marquez toute une phrase fausse alors qu’un seul mot a bloqué, tous les autres concepts de la phrase sont pénalisés à tort. Si vous validez la phrase alors qu’une forme grammaticale était erronée, le point faible passe entre les mailles du filet. Dans les deux cas, l’ordonnancement s’éloigne de ce que vous savez vraiment.

Chez LinGoat, cette idée s’appelle attribution granulaire. Chaque concept de vocabulaire et de grammaire est évalué séparément, puis ces résultats alimentent le planificateur. C’est ce qui permet à la pratique sur phrase de rester compatible avec un timing de type FSRS, au lieu de le perturber. Pour voir le cadre plus large, consultez la pédagogie complète de LinGoat et le fonctionnement de la répétition espacée.

Ce que signifie vraiment la correction mot par mot

Dans un exercice de traduction, vous produisez une phrase complète dans la langue cible. La notation mot par mot ne s’arrête pas à un simple « juste » ou « faux » pour l’ensemble. Elle attribue la réussite ou l’échec à chaque concept suivi à l’intérieur de la phrase, par exemple un verbe, une préposition, un nom, un marqueur de temps, et ainsi de suite.

L’attribution granulaire est le nom que LinGoat donne à cette étape. Pour l’apprenant, l’intérêt est simple : savoir quelle partie a échoué, et laisser l’application reprogrammer cette partie. Une correction immédiate et localisée aide aussi à ajuster l’hypothèse que vous venez de tester, au lieu de vous laisser avec une impression vague du type « la phrase était fausse ».

Pourquoi le tout ou rien casse le SRS

La répétition espacée part du principe que chaque révision fournit un signal propre sur une mémoire donnée. Les planificateurs modernes, comme FSRS, modélisent la récupérabilité, la stabilité et la difficulté élément par élément, puis mettent à jour ces variables à partir de votre note sur cet élément.¹ Une phrase qui regroupe cinq concepts à réviser est très efficace pour s’entraîner, mais seulement si le système peut répartir le résultat en cinq signaux distincts.

La validation globale réduit ces cinq signaux à un seul bit :

• Faux échecs : vous ratez une terminaison, et quatre mots solides sont traités comme oubliés. Les intervalles raccourcissent pour du contenu que vous savez déjà bien récupérer. La charge de révision augmente pour de mauvaises raisons.
• Faux succès : vous maîtrisez presque toute la phrase, mais le seul concept fragile est emporté avec le reste comme s’il était « acquis ». Le planificateur allonge l’intervalle de cet élément. Vous le reverrez trop tard.
• Moyennes inutilisables : même une note intermédiaire, par exemple « Difficile » pour toute la phrase, ne dit pas à FSRS quel concept était difficile. Les mises à jour de difficulté et de stabilité se mélangent entre souvenirs sans lien.

Ce n’est pas un simple détail d’interface. C’est un problème d’intégrité des données. Une application adaptative qui prétend suivre la maîtrise doit enregistrer des résultats au niveau de l’élément, pas au niveau du bloc entier. Un pouce levé ou baissé appliqué à toute la phrase ne peut pas remplacer cela. Voir aussi ce que les applications de langue adaptatives devraient suivre.

Ce dont FSRS a besoin à chaque révision

FSRS, comme les autres modèles de répétition espacée, dépend entièrement de la qualité du journal de révision qu’il reçoit. Ye, Su et Cao (2022) présentent l’ordonnancement comme un problème d’optimisation du moment où redemander un élément, afin que la probabilité de rappel reste proche d’un objectif de rétention.¹ Cette optimisation suppose que chaque note enregistrée corresponde à une unité de mémoire précise.

Les benchmarks qui comparent FSRS à des heuristiques plus anciennes, de type SM-2, évaluent eux aussi l’erreur de prédiction à partir d’historiques de révision carte par carte, pas à partir de scores de paragraphes non étiquetés.² Si vos « cartes » sont en réalité des phrases à plusieurs concepts et que vous ne stockez qu’un succès ou un échec pour l’ensemble, vous demandez à un modèle par élément d’apprendre à partir d’étiquettes corrompues.

La recherche sur la pratique de récupération va dans le même sens du côté apprentissage : l’événement qui renforce la mémoire est une tentative de rappel sur l’information qui compte, pas un jugement global sur un paragraphe.³ La production de phrases reste un excellent format d’exercice. C’est la couche de correction qui doit identifier quels concepts ont été correctement récupérés.

Une analogie utile avec les reformulations

Dans l’acquisition de la langue première, les adultes reformulent souvent l’erreur d’un enfant avec une correction ciblée, appelée recast : l’enfant dit « I eated », et l’adulte répond « you ate ». Les travaux sur ces reformulations les considèrent comme une forme de preuve négative, utile pour réviser une hypothèse structurelle.⁴

Les apprenants adultes n’ont évidemment pas droit à des milliers de recasts par jour à l’oral. La correction mot par mot en production écrite n’est pas identique à la parole d’un parent, mais elle joue un rôle proche : elle localise l’échec pour que vous mettiez à jour la bonne règle au lieu de jeter tout l’essai. LinGoat utilise ce signal à la fois pour le feedback et pour la planification. C’est un entraînement sur phrase avec SRS, pas une promesse de remplacer les partenaires de conversation.

Pourquoi cela change tout pour la traduction et les phrases multi-concepts

L’attribution granulaire explique pourquoi les exercices de traduction de la langue source vers la langue cible peuvent réellement alimenter un planificateur. La traduction vous oblige à tenter les concepts à réviser au lieu de les contourner. La correction mot par mot transforme cette tentative forcée en résultats propres, concept par concept.

La même logique rend possibles les révisions de phrases multi-concepts : regrouper plusieurs éléments dus dans une phrase naturelle fait gagner du temps seulement si chaque élément peut réussir ou échouer indépendamment. Sans cette séparation, une efficacité apparente devient surtout une contamination des données.

LinGoat génère des phrases inédites autour de vos concepts dus, évalue chaque concept séparément et planifie avec FSRS. C’est le cœur de la boucle, espacement, production et attribution granulaire réunis. Découvrez comment fonctionne LinGoat ou commencez à pratiquer.

Références

1. 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
2. Expertium. (2025). Benchmark of spaced repetition algorithms. https://expertium.github.io/Benchmark.html
3. 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
4. Chouinard, M. M., & Clark, E. V. (2003). Adult reformulations of child errors as negative evidence. Journal of Child Language, 30(3), 637-669. https://doi.org/10.1017/S0305000903005701