Nasvytis et Fan : l'insight et le « transfert » se manifestent dans la manière de parler — lu par Fukai

Résumé en un paragraphe

Il arrive que l'on éprouve un « insight » (le moment où la manière de voir le problème bascule et où la réponse surgit), lorsqu'un problème dans lequel on était bloqué se dénoue soudainement. Cet article a examiné, à l'aide d'une expérience où l'on demandait aux participants de penser à voix haute, cet insight ainsi que la façon dont l'astuce qui en résulte se transmet au problème similaire suivant (le transfert, transfer : le fait qu'une méthode de résolution acquise sur une tâche s'avère aussi efficace sur une autre tâche).

Cent quatre-vingt-neuf participants ont résolu cinq énigmes d'équations d'allumettes à la suite, et les paroles prononcées pendant cet exercice ont été automatiquement transcrites puis analysées. Le groupe pour qui le même type de problème se répétait est devenu de plus en plus rapide et précis après sa première réussite, et la fréquence à laquelle il verbalisait le type du problème — « c'est le même type que tout à l'heure » — a augmenté.

Autrement dit, lorsque le transfert se produit, la personne devient capable de mettre en mots l'astuce qu'elle a découverte — c'est l'observation centrale de cet article. J'y ai lu une recherche qui étaye expérimentalement la règle empirique de conception de niveaux voulant que « répéter le même mécanisme fait acquérir la maîtrise ».

Introduction

Les auteurs sont Linas Nasvytis et Judith E. Fan, tous deux rattachés à l'université Stanford aux États-Unis (département de psychologie, école supérieure d'éducation, département d'informatique). Ce texte est un preprint publié sur arXiv en mai 2026 (arXiv:2605.12970 ; un manuscrit soumis avant relecture par les pairs, dont la forme se rapproche d'un article court de conférence en sciences cognitives), et il n'est pas encore confirmé qu'il ait passé la peer-review. Cependant, le fait que l'expérience ait été préenregistrée (preregistration : une procédure qui publie les hypothèses et la méthode d'analyse avant l'expérience pour empêcher les analyses a posteriori), et que les données et le code soient également publics, est appréciable.

Si j'ai choisi ce texte aujourd'hui, c'est parce que le thème est le puzzle lui-même. La tâche traitée est le « puzzle d'équation d'allumettes », un problème d'insight classique, et le sujet parle directement à quiconque conçoit des puzzles. De plus, le résultat selon lequel « répéter le même type accélère la maîtrise » a un lien direct avec l'ordonnancement de la conception de niveaux. Comme les articles sur l'IA se sont enchaînés récemment, je souhaite aujourd'hui aborder une recherche qui observe la cognition humaine elle-même.

Contexte

L'insight est depuis longtemps décrit comme un saut discontinu accompagné d'une soudaine « expérience aha ». Dans une explication influente des sciences cognitives, l'insight consiste en un basculement du terrain de recherche, depuis une première façon de saisir le problème (représentation du problème, problem representation) vers une autre façon de le saisir (Kaplan & Simon, 1990). Ce basculement se produit par exemple grâce à des opérations comme le relâchement de présupposés implicites, ou la décomposition de regroupements familiers (Knoblich et al., 1999).

Le problème est que ce basculement se produit dans l'esprit et n'est pas directement visible de l'extérieur. Jusqu'ici, pour saisir ce processus, on utilisait la méthode de verbalisation de la pensée (think-aloud protocol : une méthode qui consiste à faire dire à voix haute, telles quelles, les pensées qui viennent à l'esprit pendant le travail), mais la transcription et la classification des enregistrements demandaient beaucoup de travail, ce qui rendait la méthode difficile à appliquer à grande échelle.

C'est là qu'interviennent les progrès récents de la reconnaissance vocale automatique et du traitement du langage naturel (NLP : l'ensemble des technologies qui permettent aux ordinateurs de traiter le texte). Il est désormais possible d'analyser à grande échelle non seulement la durée et la quantité de parole, mais aussi son contenu et le rôle que joue chaque énoncé dans le raisonnement. Cet article tente d'observer l'insight et le transfert à l'aide de cet arsenal d'outils.

Approche / méthode

La tâche est le puzzle d'équation d'allumettes. Une « fausse équation » composée de chiffres romains est dessinée avec des allumettes, et il s'agit de n'en déplacer qu'une seule pour obtenir une équation correcte. Les auteurs ont créé de nouveaux problèmes répartis en cinq types de transformation, soit 25 problèmes au total. Les participants, au nombre de 202, ont été recrutés via une plateforme de crowdsourcing (Prolific) ; après application de critères d'exclusion préenregistrés (échec de l'entraînement, enregistrement défectueux, données manquantes, etc.), 189 ont finalement été analysés.

Le point clé est la répartition en groupes. Le « groupe identique (Same) » a les cinq problèmes du même type de transformation ; le même type se répète. Le « groupe différent (Different) » change de type de transformation à chaque fois ; le type ne se répète pas. Cela permet de séparer deux étapes : le moment de la première réussite (que les auteurs traitent comme un indicateur du « signe qu'une reconceptualisation du problème s'est produite »), et le fait de pouvoir ou non réutiliser ensuite l'astuce. Chaque problème avait une limite de temps de 4 minutes, et les participants devaient parler à voix haute pendant toute la résolution, ce qui était enregistré.

L'analyse comporte plusieurs couches. D'abord, un détecteur de silence et de parole appelé Silero mesure « combien on a parlé » (la densité de parole). Ensuite, une transcription est faite avec WhisperX, et pour chaque segment de parole, le sens est numérisé à l'aide d'un modèle d'embedding d'OpenAI (text-embedding-3-large : un modèle qui convertit le sens d'une phrase en une suite de nombres), puis on teste par classification si l'on peut deviner la justesse ou l'étape. En outre, GPT-5.1 attribue à chaque énoncé l'une des sept étiquettes « proposition, évaluation, classification, reformulation, émotion, mot de liaison, autre », afin de suivre quel geste de pensée était posé. C'est une conception qui n'utilise pas l'équation elle-même, mais qui se sert des changements dans la manière de parler comme indice.

Résultats

On a d'abord confirmé un éventail de difficultés. Le taux de réussite global est de 47,5 % (449 réussites sur 945 essais). Par type, « value-loose-chunk » était le plus facile à 80,7 %, et « tautological » le plus difficile à 19,2 %. Les auteurs indiquent que c'est une distribution de difficulté juste adaptée pour observer l'apprentissage et le transfert.

Voici le résultat central. Dans le groupe Same, où le même type se répète, le taux de réussite est passé de 0,32 à l'essai 1 à 0,75 à l'essai 5. Le groupe Different, lui, est resté entre 0,32 et 0,39 (interaction essai × groupe, β = -0,524, p < .001). En ne considérant que les personnes ayant atteint leur première réussite avant l'essai 4, et en regardant leur performance après cette première réussite, le groupe Same a réussi 83,7 % des problèmes suivants contre 44,0 % pour le groupe Different, et le temps nécessaire était de 89,9 secondes pour le groupe Same contre 179,0 secondes pour le groupe Different. La répétition du même type fait considérablement grimper la performance.

La manière de parler a également changé. Dans les essais réussis, la densité de parole était plus élevée (différence = 0,067, p < .0001), et au moment de la première réussite, la quantité de parole a augmenté dans les deux groupes. Mais seul le groupe Same a continué de voir sa quantité de parole augmenter après la première réussite (changement post-succès = 0,074, p < .0001 ; pour le groupe Different, 0,007, non significatif). Dans la classification du contenu sémantique aussi, on pouvait deviner si la réponse était correcte ou non à partir du contenu parlé avec une précision de 71,7 %, mais on ne pouvait pas distinguer si l'on résolvait le même problème dans le groupe Same ou Different (précision de 49,2 %, équivalente au hasard).

Le signe le plus caractéristique du transfert est l'énoncé de « classification ». Dans le groupe Same, après la première réussite, la proportion de personnes verbalisant le type du problème — « c'est le même type que tout à l'heure » — est passée de 0,3 % à 2,1 %, soit une multiplication par environ sept (différence = +1,8 point). Dans le groupe Different, elle est restée à près de zéro. En même temps, le nombre de coups candidats examinés a diminué dans les deux groupes au moment de la première réussite (un signe que la reconceptualisation a resserré la recherche), mais seul le groupe Same a continué de le voir diminuer par la suite.

Applications

Premièrement, l'ordonnancement des niveaux. Si l'on conçoit un Sokoban-like ou un puzzle-action qui enseigne ses mécaniques, disposer à la suite des niveaux qui utilisent la même « astuce de résolution » soutient une conception où le joueur consolide cette astuce avant de passer à la suivante. « Un nouveau mécanisme à la fois, à répéter un moment avant de passer au suivant » — on peut lire que cette vieille règle empirique reçoit ici une confirmation expérimentale du transfert.

Deuxièmement, l'estimation de la difficulté. Cet article attribue un ordre de difficulté aux types de transformation de l'équation d'allumettes (value-loose-chunk étant facile, tautological étant difficile). Si l'on conçoit un puzzle d'équation ou un puzzle en un coup du genre « lever un présupposé », on peut utiliser cet ordre comme base de la courbe de difficulté.

Troisièmement, l'astuce consistant à donner un « nom » aux mécaniques. Puisque le signe du transfert était « verbaliser le type du problème », un dispositif qui fait donner au joueur une étiquette à l'astuce qu'il a découverte, ou qui l'incite à une brève réflexion du type « quel genre d'énigme était-ce ? », pourrait favoriser le transfert. C'est une direction qui transforme discrètement en jeu la métacognition (le fait de réfléchir soi-même sur sa propre façon de penser).

Quatrièmement, le potentiel comme moyen de mesure lors des tests de jeu. L'arsenal composé de la détection silence/parole, de la transcription et de la numérisation du sens peut être détourné pour une recherche UX qui capte à grande échelle, à partir de la voix enregistrée pendant le playtest, « quand l'aha s'est produit » et « si un transfert a lieu ». Les signes d'une augmentation de la parole et d'un resserrement des coups candidats peuvent servir d'indice que le joueur se rapproche de la solution. Cinquièmement, le moment de donner un indice. La découverte selon laquelle les coups candidats se resserrent juste avant la première réussite peut, à l'inverse, s'appliquer à une conception qui détecte comme « blocage » un joueur qui, ayant trop élargi ses candidats, reste immobile, afin d'ajuster le moment de proposer un indice.

Limites

Les limites que reconnaissent les auteurs eux-mêmes sont franches. Ils utilisent la première réussite comme indicateur du « signe qu'une reconceptualisation s'est produite », mais ils ne mesurent pas directement l'expérience aha subjective à chaque essai. La méthode de verbalisation de la pensée ne reflète qu'une partie de ce qui se passe dans l'esprit, et la transcription et l'étiquetage automatiques comportent du bruit. De plus, l'équation d'allumettes est une tâche d'insight unique et fortement contrainte ; d'autres domaines pourraient révéler d'autres signes de verbalisation. Les auteurs évoquent comme pistes futures : combiner avec des évaluations de l'aha, examiner si les caractéristiques précoces de la verbalisation prédisent le transfert ultérieur, ou vérifier de façon causale si encourager l'abstraction augmente réellement la réutilisation.

Ce que Fukai ajoute ici, c'est d'abord le fait qu'il s'agit d'une comparaison entre sujets (between-subjects : une conception qui répartit les personnes en deux groupes pour les comparer). On n'a pas suivi le transfert chez une même personne, donc des différences individuelles peuvent se mêler aux résultats. Ensuite, l'énoncé de « classification » paraît spectaculaire avec sa multiplication par sept, mais en valeur absolue, 2,1 % reste faible — c'est un effet réel, mais la fréquence elle-même est basse.

De plus, la parole augmente « en parallèle » du succès, et cet article ne montre pas que le fait de mettre en mots « provoque » l'insight ou le transfert. C'est une observation de corrélation, pas de causalité. En outre, le fait d'utiliser GPT-5.1 pour étiqueter les gestes de pensée demande de rester attentif à une circularité — mesurer le raisonnement humain par le jugement d'une machine (les auteurs indiquent avoir vérifié une partie visuellement). Enfin, malgré la préenregistrement, il s'agit d'une étude unique, un preprint non encore relu par les pairs. Je pense qu'il est juste de le lire non pas en généralisant « les gens sont ainsi », mais avec la réserve « dans cette tâche, dans ces conditions, on a observé ceci ».

La lecture de Fukai

À partir d'ici, c'est mon interprétation. Je souhaite situer cette recherche comme une tentative reliant, par la fenêtre d'observation qu'est la parole, la vision classique des sciences cognitives selon laquelle « l'insight = une reconceptualisation du problème » (Kaplan & Simon), et le savoir-faire artisanal accumulé par le game design voulant qu'« on enseigne les mécaniques une par une ». En vocabulaire de critique de conception, c'est une recherche qui a traduit « la maîtrise par la répétition d'un même mécanisme » en un signal mesurable de l'extérieur : la parole. En particulier, je lis que l'observation selon laquelle « pouvoir mettre l'astuce en mots » est le signe du transfert donne un fondement discret mais solide à la décision de conception qui consiste à faire nommer par le joueur le type de l'énigme — via le ton du tutoriel ou des indices.

Conclusion

Pour qui veut aller plus loin. Comme texte classique qui saisit l'insight comme « relâchement de contraintes et décomposition de regroupements », on peut lire Knoblich et al. (1999) ; et comme méthodologie pour faire tourner la verbalisation de la pensée à grande échelle, Wurgaft et al. (2025), « Scaling up the think-aloud method », que cet article cite également. En les lisant ensemble, la carte de ce domaine se dessine. Pour saisir l'arrière-plan neuroscientifique de l'insight, la revue de Kounios & Beeman (2014) sert de guide.

Pour ma part, sur ce document imprimé, j'ai souligné en rouge le paragraphe sur la « multiplication par sept des énoncés de classification ». Le moment où un joueur murmure « ah, c'est le même truc que tout à l'heure » — c'est peut-être précisément le signal que notre puzzle a vraiment été transmis. J'ai pris une gorgée de café bien serré en pensant à cela.

Références

Articles et documents connexes cités dans cet article :

- Leveraging Speech to Identify Signatures of Insight and Transfer in Problem Solving (Linas Nasvytis & Judith E. Fan, 2026, arXiv preprint arXiv:2605.12970)

- Recherche connexe : Scaling up the think-aloud method (Wurgaft et al., 2025, arXiv preprint)

- Recherche connexe : Constraint relaxation and chunk decomposition in insight problem solving (Knoblich, Ohlsson, Haider & Rhenius, 1999, Journal of Experimental Psychology: LMC)

- Recherche connexe : The cognitive neuroscience of insight (Kounios & Beeman, 2014, Annual Review of Psychology)