Menu Close

Les émotions de l’apprentissage du sport

Un grimpeur avec le dispositif d'enregistrement. Guillaume Hacques, Fourni par l'auteur

Cet article est publié dans le cadre de la Fête de la science, qui a lieu du 1er au 11 octobre 2021 en métropole et du 5 au 22 novembre 2021 en outre-mer et à l’international, et dont The Conversation France est partenaire. Cette nouvelle édition a pour thème : « Eureka ! L’émotion de la découverte ». Retrouvez tous les événements de votre région sur le site Fetedelascience.fr.


À 8 h 25 précises, le petit Sasha, tenant la main de son père, quitte la maison et marche le long de la route qu’il connaît très bien. C’est la même route qu’il a empruntée de nombreuses fois pour se rendre à la boulangerie, au marché avec ses parents et au magasin, même si le temps ou les piétons et les voitures qui passent ont changé à chaque fois. Aujourd’hui, cependant, ils passent devant la boulangerie pour traverser le portail et la porte d’un bâtiment que Sasha n’a jamais visité, qu’il ne connaît que par les histoires de ses parents.

Aujourd’hui, Sasha va à l’école pour la première fois. Dès qu’il passe la porte de l’école, tout est nouveau pour lui. Un instant ! La vue par la fenêtre est familière : Sasha voit la façade de la mairie, à côté de laquelle il aime faire du vélo. Ce que ses parents lui ont dit de l’école semblait séduisant, mais le grand bâtiment inconnu lui apparaît maintenant comme un lieu plein de recoins et de secrets. Comme c’est bien que son père lui tienne fermement la main. Sasha marche avec confiance dans un couloir long et étroit, voyant de part et d’autre des salles lumineuses entendre le rire des enfants. Au bout du passage, ils tournent à gauche et entrent dans l’une d’elles. L’aventure commence…

Le quotidien de Sasha, comme celui de tout un chacun, est parsemé de la confrontation d’informations que nous connaissons déjà, d’espaces que nous pourrions traverser les yeux fermés, mais aussi de personnes et de situations qui sont nouvelles et nous interpellent : de nouvelles circonstances, ou encore des modifications imprévues du familier, lorsque de nouveaux éléments apparaissent.

En nous déplaçant dans un environnement qui nous est familier, nous utilisons des modèles de comportement que nous connaissons et que nous avons développés auparavant. Dans les nouvelles circonstances, nous apprenons et construisons finalement de nouveaux modèles d’action. Une chose est sûre : les informations que nous possédons sur l’environnement et les comportements qui y sont appropriés, ainsi que les nouvelles données que nous recueillons en corrigeant ou en enrichissant des faits appris précédemment, sont abondantes.

Le simple fait de les enregistrer est un véritable casse-tête, les données occupent d’énormes ressources de mémoire, sans compter que le simple fait de les acquérir implique l’utilisation d’appareils spécialisés (par exemple, accéléromètre, magnétomètre, gyroscope, réseau de capteurs, caméras).

En outre, une question se pose : comment analyser les données comportementales de manière à généraliser certains schémas comportementaux, à apprendre comment nous nous débrouillons sur le plan moteur dans des conditions qui nous sont familières ou qui sont nouvelles pour nous ?

Pouvons-nous juger grossièrement quand nous utilisons les informations dont nous disposons pour améliorer nos capacités motrices, de perpétuer de vieux schémas, ou est-il nécessaire d’acquérir de nouvelles capacités ?

Comment apprendre mieux ? Comment doser les nouvelles informations et comment graduer la difficulté des tâches pour obtenir les meilleurs résultats ? La vie quotidienne est une situation trop complexe pour étudier l’apprentissage humain. Un « terrain d’essai » prometteur peut donc être une procédure sportive clairement définie et méthodique. Dans le sport, les règles sont simples et claires, il est donc facile de définir et de modifier les instructions. En outre, il est facile de comparer les résultats obtenus par différentes personnes. L’évaluation des effets sportifs ne laisse généralement pas non plus de place au doute. Concentrons-nous sur l’escalade.

Apprendre à grimper

Un grimpeur escalade de la même façon (dans la roche naturelle) ou d’une façon modifiée (par exemple sur un mur artificiel, où les prises d’escalade peuvent être déplacées) plusieurs fois pour atteindre le sommet. Nous pouvons enregistrer son ascension en suivant, entre autres, la position de son centre de gravité (hanches), de sa tête ou d’autres parties de son corps, en enregistrant le temps où il touche les prises d’escalade successives. Que pouvons-nous apprendre en observant les grimpeurs, sur l’acquisition de compétences en escalade ?

Chaque ascension est différente. Même sans se confronter à une voie inconnue, un grimpeur peut être plus ou moins fatigué, avoir plus ou moins de connaissances de la voie, être plus ou moins confiant dans ses compétences. Cette variabilité, qui dépend du temps, est appelée dynamique d’apprentissage et la façon dont le grimpeur s’améliore est exprimée par le taux d’apprentissage.

Ce sont ces quantités, dans leur immense complexité, que nous cherchons à étudier à l’aide d’algorithmes issus du vaste domaine de l’apprentissage automatique. L’immensité des données de mesure disponibles nous permet d’analyser statistiquement des cas spécifiques de participants à l’étude, et de construire les modèles de certaines activités motrices.

Dans la pratique, cependant, nous sommes souvent confrontés à des données manquantes, à des mesures incomplètes ou erronées. C’est là que l’apprentissage automatique vient au secours de la science du mouvement humain. Grâce aux méthodes statistiques, nous pouvons facilement et de manière fiable compléter les données manquantes ou attribuées par erreur. Dans l’étude du mouvement humain, en raison de sa nature séquentielle, il devient intéressant d’appliquer des algorithmes séquentiels, grâce auxquels nous pouvons, par exemple, combler les manques dans les mesures lorsque, sur une voie d’escalade, tous les contacts des prises n’ont pas été documentés.

Murs d’escalade, algorithmes et ordinateurs

L’une des applications des méthodes séquentielles, telles que le modèle de Markov caché, est la généralisation de jeu de données d’entraînement décrites manuellement avec un effort considérable, à l’ensemble des données d’escalade enregistrées qui ne sont pas décrites. Selon cette méthode, en utilisant la distribution de probabilité des déplacements suivants du corps ou des membres dans la séquence, nous pouvons, en entraînant l’algorithme sur un sous-ensemble de données, prédire comment pourrait se dérouler chaque nouvelle montée non décrite auparavant. Dans notre étude, grâce à un tel algorithme, nous avons pu compléter et étiqueter quelle main ou quel pied (gauche ou droit) a touché la poignée sur la voie d’escalade. Les analyses de ce type sont utiles aux experts de la science du mouvement humain pour classifier le style de mouvement et, par conséquent, pour évaluer comment un grimpeur fait face à l’utilisation d’un répertoire connu ou à la création d’un nouveau répertoire de positions sur un mur d’escalade.

L’objet de notre analyse au moyen d’algorithmes prédictifs est non seulement l’escalade elle-même, mais aussi les méthodes de son évaluation. Grâce à la possibilité d’évaluer, par régression linéaire, l’adéquation d’un test de progression donné avec la pratique d’apprentissage, nous pouvons déterminer s’il est utile de l’appliquer dans un cas particulier, et par conséquent s’il est opportun de modifier la pratique (la vitesse d’introduction des changements lors de l’entraînement à l’escalade) ou le test lui-même (la difficulté de la voie testant les compétences finales des grimpeurs). Nous pouvons ensuite corriger la forme de la pratique d’entraînement sur la base des données finales, afin d’obtenir le meilleur résultat possible à un test de compétences particulier.

En outre, toutes nos considérations prennent une importance encore plus grande dans le contexte de l’enrichissement récent de la compétition olympique (en 2021) par la discipline de l’escalade sportive. Car, bien sûr, outre l’étude des schémas généraux d’apprentissage moteur, l’objet de notre recherche est l’escalade elle-même et l’objectif spécifique d’améliorer sa pratique d’entraînement, qui devient une ligne directrice pour les grimpeurs et leurs entraîneurs.

Si le travail sur les signaux comportementaux est intéressant et gratifiant, il a aussi ses limites.

L’une des limites de notre recherche sur la dynamique d’apprentissage est la difficulté d’acquisition des mesures – elle nécessite un groupe nombreux de participants à l’étude qui se soumettent à un protocole d’entraînement fastidieux. Souvent, un échantillon trop petit entraîne malheureusement une fiabilité analytique réduite.

Une autre limite est le besoin de généralisation, de normalisation, de standardisation des données, nécessaire dans l’application de l’apprentissage statistique. Du point de vue des chercheurs en mouvement humain et des psychologues du sport, une telle généralisation comporte le danger d’éliminer les différences individuelles entre les participants. Pourtant, chacun apprend un peu différemment : chaque organisme a des capacités génétiques et des expériences antérieures différentes, ainsi qu’une différente vitesse et un style d’apprentissage.

Malgré la difficulté d’étudier un processus aussi complexe que l’apprentissage, en n’ayant accès qu’à des données externes mesurant le mouvement humain, nous espérons, que grâce à l’apprentissage statistique, nous serons en mesure d’adapter le style d’apprentissage aux besoins individuels des pratiquants, de déterminer quand, après des centaines d’exercices pratiques, une nouvelle compétence naît chez une personne, et peut-être même de capturer le moment fugace, le point de l’illumination, quand un grimpeur commence à savourer la connaissance et qu’une nouvelle voie difficile devient un défi joyeux ?

Les recherches décrites ici montrent que, pour des conditions simplifiées et contrôlées, nous pouvons déjà formuler les premières hypothèses, en utilisant les méthodes d’intelligence artificielle et d’analyse automatique les plus récentes. Il s’agit de la première étape d’un long parcours vers la compréhension du plus grand mystère de l’humanité : la connaissance de nous-mêmes.

Want to write?

Write an article and join a growing community of more than 150,900 academics and researchers from 4,455 institutions.

Register now