Qu'est-ce qui rend un rythme vraiment difficile ?

Sur un même rythme, Marie le joue correctement et Léo bloque. Comment mesurer rigoureusement la difficulté d'un motif rythmique ? Nous vous résumons dans cet article deux ans de recherche entre Solfy et le LORIA.

Rythme facile ou trop difficile… et après ?

Dans une salle de formation musicale, la professeure frappe un court motif rythmique dans ses mains et demande à ses élèves de le reproduire. Marie le tape immédiatement, presque sans y penser. Léo hésite, cherche la pulsation, finit par décaler les attaques. Un enseignant qui connaît ses élèves sait quoi faire : il simplifie, il isole, il revient à un motif que Léo maîtrise déjà.

Derrière ce geste, il y a une vraie question d'apprentissage : pourquoi un motif rythmique est-il facilement assimilé chez l'élève alors qu'un autre lui résiste ? Et surtout, qu'est-ce qui fait qu'un motif est objectivement plus difficile qu'un autre ?

En classe, l'enseignant répond par expérience et par la connaissance de ses élèves. Une application comme Solfy, qui accompagne des milliers d'élèves en même temps, ne peut pas s'appuyer sur ce rapport direct : elle doit mesurer ce que l'oreille d'un professeur entend — pour chaque motif, chaque élève, chaque séance. C'est ce chantier que des travaux en commun avec le LORIA, le laboratoire d'informatique de Nancy, ont permis à Solfy d'ouvrir.

Le piège du pourcentage de bonnes réponses

À première vue, le niveau d'un élève semble simple à chiffrer : on compte le pourcentage de réponses correctes. Mais ce chiffre mélange deux choses. Si Léo réussit 80 % de motifs très simples, son 80 % ne veut pas dire la même chose que celui de Marie, qui travaille sur des motifs nettement plus durs. Comparer leurs scores, c'est comparer deux thermomètres gradués différemment.

La psychométrie a une solution, utilisée depuis des décennies pour les tests scolaires : la théorie de la réponse à l'item (IRT). L'idée tient en une image : une seule règle, du plus simple au plus avancé, sur laquelle on place deux curseurs : le niveau de l'élève et la difficulté du motif. L'écart entre les deux donne la probabilité de réussir. Un algorithme ajuste simultanément les deux curseurs à partir des réponses observées, de sorte que l'ensemble des réussites et des échecs devienne cohérent.

C'est ce double curseur qui permet de comparer Marie et Léo même s'ils n'ont pas fait exactement les mêmes exercices.

Mesurer la difficulté avant que les élèves y touchent

Il y a une autre façon d'aborder la difficulté : regarder le motif rythmique lui-même, avant qu'il soit entendu. Deux musicologues, Godfried Toussaint et Jeff Pressing, ont proposé des formules qui calculent un score de complexité à partir de la seule partition.

La mesure de Toussaint part d'un constat intuitif : dans une mesure à quatre temps, toutes les cases ne se valent pas. Le premier temps est le plus « solide », les demi-temps un peu moins, les subdivisions entre les temps ne pèsent presque rien. Chaque emplacement reçoit un poids métrique. Pour obtenir le score d'un motif, on additionne les poids des cases où il y a une attaque.

Sur le motif ci-dessus, toutes les attaques tombent sur des poids forts (temps ou demi-temps) : le score est élevé, et le motif est effectivement abordable. Si l'on décalait une seule attaque d'une double croche (pour la faire tomber entre les temps, sur une case à poids 1), le score chuterait, et le motif deviendrait nettement plus dur à reproduire. La mesure de Pressing, elle, se concentre sur l'enchaînement perceptif d'une note à l'autre. Deux angles différents, une même ambition : prédire la difficulté d'un motif avant qu'un élève ne le tape.

Un travail mené en commun avec le LORIA

Ce chantier s'appuie sur des travaux en commun avec deux chercheurs en informatique. Côté informatique musicale, Florence Levé — professeure d'informatique au laboratoire MIS (Modélisation, Information et Systèmes) de l'Université de Picardie Jules Verne à Amiens, et membre de l'équipe Algomus (CRIStAL, Université de Lille). Côté intelligence artificielle appliquée à l'éducation, Geoffray Bonnin — maître de conférences à l'Université de Lorraine, au LORIA (Nancy), dans l'équipe MosAIk dédiée à l'IA interprétable, responsable et centrée sur l'humain : exactement les qualités qu'exige un modèle qui doit expliquer à un enseignant pourquoi un motif est jugé difficile.

Ce travail de recherche s'est construit en deux temps. Jonas Bertoli (2025) a ouvert la voie en étudiant le lien entre effort mental et complexité rythmique. Annalena Rusch (avril à juillet 2026) a ensuite appliqué l'IRT aux données réelles de Solfy et comparé ses résultats aux mesures de Toussaint et Pressing. Les deux stages ont été co-encadrés par Florence Levé, Geoffray Bonnin et Anicet Bart côté Solfy.

Ce travail a donné lieu à un poster présenté à la conférence ICCCM 2026 :

Assessing Rhythm Complexity Measures Using the Item Response Theory — Annalena Rusch, Jonas Bertoli, Florence Levé, Geoffray Bonnin, Anicet Bart. LORIA (Université de Lorraine, CNRS, Inria) & Solfy, 2026.

Ce qu'on a appris

Trois résultats ressortent.

(a) La théorie fonctionne — en partie. Les mesures de Toussaint et Pressing présentent une corrélation significative mais modérée avec la difficulté estimée par l'IRT. Ce que la théorie musicale dit d'un motif « sur le papier » rejoint, en partie, ce que vivent les élèves.

(b) Reproduire n'est pas reconnaître. La corrélation entre complexité théorique et difficulté ressentie est presque deux fois plus forte quand il faut taper le motif plutôt que le reconnaître dans un QCM. La complexité « sur le papier » semble prédire mieux ce qui est dur à exécuter qu'à identifier — un résultat cohérent avec la nature plus exigeante cognitivement de la reproduction.

(c) L'effort cognitif : encore trop tôt pour conclure. Les chercheurs ont testé une variante de l'IRT qui intègre l'effort rapporté par l'élève, pour voir si en tenir compte améliorerait l'estimation de la difficulté. Résultat : on observe une petite amélioration — la difficulté estimée par le modèle se rapproche un peu plus de la difficulté réellement perçue (r = 0,255, contre 0,214 sans effort) — mais ce gain n'est pas significatif à ce stade. Le lien direct entre niveau de l'élève et effort fourni, lui, reste trop faible pour trancher. C'est une piste ouverte : d'autres jeux de données, notamment PACEM, pourraient le dire mieux.

À quoi ça sert dans Solfy

Pour l'élève, un parcours plus adapté : proposer le bon motif au bon moment, ni trop facile — on s'ennuie — ni trop dur — on décroche.

Pour l'enseignant, une vraie photographie de la difficulté. Un motif réussi à 90 % n'est pas forcément « facile » : peut-être que seuls les meilleurs l'ont tenté. L'IRT démêle ce que le simple pourcentage mélange.

Pour l'application elle-même, une mémoire qui s'affine. Chaque réponse d'un élève met à jour, un petit peu, l'estimation de son niveau et celle de la difficulté du motif. Plus Solfy est utilisé, plus ces deux curseurs deviennent précis — pour tous.

Et après ?

Les données PACEM, qui contiennent des mesures d'effort, pourraient révéler le rôle de la charge cognitive. Les variantes non binaires de l'IRT — qui distinguent plusieurs degrés de réussite plutôt qu'un juste/faux — restent à explorer. Le travail présenté à ICCCM 2026 est, pour Solfy, le début d'un chantier, pas une conclusion.

Remerciements

Un merci tout particulier à Annalena Rusch, dont les quatre mois de stage ont permis à Solfy de passer d'une intuition — « il doit bien y avoir une façon rigoureuse de mesurer la difficulté d'un motif rythmique » — à des résultats publiables. Ses analyses, son soin de la méthode et sa capacité à vulgariser ses choix auprès de l'équipe ont fait toute la différence.

Merci également à Jonas Bertoli, dont le stage précédent a ouvert la voie à ce travail ; à Florence Levé (MIS Amiens, Algomus / CRIStAL) et Geoffray Bonnin (LORIA, équipe MosAIk) pour la direction scientifique ; et à toute l'équipe MosAIk pour son accueil tout au long du projet.