« … la domanda se la musica sia o non-sia un linguaggio è una domanda mal posta alla quale non ha senso dare una risposta affermativa o negativa ; mentre potremmo trovare interessante considerare la musica alla luce della molteplicità di aspetti presenti nell’analogia in essa suggerita. »
Giovanni Piana, Filosofia della Musica, Milano, Edizioni Angelo Guerini & Associati, 1991.

Selon Darwin, les êtres vivants interagissent avec leur écosystème pour créer un environnement qui permet leur propre réplication ou (dans le langage post-darwinien) la réplication de leur génotype (en opposition à leur phénotype). D’un autre côté, les êtres humains interagissent de manière si complexe que leur environnement, plus que celui des autres animaux, transcende leurs impératifs génétiques au profit des impératifs liés à celui-ci (Denett, 2017). La musique, comme le langage, peut être exactement positionnée entre ces deux impératifs, dans la mesure où elle est constituée d’une composante biologique partagée par tous les êtres humains à travers le monde, ainsi que d’une composante culturelle différenciant les communautés humaines réparties sur la Terre. Les deux composantes sont généralement appelées « musicalité » et « musique » :

La musicalité peut être définie dans toute sa complexité par un ensemble de caractères naturels et au développement spontané, fondé sur notre système cognitif et biologique et contraint par celui-ci. La musique dans toute sa diversité peut être définie comme une construction sociale et culturelle fondée sur cette même musicalité. (Honing et al., 2015, p. 2, cf. aussi Huron, 2001)

Les sciences de la vie et les sciences sociales se concentrent souvent sur la nature sociale de la musique (et du langage). En biologie, par exemple, les trois principales hypothèses d’évolution concernant la musique, à savoir la sélection sexuelle (Miller, 2000 ; Fitch, 2006), le lien parent-enfant (Dissanayake, 2008 ; Malloch & Trevarthen, 2009) et la cohésion de groupe (Freeman, 2000 ; Dunbar, 2012), mettent en lumière son caractère intrinsèquement social. La neurobiologie met ainsi l’accent sur les fondements neuronaux et hormonaux liés à la musicalité (Chanda & Levitin, 2013 ; Salimpoor et al., 2015 ; Mehr et al., 2019). Conformément à ces approches, l’objectif de cet article est de démontrer que la manière adéquate de saisir la nature sociale interactive de la musique (et, avant cela, de la musicalité) consiste à la concevoir comme un langage incarné, enraciné dans des structures cérébrales s’adaptant au contexte culturel. Nous pouvons proposer ici une définition de travail de la musique considérée comme un langage incarné : un moyen de coordination, s’appuyant sur le sens d’action concertée, induit par les actions motrices suggérées par les sons. Cette proposition répond à celle de Ian Cross d’étudier la musique comme un « processus de communication interactif » plutôt que comme « une manifestation de formes sonores » (Cross, 2014), en insistant sur ses aspects incarnés et prédictifs (de codage) (Vuust & Witek, 2014 ; Lesaffre et al., 2017). Une approche similaire a récemment été proposée par van der Schyff et Schiavio lorsqu’ils écrivent que leur « approche bioculturelle considère la cognition (musicale) comme une propriété émergeant d’une activité incarnée et située dans un environnement socio‑matériel en évolution » (2017, p. 7). Nous nous accordons sur une telle proposition, qui soutient fondamentalement que les niveaux corporels, neuronaux et environnementaux participent, depuis les premières sociétés, à la mise en place de comportements musicaux. Notre propos n’est pas d’envisager le traitement de la musique comme étant identique à celui du langage, même si les racines des deux processus pourraient être les mêmes (Mithen, 2005). Cependant, pour éviter les malentendus, nous insistons sur la façon métaphorique d’utiliser le mot « langage » dans notre proposition4. La musique, en particulier, n’est pas dotée d’une capacité référentielle claire qui lui permettrait de référer au monde comme peut le faire le langage (la musique a une « intentionnalité flottante », comme le dit Cross, 2014). Néanmoins, en tant que langage, la musique est dotée d’un aspect syntaxique, sémantique et pragmatique. Nous nous concentrons sur ce dernier aspect et maintenons que la métaphore de la musique, en tant que langage incarné, pourrait non seulement mieux identifier la musique comme un phénomène social unique, mais aussi encourager une étude plus approfondie du terrain commun qu’elle partage avec la compétence linguistique elle-même.

Pour résumer, cet article a pour objectif de : (i) proposer un cadre considérant la musique sous l’aspect du langage incarné en s’appuyant sur une revue de littérature qui définit les principaux concepts de l’action musicale conjointe, en mettant particulièrement l’accent sur la cognition musicale incarnée et le traitement prédictif, ainsi que sur certains fonctionnements neuronaux correspondants ; (ii) passer en revue trois expériences réalisées dans nos laboratoires (et récemment publiées), dont les résultats à la fois appuient l’hypothèse du nouveau cadre conceptuel proposé dans (i) et peuvent être interprétés en fonction de celui-ci. Dans la première partie, nous préparons le terrain pour notre cadre, en définissant différents concepts issus à la fois des sciences cognitives musicales et des neurosciences. Notre cadre s’appuie sur la littérature consacrée à l’action conjointe et peut être vu comme le développement des approches traitant de la musique incarnée et du codage prédictif de la musique dans un tel cadre. Depuis que nous nous intéressons tout particulièrement aux fondements neuronaux de la pratique de la musique d’ensemble, nous faisons un état des lieux des études pertinentes les plus récentes, sans pour autant les développer davantage. Notre objectif principal est de présenter un cadre pour la musique comme langage incarné, qui soit biologiquement plausible et qui rassemble les multiples résultats obtenus jusqu’à présent dans le champ d’étude du « musiquer » ensemble (Small, 1998). Certains de ces résultats proviennent directement de nos laboratoires et sont donc exposés dans la seconde partie de cet article. En se concentrant sur le temps, l’espace et la qualité des interactions musicales au sein de duos de musiciens et de sujets non-musiciens, l’objectif des trois expériences présentées ici est de corroborer la conception de la musique en tant que langage incarné fondé sur le concept central d’action concertée.

Première partie : la musique comme langage incarné : un cadre conceptuel

Action conjointe

L’action conjointe a été largement étudiée dans le domaine des sciences cognitives depuis plus d’une décennie. Une définition, proposée par Sebanz et al. (2006, p. 70), stipule que l’action conjointe correspond à « toute forme d’interaction sociale qui amène au moins deux individus à coordonner leurs actes dans le temps et l’espace pour engendrer un changement dans l’environnement ». Alors que soulever un objet à plusieurs est un cas d’action conjointe largement étudié (Marsh et al., 2019), le changement d’environnement mentionné dans la définition ci-dessus peut être dans le même temps plus subtil et plus profond comme quand, par exemple, deux personnes échangent leurs regards dans le but de saisir leurs intentions mutuelles (Becchio et al., 2018). En fait, le besoin de comprendre le phénomène de l’interaction sociale a été récemment réinvesti par un certain nombre de neuroscientifiques, soulignant que le « mode social » est sans doute le mode par défaut du cerveau de l’homo sapiens, sans oublier les autres espèces sociales et les mammifères en général (Caccioppo et al., 2010 ; Schilbach et al., 2013 ; Hari et al., 2015). De ce fait, il est capital pour les études portant sur le cerveau de développer des méthodologies appropriées pour prendre en compte non seulement l’observation de l’action (à l’image des paradigmes classiques des neurones miroirs), mais également les contextes dans lesquels deux sujets ou plus modulent mutuellement leurs comportements sur le moment, que ce soit pour la compétition ou la coopération. Il est bien connu que le système des neurones miroirs est un réseau neuronal qui est impliqué de la même manière, non seulement pendant le mouvement de production de l’action, mais aussi durant son observation, ce qui suggère son implication dans la compréhension de l’action (Rizzolatti & Sinigaglia, 2010) et l’imitation (Iacoboni et al., 1999). Pour franchir les limites d’un paradigme « spectatoriel » (Reddy & Uithol, 2015), une première découverte révélatrice est venue de Newman-Norlund et al. (2007) : l’activation du système BOLD5 est plus importante dans les aires fronto-pariétales (qui doivent correspondre au système humain des neurones miroirs) lors des phases de planification d’action complémentaire que lors des phases de planification d’action seulement simulée (et ce, avec une intensité ou une précision exigée pour la préhension d’un objet). Ces auteurs ont découvert que le même réseau neuronal responsable de la compréhension passive des actions observées est actif (en fait, il est plus actif) pour (la préparation de) l’interaction possible. Les échanges mère-enfant représentent l’essence même de l’interaction sociale. En effet, cette condition met en évidence le fait que l’observation est toujours intégrée dans les processus dynamiques d’adaptation, de réaction, d’incitation, etc., bien avant toute prise de conscience du contexte du côté du nourrisson, selon ce que De Jaegher et Di Paolo (2007) appellent le « faire-sens participatif » (« participatory sense-making ») (cf. ci-dessous). L’hyperscanning6, c’est-à-dire la production simultanée de données cérébrales de deux sujets ou plus, offre une possibilité intéressante d’explorer l’interaction sociale, dans la mesure où il prend en compte plus d’un individu en même temps, bien que les résultats impliquent des interprétations qui sont loin d’être simples (Konvalinka & Roepstorff, 2012 ; Babiloni & Astolfi, 2014 ; Hari et al., 2015).

Cognition incarnée : sa composante « étendue »

Une idée centrale qui guide cette recherche est la cognition incarnée, un paradigme théorique à multiples facettes qui questionne depuis trois décennies les principes de base des sciences cognitives, en particulier la nature computationnelle de la représentation de l’esprit humain (Varela et al., 1991 ; Clark, 1997 ; Thompson & Varela, 2001 ; Noë, 2004 ; Chemero, 2009 ; Gallagher, 2017). La cognition incarnée met l’accent sur le fait que le corps, l’environnement et les composantes sociales sont inextricablement liés, ce qui est appelé « 4E » (Newen et al., 2018), c’est-à-dire les composantes incarnées (« embodied »), situées (« embedded »), énactives (« enactive ») et étendues (« extended ») de l’esprit et de la cognition. Cet article ne peut avoir pour ambition de développer chacun de ces aspects7, mais certains d’entre eux nécessitent une explication dans la perspective d’un essai théorique visant à combiner deux cadres de la recherche musicale apparemment opposés, qui sont l’interaction musicale incarnée (Leman, 2007, 2016) et le codage prédictif (Vuust & Witek, 2014 ; Koelsch et al., 2019), pour les faire ainsi converger vers le concept de langage incarné.

Introduire le corps dans le cadre implique que l’esprit et la cognition ne sont plus considérés comme étant à l’origine de représentations du monde extérieur par le biais de computations neuronales, mais plutôt comme des processus guidant l’action dans/sur le monde, y compris pour des parties du monde qui sont particulièrement importantes pour les humains (et les animaux en général) : les conspécifiques. Cela met en évidence deux des 4E sur lesquels notre attention doit se porter de manière plus précise : la nature incarnée et, plus particulièrement, la nature étendue de l’esprit. Pour la première, nous pouvons nous concentrer sur ce que Hurley (1998) appelle « le modèle du sandwich » (« the sandwich view »), selon lequel le « microprocesseur » de l’esprit se situe entre la perception et l’action, c’est-à-dire dans ces processus computationnels se produisant après les stimuli sensoriels, mais avant les réponses motrices. Les approches incarnées ont contesté ce point de vue, soulignant que ce qu’un organisme perçoit dépend de la façon dont il bouge et que, vice versa, la manière dont un organisme bouge dépend de ce qu’il perçoit (comme Merleau-Ponty et Gibson l’avaient déjà dit). De telles boucles sensorimotrices dépendent non seulement des processus cérébraux, mais aussi de la morphologie et du fonctionnement du corps, dans la mesure où des corps différents peuvent être réceptifs à des affordances extérieures différentes (cf. ci-dessous). C’est l’interaction entre le cerveau, le corps et le monde (Clark, 1997) qui permet à l’esprit et à la cognition d’émerger, ce qui va à l’encontre de l’approche computationnelle centrée sur le cerveau de la (neuro)science cognitive classique.

La composante « étendue » de la théorie des 4E est typiquement l’une des plus controversées (Menary, 2010), puisqu’elle implique, dans sa version forte, l’inclusion (de parties) du monde extérieur dans le processus computationnel dont un organisme fait usage pour résoudre un problème cognitif donné (cf. « le principe de parité » de Clark & Chalmers, 1998, selon lequel le cerveau n’a pas de priorité cognitive sur l’environnement). L’usage d’outils est un exemple classique. Lorsqu’un aveugle touche le bord d’un bâtiment avec sa canne pour s’orienter et tourner dans la bonne direction, il manifeste le fait que sa canne devient une partie de son corps, comme si ses propres doigts analysaient l’environnement. Maintenant, considérons une action conjointe telle que faire du vélo tandem. Non seulement cette action est impossible à réaliser par une personne seule, mais le degré de synchronisation nécessaire pour l’accomplir est si élevé que la coordination des actions individuelles peut engendrer une sorte de système « super-ordonné », c’est-à-dire un système étendu composé de deux agents (ou plus) interactifs (Müller et al., 2018). Ce sont deux manières d’étendre l’esprit, par l’utilisation d’outils dans le premier cas et, par la coordination, avec un conspécifique dans le second. Tous deux sont pertinents pour la musique. Quels que soient les arguments philosophiques au sujet de l’inclusion de telles extensions dans la machine computationnelle de l’esprit, le phénomène précédent (en particulier, l’utilisation d’outils) a été étudié en profondeur dans les travaux récents en neurosciences cognitives et sera brièvement présenté dans ce qui suit.

1) Quels processus cognitifs sont-ils censés être étendus par l’utilisation d’outils ? Bien que les philosophes aient également attiré l’attention sur la mémoire et la pensée, les neurosciences se sont surtout focalisées sur la perception du corps et de l’espace péripersonnel. Rizzolatti et al. (1981) ont découvert des neurones bimodaux8 visuo-tactiles dans le cortex prémoteur ventral (PMv), le putamen et le sillon intrapariétal (SIP) des macaques, tous ces neurones déchargeant lorsqu’un objet semble proche du corps et lorsqu’il le touche. Dans la mesure où de tels neurones sont centrés sur des parties du corps (« body-part centered »), codifiant l’espace de la main, de la tête et du torse mais aussi ce qui se passe dans l’espace qui les environne9, ils peuvent être considérés comme les corrélats neuronaux de l’espace corporel (l’espace proprioceptif et tactile) et péripersonnel (l’espace multisensoriel à portée de main). En ce qui concerne l’espace corporel, Graziano (1999), Graziano et Gandhi (2000) ont démontré que ces champs neuronaux réceptifs sont activés par des objets à proximité d’une main factice (alors que la vraie main du singe lui est dissimulée) et par la position de la fausse main après qu’elle a été incarnée grâce à une stimulation synchrone de la main factice et de la vraie main (cachée). Il s’agit d’un phénomène bien connu appelé « illusion de la main en caoutchouc » (Botvinick & Cohen, 1998), dans lequel une main factice est perçue par un individu comme étant sa vraie main, si elle est placée dans une position en adéquation avec son propre corps et si elle est touchée en même temps que la vraie main (cachée) au moyen d’une brosse. Par conséquent, le sentiment d’appartenance du corps, le sentiment qu’éprouve un individu qu’une partie du corps appartient à son propre corps, est modulé par la position, la forme et le mouvement de la main factice. De même, il a été démontré que l’espace péripersonnel est un phénomène plastique. En effet, Iriki et al. (1996, cf. aussi Marativa & Iriki, 2004) ont montré qu’après que le macaque s’est entraîné à ramasser des objets avec un râteau, ses neurones bimodaux visuo-tactiles SIP ont étendu leurs champs réceptifs pour couvrir toute la longueur du râteau. En d’autres termes, alors qu’avant de s’entraîner avec des outils ces neurones ne déchargeaient que lorsqu’un stimulus était émis à proximité de la main ou de l’épaule ou lorsqu’il les touchait, ils déchargeaient également, après l’activité, pour des stimuli émis dans l’espace éloigné : aussi éloigné que la longueur du râteau. Une telle reconfiguration de l’espace proche en espace lointain trouve son équivalent chez les humains. Par exemple, les patients atteints de négligence visuelle suite à un AVC montrent des signes de dissociation des espaces proche et lointain, la négligence ne se manifestant que pour l’espace proche, ainsi que les résultats de tâches de bissection le démontrent10. Cependant, si la bissectrice était réalisée avec un bâtonnet, plutôt qu’un crayon optique, allongeant ainsi la longueur du bras, la négligence visuelle se manifestait également dans l’espace lointain (Berti & Frassinetti, 2000 ; Neppi-Modona et al., 2007).

2) Plus récemment, les neurosciences ont abordé la possibilité que l’interaction sociale ait également une certaine influence sur les processus cognitifs comme ceux liés à la perception du corps ou de l’espace péripersonnel. Soliman et al. (2015) avancent que, pendant et après une action conjointe, comme le sciage en binôme d’une bougie avec une corde, il se développe chez les participants un « schéma corporel conjoint » (« joint body-schema »), mesurable au moyen d’une tâche d’intégration multisensorielle visuo-tactile. Cette expérimentation consiste à évaluer le temps de réaction à un stimulus tactile délivré sur le pouce ou sur l’index pendant qu’un stimulus visuel apparaît, soit près du pouce/index du participant, soit près du pouce/index du partenaire (pour les détails, cf. Maravita et al., 2003). Au cours de la condition conjointe, contrairement à la condition solo, l’incongruence (par exemple, pouce touché/index vu) a eu une incidence sur les temps de réaction, en les ralentissant, ce qui indique qu’une interdépendance du schéma corporel des deux sujets a vu le jour, en raison de l’action conjointe qui vient d’être accomplie. Profitant d’un paradigme d’intégration multisensorielle différent, Teneggi et al. (2013) démontrent qu’une interaction coopérative, comparée à une interaction non coopérative, peut moduler l’espace péripersonnel d’une personne au sein d’un duo. En effet, après la condition coopérative, les sujets ont réagi plus rapidement à un stimulus tactile sur leurs mains, à l’écoute d’un stimulus auditif émis non seulement près d’eux, mais également plus loin, près du partenaire coopératif (pour aller plus loin, cf. Canzoneri et al., 2012). Puisqu’une réponse à un stimulus tactile est facilitée par un stimulus auditif émis dans l’espace péripersonnel, grâce aux neurones bimodaux mentionnés ci-dessus, ce résultat est interprété comme la preuve que l’espace péripersonnel s’est étendu après l’interaction coopérative.

À ce stade, il convient également de souligner que Thompson et Varela (2001), deux des principaux théoriciens de la cognition incarnée, avaient déjà fait valoir que l’une des trois dimensions de l’incarnation est l’interaction intersubjective (ainsi que ce qu’ils appellent « autorégulation corporelle » et « couplage sensorimoteur »). Comme nous le verrons, l’une de nos expériences aborde l’une des deux précédentes caractéristiques « étendues » constitutives du cadre de la cognition incarnée, explorant l’espace péripersonnel multisensoriel de musiciens après une interaction musicale (jazz) coopérative/non coopérative (cf. ci-dessous). Cependant, afin de préparer le terrain pour notre proposition théorique et pour chacune de nos expériences, nous devons examiner l’approche du codage prédictif et la façon dont les problématiques liées à l’incarnation, dont nous venons de discuter, peuvent être transposées en termes musicaux.

Le codage prédictif : sa composante « sensorimotrice »

Les boucles sensorimotrices décrites ci-dessus comme une caractéristique cruciale de l’approche incarnée ressemblent fortement à la « causalité circulaire sensorimotrice » (« circular sensorimotor causality ») mentionnée par Friston (2013) dans sa présentation de l’approche du codage prédictif (cf. aussi Clark, 2016). Dans ce processus inférentiel, la causalité circulaire sensorimotrice implique que

les états externes provoquent des changements dans les états internes, via des états sensoriels, tandis que les états internes se couplent aux états externes par le biais d’états actifs – de telle sorte que les états internes et les états externes s’entraînent réciproquement. Cette causalité circulaire serait donc une architecture causale fondamentale et omniprésente pour l’auto‑organisation. (Friston, 2013, p. 2-3)

Selon le cadre prédictif, le cerveau a pour fonction de donner sens au monde extérieur en minimisant les erreurs résultant de la comparaison entre la prédiction des causes d’un ressenti et ce ressenti lui-même. Supposons que l’on observe quelqu’un qui se saisit d’un scalpel (Kilner et al., 2007). Le cerveau peut utiliser sa connaissance du contexte, disons un hôpital, comme un préalable à comparer à l’action observée, en émettant l’hypothèse que le scalpel a été saisi pour soigner un patient donné. Si le scalpel est utilisé pour frapper la tête du patient, on peut considérer que le cerveau a commis une erreur de prédiction importante. Au contraire, si le scalpel est placé dans une boîte de stérilisation, l’erreur est moindre, et même nulle s’il est réellement utilisé pour opérer le patient. Dans tous les cas, l’erreur de prédiction permet de mettre à jour les prédictions antérieures à l’événement (qui, une fois mises à jour, deviennent postérieures), dans un processus circulaire de prédictions fondé sur la sensorimotricité. Le monde est ainsi modélisé selon des termes bayésiens comme une « hiérarchie de systèmes au sein desquels des causes supra-ordonnées induisent et modèrent les changements dans les causes subordonnées », offrant « une orientation contextuelle vers la cause la plus probable de l’information sensorielle » (Kilner et al., 2007, p. 163).

De telles boucles sensorimotrices peuvent également être qualifiées d’inférences actives, en ce sens que le corps entier, plutôt que le cerveau seul, enclenche activement le processus inférentiel (prédictif), en échantillonnant activement l’environnement (externe ou interne), y compris les comportements des conspécifiques. Ainsi, si les mécanismes inférentiels sont envisagés en termes sensorimoteurs plutôt qu’en termes computationnels‑représentationnels, l’approche bayésienne peut coexister et enrichir l’approche incarnée (cf. Maes, 2016 ; Gallagher & Allen, 2016, pour des croquis de propositions de synthèse similaires, et ci-dessous). Un modèle de musique correspondant aux principes du codage prédictif a récemment été proposé par Koelsch et al. (2019), qui affirment que, en écoutant de la musique (même sans la jouer), nous pourrions générer des prédictions sensorimotrices concernant les caractéristiques rythmiques, couplées à des actions motrices comme taper des mains, secouer la tête ou danser, en particulier lorsque la musique « groove ». De telles prédictions sont continuellement actualisées, en les confrontant à l’environnement sonore réel. En d’autres termes, « bouger » sur la musique aide à désambiguïser certaines de ses caractéristiques au moyen d’une prédiction incarnée qui peut être décrite en termes bayésiens. En effet, dans ce modèle, que les auteurs qualifient explicitement d’« énactif » (Koelsch et al., 2019, p. 74), l’appréciation musicale n’est pas simplement guidée par la minimisation des erreurs, mais plus encore par les fluctuations de l’incertitude des prédictions. Après avoir passé en revue quelques études pertinentes sur la cognition incarnée musicale, nous reviendrons sur ces concepts afin de les intégrer dans un cadre unique, global, autour de l’idée de la musique considérée comme langage incarné.

Cognition musicale incarnée

Le point de vue désincarné considère typiquement la cognition musicale comme une reconstruction computationnelle d’une organisation hiérarchique de la musique de manière récursive, allant des stimuli acoustiques de base à la vaste structure formelle d’une composition donnée : à la manière, plutôt, d’une grammaire générative de la cognition du langage (Lerdahl & Jackendoff, 1983). Au contraire, la cognition musicale incarnée tire parti des boucles sensorimotrices susmentionnées pour en faire une caractéristique cruciale du fonctionnement du cerveau, afin de mettre en évidence le rôle du corps dans la perception et la production de la musique (Leman, 2007). Cela est étayé par des études de synchronisation et d’entraînement, de désambiguïsation et d’externalisation du « timing »11 (Maes, 2016).

Premièrement, considérons le phénomène d’entraînement qui amène le rythme du corps à se synchroniser avec le rythme d’une musique (Clayton, 2012 ; Phillips-Silver & Keller, 2012 ; Moens & Leman, 2015). Les mécanismes de prédiction et d’adaptation sensorimoteurs sont pris en charge par des réseaux neuronaux situés dans le lobe pariétal postérieur, le cortex prémoteur, le cervelet et les ganglions de la base, faisant naître le phénomène du « groove » (Janata et al., 2012), ce qui suggère que les mêmes processus qui provoquent le mouvement du corps sont impliqués dans la perception du rythme musical. Comme l’écrit Todd :

Si la forme spatio-temporelle de certains stimuli [sensoriels] correspond à la dynamique du système moteur, alors ils peuvent évoquer un mouvement d’une représentation interne, ou image motrice, des éléments synergiques correspondants au système musculo-squelettique, même si le système musculo-squelettique lui-même ne bouge pas. (Todd, 1999, p. 120).

Iyer (2002) souligne que la musique, selon son tempo, peut évoquer différentes actions humaines, comme la respiration, la marche et la parole12 (avec des fréquences comprises respectivement entre 0,1 et 1 Hz, 1 et 3 Hz, 3 et 10 Hz), mais l’inverse est également vrai. En effet, de nombreuses compositions musicales se rangent dans cette catégorie de tempo, ce qui laisse entendre que les résonateurs corporels ont en quelque sorte modelé la façon dont les humains créent de la musique (van Noorden & Moelants, 1999).

Deuxièmement, le mouvement peut également désambiguïser une structure métrique. Dans des expériences menées par Phillips-Silver et Trainor (2005) sur un motif rythmique ambigu13, des bébés ont été bercés en rythme, puis, dans un deuxième temps, il a été demandé à des adultes de plier leurs genoux en rythme. Leurs mouvements étaient réglés de manière à marquer la deuxième ou la troisième pulsation, donnant ainsi un mètre binaire ou ternaire, ainsi que le montrèrent par la suite leurs réponses lorsqu’on leur demanda de reconnaître sur laquelle des deux versions rythmiques ils avaient bougé (tandis que les adultes répondaient verbalement, on observa les nourrissons à l’écoute de leur version préférée).

Troisièmement, le timing n’est souvent pas une question de comptage des pulsations, mais plutôt de mouvement, soit par l’utilisation de stratégies d’externalisation par lesquelles les membres se mettent en mouvement, soit par des chorégraphies maintenues dans des mouvements itératifs ne nécessitant pas d’attention cognitive. Su et Pöppel (2012) ont montré que les non-musiciens s’appuient plus que les musiciens sur leurs propres mouvements afin de sentir la pulsation d’une séquence rythmique, ce qu’ils n’arrivent pas à faire lorsqu’il ne leur est pas permis de se mouvoir. Cependant, les musiciens peuvent aussi se fier à leur horloge interne pour comprendre une séquence sans bouger, mettant ainsi en évidence l’importance du mouvement corporel, en particulier lorsque l’expertise est absente. De plus, il est utile de rappeler qu’il a été observé que les neurones miroirs dépendent également d’une telle expertise sensorimotrice. Par exemple, il a été montré que les aires frontales inférieures et pariétales, typiquement impliquées dans l’activation des neurones miroirs, sont plus actives (d’après un scanner IRMf) chez les pianistes, comparés à des sujets non-musiciens, et ce, en observant les mouvements de doigts jouant du piano, par rapport à des mouvements de doigts ne jouant pas de piano (Haslinger et al., 2005, cf. aussi Herholz & Zatorre, 2012).

Un cadre proposé par Leman (2007) soutient que :

Le corps humain peut être vu comme un médiateur biologique qui transfère l’énergie physique jusqu’à un niveau de significations orientées vers l’action, à un niveau mental dans lequel les expériences, les valeurs et les intentions constituent les composantes de base de la signification musicale. Le processus inverse est également possible : que le corps humain transfère une idée, ou une représentation mentale, dans une forme matérielle ou dynamique. (p. xiii)

L’énergie physique est la surface acoustique de la musique et la représentation mentale correspondante est l’intention attribuée par l’auditeur/producteur à cette musique, « sur la base d’une simulation de l’action perçue dans la propre action du sujet » (Leman, 2007, p. 92, cf. aussi Koelsch et al., 2019 comme résumé ci-dessus). Autrement dit, à partir d’un répertoire d’actions motrices (à la fois transitives et intransitives, c’est-à-dire des gestes), le corps reproduit des caractéristiques musicales, telles que le rythme, les contours mélodiques, les intensités, les tempi, etc., pour mieux les comprendre et les apprécier. Alors que Schiavio et Menin (2013) interprètent cette approche comme un dualisme, la proposition de Leman peut être comprise différemment : avec l’esprit (impliquant une certaine forme d’attention et une réflexion sur la signification) considéré comme émergeant des processus liés au corps (Broeckx, 1981). En effet, la médiation entre le mental et le physique intervient à un niveau conscient de traitement, généralement impliqué dans la construction réfléchie du sens, alors qu’une grande partie du traitement peut être conçue de manière strictement sensorimotrice, suspendant toute proposition sur la nature de ce dont le corps est supposé être le médiateur. Considérons à nouveau le processus de désambiguïsation rendu possible par le mouvement d’une partie du corps suivant un rythme binaire ou ternaire sur une pulsation isochrone. Il n’est pas nécessaire d’attribuer des propriétés physiques aux pulsations que nous n’entendons ni, d’un autre côté, des propriétés mentales à notre expérience subjective, dans la mesure où la perception de ces sons est couplée aux mouvements corporels nécessaires à leur désambiguïsation. Ce qui importe dans une approche incarnée de la cognition (musicale) est que de tels mouvements itératifs sensorimoteurs, plutôt que des opérations abstraites, constituent précisément la cognition (musicale). Surtout, le mécanisme sensorimoteur dont il est question ici est double. D’un côté, il s’agit de la morphologie du corps, le fait que le corps humain peut effectuer des actions différentes de celles des autres corps animaux ; par exemple, comme nous l’avons vu ci-dessus, la synchronisation autour de plages de fréquences spécifiques, en fonction de l’action motrice impliquée. D’un autre côté, les mécanismes sensorimoteurs sont dotés d’une correspondance neuronale spécifique, bien représentée, aussi bien chez les humains que chez les singes, par le système miroir (Rizzolatti & Sinigaglia, 2008, et ci-dessous).

Les neurones miroirs permettent de mieux comprendre les interactions musicales entre plusieurs personnes comme un processus incarné qui ne peut être réduit à des processus internes de lecture de l’esprit ou de simulation de cerveaux en interaction (Thompson & Varela, 2001). Selon De Jaegher et Di Paolo (2007), on pourrait plutôt parler de « faire-sens14 participatif » (cf. Schiavio & De Jaegher, 2017, pour une application musicale de ce concept), soulignant ainsi le caractère incarné d’une interaction entre deux sujets (ou plus) nourrie par l’échange continu de paramètres spatio-temporels. De Jaegher et Di Paolo (2007) attirent notre attention sur une action conjointe très élémentaire comme passer à deux en même temps par une porte qui est trop étroite pour laisser passer ensemble deux personnes sans qu’elles ne soient obligées de se pencher et d’adapter leur taille et leur position au corps de l’autre. Il est à noter que, si l’on demandait à ces personnes de répéter cette action plusieurs fois, elles le feraient probablement chaque fois d’une manière légèrement différente, ce qui rendrait manifeste le fait qu’une dynamique d’ajustement mutuel légèrement différente s’est développée, bien que parvenant au même résultat (passer par la porte). Si nous appliquons ce scénario à un contexte de pratique musicale d’ensemble, certaines caractéristiques peuvent émerger, qui sont étroitement liées à la connexion temporelle entre les corps et aux relations sonores dans les espaces.

Chez Walton et al. (2015), par exemple, un système de capture de mouvement a enregistré les mouvements de l’avant-bras et de la tête de deux pianistes improvisant soit sur un bourdon (fondé sur une alternance uniforme de deux accords), soit sur un ostinato (fondé sur une progression complexe de quatre accords). Grâce à la transformation en ondelettes croisées (« cross-wavelet transform »), la série temporelle de ces mouvements a révélé différentes périodicités, en fonction des caractéristiques de la musique. En effet, il s’est avéré que la figure de base de l’ostinato, répétée toutes les quatre secondes, permet aux mouvements des musiciens de se coordonner selon des multiples de quatre secondes. Au contraire, le bourdon n’a révélé aucune périodicité spécifique, ce qui est probablement dû à sa structure plus simple, qui a offert plus de variété de mouvements aux musiciens (et, par conséquent, de possibilités musicales ; mais l’inverse est également vrai). Les auteurs en ont conclu que les interactions expressives ne sont pas seulement guidées par des processus cérébraux, mais également par des dynamiques corporelles émergeant spontanément, conformément avec l’un des principes de l’approche incarnée de la cognition (cf. aussi Walton et al., 2018).

Les bases sensorimotrices neurales de l’interaction musicale

Au cours de la dernière décennie, un certain nombre de travaux ont étudié les circuits neuronaux à l’œuvre lors de l’action musicale conjointe. La preuve de l’implication du cortex primaire moteur (M1) dans l’observation de l’action a été fournie par la recherche pionnière de Fadiga et al. (1995), dans laquelle il a été démontré que l’activation cortico-spinale d’un sujet était renforcée pendant l’observation d’une action motrice transitive (saisie) d’une autre personne sur un objet, par rapport au simple fait d’observer cet objet (pour un équivalent auditif, cf. Aziz-Zadeh et al., 2004). Au moins deux études ont corroboré de tels résultats dans le domaine de la musique d’ensemble. Dans la première étude, Novembre et al. (2012) ont laissé un groupe de pianistes répéter quelques compositions avant de leur demander de jouer leur partie mélodique avec la main droite, soit seule, soit pendant que la partie de la main gauche était jouée par un partenaire caché (enregistrement). La stimulation magnétique transcrânienne (SMT) à pulsation-unique du M1 de la main/du bras gauche inactive/inactif a montré des potentiels évoqués moteurs (PEM)15 plus élevés dans la situation d’ensemble, mettant en lumière que des représentations motrices peuvent apparaître en réponse à une interaction sociale potentielle. Dans une seconde étude, Novembre et al. (2014) ont testé un autre groupe de pianistes, dont la moitié avait travaillé un morceau donné, l’autre non. Lorsqu’il leur a été demandé d’adapter le tempo de leur main droite au tempo changeant de la main gauche du partenaire, après la stimulation magnétique transcrânienne à double pulsation du M1 de la main gauche, le dernier groupe s’est montré plus précis que le premier. C’est-à-dire que la SMT à double pulsation n’a perturbé que les processus reposant sur la stimulation sensorimotrice de la partie répétée jouée par le partenaire, un mécanisme qui est clairement mobilisé dans la coordination en temps réel des actions générées par soi et par le partenaire.

Étant donné que la musicalité s’appuie sur une dimension biologique, il peut être attendu que nous trouvions également chez les non-musiciens des mécanismes sensorimoteurs, comme ceux décrits précédemment. Par exemple, Gordon et al. (2018) ont récemment trouvé une facilitation16 cortico-spinale au niveau des premiers muscles interosseux dorsaux (IOD)17 des non-musiciens pendant qu’ils regardaient une séquence de trois notes au piano comportant un retard de 200 ms entre le son et la vidéo, condition expérimentale comparée à la condition correcte (sans retard) d’un stimulus audiovisuel ou à des conditions unimodales correctes (soit uniquement auditive, soit uniquement visuelle). Les auteurs ont conclu que les modèles prédictifs sensorimoteurs sont ici en jeu, plutôt que les mécanismes de type simulation, étant donné que seule la violation du résultat sensoriel attendu entraîne une augmentation de l’excitation cortico-spinale. D’un autre côté, si l’on apprend à des non-musiciens à exécuter des mélodies simples au piano, l’excitation cortico-spinale des premiers muscles interosseux augmente en écoutant ces mélodies, quelques millisecondes avant même qu’elles ne commencent, ce qui montre ainsi la différence entre un entraînement moteur et le simple fait d’écouter (Stephan et al., 2018). Ce résultat est cohérent avec Candidi et al. (2012), qui ont montré qu’à chaque fois qu’un doigté incorrect était observé, les pianistes ayant l’expérience motrice d’une pièce musicale donnée affichaient des PEM des doigts plus élevés que les pianistes ayant uniquement l’expérience visuelle de cette pièce.

Là encore, ces résultats peuvent être interprétés comme des processus sensorimoteurs qui appuient une approche incarnée du traitement de la musique associée à une approche de traitement prédictif bayésien (cf. le paragraphe suivant). Les neurones sensorimoteurs multimodaux sont probablement le substrat de tels processus, en particulier dans des aires, telles que les STG et les STS18, qui répondent plus fortement aux stimuli auditifs et visuels qu’aux stimuli auditifs ou visuels séparément (Beauchamp et al., 2004 ; cf. Kohler et al., 2002, pour les neurones miroirs). Cependant, comme nous l’avons indiqué ci-dessus, les méthodes interactives de recherche sur le cerveau ouvrent la voie pour surmonter certaines des contraintes qui caractérisent les neurosciences sociales depuis la découverte des neurones miroirs. Babiloni et al. (2012), dans une étude pionnière, ont exploré la performance musicale de trois différents quatuors de saxophones au moyen d’EEG simultanés, découvrant que les rythmes alpha dans les zones frontales (Bas 44/45) sont corrélés avec les scores d’empathie des musiciens qui observent leur propre performance (à propos de « l’hyperscanning » musical, cf. aussi Osaka et al., 2015 ; Pan et al., 2018).

Un cadre pour la musique en tant que langage incarné

La composante émotionnelle-motivationnelle, qui implique le circuit de la récompense (Salimpoor et al., 2015), devrait compléter les éléments théoriques présentés ci-dessus, fondés sur l’incarnation et le traitement prédictif. En tant que tel, chaque type d’interaction avec la musique (que ce soit en l’écoutant ou en la jouant, en solo ou en groupe) peut être compris comme constitué par une boucle cognitive-motivationnelle qui engendre, chez les sujets impliqués, un sentiment de récompense et de réalisation personnelle (« empowerment »). Par conséquent, le modèle récent de Leman (2016) comprend l’engagement physique, le traitement prédictif et l’expression (sous forme de signaux biosociaux) en parallèle avec l’activation physiologique, la capacité d’action et les attitudes prosociales (Figure 1).

Nous verrons un peu plus loin si et comment ce modèle peut être intégré à celui de Keller et al. (2014 ; Keller, 2008), mais, pour l’instant, nous devons nous pencher sur une seule de ses composantes : l’orientation prosociale induite par le sentiment d’action19 (induit, à son tour, par les prédictions sensorimotrices qui lui sont propres) dans l’interaction avec la musique, puisque c’est un point crucial pour notre définition de la musique comme langage incarné. Le sentiment d’action, un phénomène largement étudié dans les neurosciences cognitives, est le sentiment de contrôle d’un individu donné sur une action donnée qu’il est en train de réaliser (Haggard & Eitam, 2015). Dans la vie de tous les jours, c’est un sentiment implicite, qui devient manifeste si quelque chose ne va pas, comme lorsque l’on s’apprête à appuyer sur un interrupteur, mais que la lumière s’allume juste avant d’appuyer : ce n’est pas nous qui allumons la lumière, mais quelqu’un d’autre, d’où un sentiment d’action faible (voire inexistant). D’autre part, étant probablement construit sur la prédiction des conséquences de nos actions, plutôt que sur leurs conséquences sensorielles réelles (Berti & Pia, 2006), un sens illusoire de sentiment d’action peut s’ensuivre.

Les prédictions sensorimotrices (fondées sur les inférences bayésiennes susmentionnées) sont capables d’induire la sensation qu’une musique donnée a été produite par notre action motrice, ce qui rappelle le concept de causalité de Hume (Leman, 2016). Une telle sensation serait (consciemment) trompeuse dans les cas où l’on bouge sur la musique sans la jouer, comme lorsqu’on court, danse, ou même simplement tape sur le rythme de la musique, mais elle serait vraie chaque fois que nous jouons vraiment de la musique. Néanmoins, dans les deux cas, un sentiment de récompense et de réalisation personnelle peut s’ensuivre, dû aussi à un élément prosocial (valence) qui (au moins partiellement) explique le pouvoir expressif des interactions musicales. Cette idée est en phase avec les études qui mettent l’accent sur la capacité de la musique à faire en sorte que les individus soient (Overy & Molnar-Szakacs, 2009) ou restent (McNeill, 1995 ; Hove & Risen, 2009) en rythme ensemble, développant un sens de l’action concertée, un concept sur lequel le philosophe Pacherie a récemment travaillé (cf. ci-dessous). Probablement, ce qui manque encore à une telle théorie (comme à de nombreuses propositions dans la littérature des neurosciences et de la musicologie) est une description plus détaillée, dans l’interaction musicale, de la relation entre la qualité expressive et les aspects prosociaux. Des indications sur ce type de lien sont mises en évidence dans le modèle Shared Affective Motion Experience (SAME)20 d’Overy et Molnar-Szakacs (2009, p. 492), qui « suggère que le son musical est perçu non seulement en termes de signal auditif, mais aussi en termes de séquences intentionnelles et hiérarchiquement organisées d’actes moteurs expressifs à l’origine du signal ». Sans surprise, ces auteurs invoquent la mobilisation du réseau des neurones miroirs dans la mise en œuvre neurale de telles expériences avec la musique. En outre, ils utilisent le concept de « sentiment d’action » (« sense of agency ») (terme utilisé dans un sens différent de l’usage courant) pour souligner le sentiment d’interaction humaine qui se trouve au cœur de l’expérience musicale, « un sentiment de la présence d’une autre personne, de ses actions et de ses états affectifs » (Overy & Molnar‑Szakacs, 2009, p. 494 ; cf. aussi Clarke, 2005 ; Livingstone & Thompson, 2009 ; Windsor & de Bézenac, 2012).

C’est précisément l’idée qu’une personne se cache derrière un son musical qui mène à la possibilité de concevoir la musique comme un langage incarné. Cette idée résonne avec la proposition de Leman, pour qui « l’expression musicale est plus qu’une simple habitude ou qu’une pratique établie. L’expression est ancrée dans la biologie du fonctionnement humain propre aux interactions sociales, elles-mêmes étroitement liées à des états et des comportements affectifs », (2016, p. 49). Contrairement au langage naturel, la musique permet de coordonner en temps réel des comportements au sein de grands groupes, comme par exemple dans les chants de stades, de guerre et de travail, et la manière dont ces comportements renforcent les identités collectives et donc l’appartenance culturelle est bien connue, en particulier dans les études ethnologiques (Freeman, 2000 ; Nettl, 2005 ; Clarke et al., 2015). Si les facteurs biologiques de la musicalité (qui sous-tend la musique) sont probablement présents dans l’encodage des hauteurs, la perception de la pulsation et l’encodage métrique du rythme (Honing et al., 2015), nous pouvons supposer qu’ils sous-tendent le caractère de communication de la musicalité et, par conséquent, de la musique en tant que processus de communication interactif incarné (Mithen, 2005 ; Malloch & Trevarthen, 2009 ; Cross, 2014). On peut donc s’attendre à trouver ces facteurs universellement répandus parmi les humains, quel que soit leur niveau d’expertise musicale, constituant ainsi les conditions préalables à cette expertise, plutôt que le résultat de celle-ci (Mehr et al., 2019).

Afin de montrer comment un langage incarné peut fonctionner, considérons à nouveau la musique d’ensemble, une forme sophistiquée d’action conjointe qui, peut-être sans surprise, a permis une étude équilibrée, depuis environ une décennie, entre des conditions expérimentales contrôlées, d’une part, et des conditions en situation réelle, d’autre part (D’Ausilio et al., 2015). Selon le modèle de Keller (Keller, 2008 ; Phillips-Silver & Keller, 2012 ; Keller et al., 2014), la coordination interpersonnelle dans un ensemble musical repose sur une combinaison de processus cognitifs d’ordre supérieur, comme le partage d’une idée globale de la pièce musicale en train d’être exécutée (qui, à son tour, dépend des conventions socioculturelles) et de compétences cognitives et motrices d’ordre inférieur, comme le timing adaptatif mutuel21, la participation intégrative priorisée22 et les images de transformation23. Ces processus peuvent en quelque sorte caractériser tout type d’action commune (Vesper et al., 2010), mais dans un contexte musical, ils reviennent au fait que :

1) deux sujets ou plus qui jouent ensemble ont besoin d’une coordination temporelle si précise et si souple qu’ils puissent faire face, d’une part, à des micro-perturbations involontaires du timing, dues à la variabilité intrinsèque aux actions humaines, et, d’autre part, à des variations volontaires de timing dues à des effets expressifs (accelerando/ritardando). La correction de phase et la correction de période sont deux mécanismes mis en avant pour expliquer de telles compétences (Repp & Su, 2013)24.
2) Un musicien doit être attentif non seulement à ce qu’il joue, mais aussi à ce que joue l’ensemble, en priorisant ses ressources pour le premier aspect, sans perdre de vue le second. La capacité interne à garder la pulsation est alors sollicitée pour suivre la structure multicouche de la musique d’ensemble, assez souvent composée de sections rythmiques, de lignes mélodiques entrelacées et, plus généralement, selon la pièce musicale, de différentes parties (London, 2004).
3) S’ils veulent que leur performance reste stable et cohérente, les musiciens doivent dans une certaine mesure anticiper le jeu de leurs partenaires. Keller et Appel (2010) ont démontré, par exemple, que les duos de piano les plus synchronisés étaient ceux formés par des pianistes qui, dans une tâche d’interprétation musicale sans retour auditif, avaient une plus grande faculté de création d’images mentales.

Le concept du codage prédictif propose une approche qui semble capable de fédérer les trois aspects précédents, puisque la musique est dotée d’une structure intrinsèquement hiérarchique, à la fois du point de vue mélodique (cellules insérées dans des phrases insérées dans des sections) et rythmique (rythmes insérés dans des cellules insérées dans des métriques), que l’inférence bayésienne peut traiter de manière appropriée (Salimpoor et al., 2015 ; Koelsch et al., 2019). De plus, l’interaction musicale peut, elle aussi, bénéficier d’un tel cadre. En effet, les boucles sensorimotrices nécessaires à la réalisation d’une action individuelle, prédisant le résultat d’une action donnée et ajustant celle-ci en cas de retour sensoriel inapproprié, peuvent être traduites en termes d’interaction sociale (Wolpert et al., 2003 ; Kilner et al., 2007 ; Friston & Frith, 2015 ; Volpe et al., 2016 ; Brattico & Vuust, 2017). Dans ce dernier cas, nous pouvons prédire les conséquences d’une de nos actions sur un partenaire (par exemple, accepter d’être embrassé), tandis que la rétroaction sensorielle serait fournie par la réaction du partenaire (par exemple, nous éviter), qui, à son tour, permet un ajustement de notre action (par exemple, faire semblant d’atteindre quelque chose derrière le partenaire) pour minimiser les erreurs de prédiction. Dans un contexte musical, considérons que l’action est l’attaque du thème du standard de jazz Autumn Leaves après sept mesures introductives. Le musicien jouant le thème doit s’adapter au tempo fixé par la section rythmique (disons, le piano, la basse et les percussions), en assurant sa propre partie sans négliger celles des autres et en anticipant une exécution correcte. Après avoir joué les deux premières notes de la huitième mesure, le soliste se rend compte que ni la basse, ni le piano n’ont changé l’accord menant à la véritable première mesure du thème, il ajuste donc sa trajectoire en transformant ces deux notes en une sorte d’ornement précédant le thème, dont le départ est retardé d’une mesure. Il convient de souligner que de tels processus n’ont pas à être pleinement conscients, puisque les modèles internes sont censés fonctionner selon une hiérarchie imbriquée, allant de niveaux très bas (proches des réflexes) à des niveaux conscients (très proches de la pensée propositionnelle, cf. Friston & Frith, 2015). Comme nous le verrons, deux de nos expériences étudient le timing adaptatif à la recherche, d’une part, de compétences protomusicales de la pratique d’ensemble chez des non‑musiciens et de la manière dont elles sont modulées par la façon dont le partenaire incarne son geste de la main, d’autre part, de marqueurs dynamiques dans une performance chantée, en fonction de la manière dont l’action concertée est expériencée (cf. ci-dessous).

Le concept de musique et de musicalité en tant que langage incarné, autour duquel s’articule le présent travail, peut maintenant être résumé au moyen d’un diagramme (Figure 2). L’ambition d’un tel cadre théorique est d’associer le codage prédictif et les approches incarnées (par exemple, Leman, 2007, 2016 ; Keller, 2008 ; Vuust & Witek, 2014 ; Keller et al., 2014 ; Koelsch et al., 2019). Ce nouveau cadre implique trois composantes nécessaires pour jouer de la musique ensemble. Une première, qui inclut les trois compétences sensorimotrices de Keller, déploie une inférence active25 au cours d’une interaction musicale, que ce soit lors d’une action individuelle ou conjointe, que ce soit simplement en écoutant ou en faisant de la musique. Une seconde composante implique l’agentivité26 comme conséquence des prédictions sensorimotrices incarnées. Une dernière composante, résultante des deux premières, implique l’activation physiologique.

L’action concertée est la façon dont nous voyons l’agentivité dans un contexte musical. En effet, compte tenu de la valeur prosociale de la musicalité (et donc de la musique) en tant que langage incarné (Wiltermuth & Heath, 2009 ; Kokal et al., 2011), l’agentivité dans de tels contextes n’est pas simplement le sentiment d’être en contrôle d’une action individuelle donnée, comme dans la saisie d’un objet pour une action ordinaire, mais elle se doit d’être dotée d’une dimension « concertée » impliquant la présence plus ou moins manifeste d’un ou plusieurs sujets interagissant musicalement. La version simplifiée de ce cadre est aisément applicable à une performance d’ensemble réelle, comme les interactions dyadiques que nous allons explorer dans les expériences suivantes, mais une version plus développée pourrait identifier une composante sociale également dans les interactions individuelles avec la musique. En effet, si la musique (et avant elle la musicalité) est le produit bioculturel d’interactions sociales, on pourrait considérer qu’une trace de son origine sociale est toujours présente, quel que soit le type d’interaction musicale en jeu. L’exemple le plus marquant est celui de la musique d’ensemble, mais on peut établir une échelle mesurant la présence de moins en moins manifeste d’une autre personne dans l’écoute de la musique (moins, s’il s’agit de musique live, plus, si ce n’est pas le cas), et, éventuellement, dans le fait de jouer seul. D’après ce point de vue, jouer seul peut être comparé à parler seul, qu’il s’agisse de répéter un monologue ou de penser à voix haute. Le sentiment d’action concertée qui en résulte diminuerait en conséquence (cf. aussi Clarke, 2005 ; Livingstone & Thompson, 2009 ; Overy & Molnar-Szakacs, 2009 ; Windsor & de Bézenac, 2012, pour des considérations similaires). Concernant le troisième élément du réseau, nous considérons simplement les aspects suivants. Une expérience telle que celle de Fritz et al. (2013) a montré que dès qu’une personne contrôlait certains paramètres de la musique à l’aide de divers appareils de sport, sa sensation d’effort était moindre par rapport à une condition passive, dans laquelle elle écoutait simplement de la musique tout en faisant du sport27. En outre, la force de la stimulation engendrée par la musique a été démontrée dans plusieurs expériences portant sur la vitesse de la marche en écoutant de la musique par rapport à un métronome (Styns et al., 2007) ou sur différents genres musicaux (Leman et al., 2013), ce qui a permis d’identifier des genres apparaissant comme plus stimulants que d’autres. Dans tous ces cas, il semble que se produise un transfert d’énergie sonore en énergie motrice (cf. aussi Tarr et al., 2014).

Deuxième partie : données expérimentales

Trois de nos propres expériences décrites dans les prochaines sections fournissent des données à l’appui du cadre proposé et peuvent être interprétées à la lumière de celui-ci. Elles se concentrent respectivement sur le temps, l’espace et la qualité de l’interaction musicale. Dans une première expérience, nous montrons que les non-musiciens peuvent aussi communiquer protomusicalement. Nous avons étudié le timing lorsqu’ils tapaient alternativement des doigts de façon conjointe et si et comment ce mouvement est modulé par la position du partenaire (avec l’activation cortico-spinale relative mesurée au moyen d’une stimulation magnétique transcrânienne (SMT) à pulsation-unique). Dans une deuxième expérience, nous montrons que l’espace péripersonnel de deux musiciens de jazz en interaction peut être modulé selon le caractère coopératif ou non coopératif d’une telle interaction, un tel espace se mesurant au moyen du paradigme d’intégration multisensorielle visuo-tactile qui nous a également permis de comparer les temps de réaction des musiciens et des non‑musiciens. Enfin, dans la dernière expérience, nous nous sommes concentrés sur le concept d’action concertée dans des duos chantant en hoquet, corrélant ce paramètre subjectif avec une mesure objective et dynamique de la qualité de leur timing, conformément aux principes bayésiens.

Le temps : entraînement et incarnation dans une interaction de tapping28

Une façon simple d’étudier le timing adaptatif mutuel (TAM) est le tapping, une action motrice protomusicale permettant aussi aux non-musiciens de synchroniser le mouvement d’une partie de leur corps avec la pulsation de la musique. Des expériences précédentes ont montré que les musiciens sont capables d’adapter leur timing à celui du tapping d’un partenaire qui tape en opposition de phase (Nowicki et al., 2013), et que les non-musiciens sont capables d’en faire de même dans une tâche de tapping en phase (Konvalinka et al., 2010)29. Selon l’hypothèse d’une musicalité innée, à l’instar de Konvalinka et al. (2010, cf. aussi Koelsch et al., 2000), nous avons montré (Dell’Anna et al., 2018) que les non-musiciens sont aussi capables de s’adapter au timing de leur partenaire dans une tâche de tapping conjoint alterné (c’est-à-dire en opposition de phase) par rapport à une battue métronomique de référence qui marque tous les demi-cycles (c’est-à-dire le début et le milieu de chaque cycle). Nous avons utilisé la corrélation des asynchronies comme méthode pour mesurer l’entraînement. La tâche de tapping a été effectuée dans trois conditions : (i) seul avec le métronome, (ii) avec un partenaire en face du sujet et (iii) avec un partenaire à côté du sujet, dans une position congruente à son corps, de manière à ce que le partenaire tape avec sa main gauche et le sujet avec sa main droite (Figure 3). La dernière condition utilise les modèles dans lesquels des mains « étrangères » peuvent être utilisées, aussi bien chez des sujets en bonne santé (où le sujet, moyennant des manipulations et contraintes particulières, perçoit une main en caoutchouc comme étant la sienne : l’illusion de la main en caoutchouc, Botvinick & Cohen, 1998, cf. aussi ci-dessus), que chez ceux souffrant de lésions cérébrales (où le sujet ressent et considère la main réelle d’un autre individu comme étant la sienne, Garbarini et al., 2014). Nous nous attendions à ce que l’excitabilité cortico-spinale soit plus élevée dans la condition (ii), comparée aux conditions (i) et (iii), en raison des mécanismes miroirs que l’action partagée devrait activer. Lorsque la distinction entre le soi et les autres faiblit, comme dans la condition (iii), alors le mécanisme miroir ne fonctionne pas, comme s’il n’y avait plus de partenaire avec qui interagir et, par conséquent, l’excitabilité cortico-spinale sera similaire entre (i) et (iii). Les résultats de notre expérience montrent que le timing s’adapte mutuellement dans les conditions (ii) et (iii), mais pas dans la condition (i). De surcroît, les conditions (ii) et (iii) diffèrent par le sentiment d’appropriation, car, dans la dernière, la main étrangère est perçue comme la propre main du sujet, avec un sentiment d’agentivité concernant le tapping. Dans la condition (iii), lorsque le sujet incarne une main étrangère, l’excitabilité cortico-spinale a tendance à décroître par rapport à la condition (ii) c’est-à-dire lorsqu’il y a un partenaire en face du sujet (Schutz‑Bosbach et al., 2006 ; Della Gatta et al., 2016). Les résultats peuvent être interprétés comme si un contexte d’interaction engageait le système moteur, tandis que l’incarnation de la main ou du bras d’un partenaire n’entraîne aucune interaction sociale. L’enregistrement des potentiels évoqués moteurs (PEM) au moyen de la stimulation magnétique transcrânienne (SMT) sur les premiers muscles interosseux dorsaux (IOD) de la main a confirmé cette idée dans notre tâche protomusicale. Quand le sujet tapotant a incarné le bras de son partenaire (selon les rapports subjectifs d’agentivité et de sentiment d’appropriation), l’excitabilité corticale ne différait pas de la condition seule. Au contraire, lorsque le sujet tapait en face de son partenaire, le caractère social du contexte entraînait une excitabilité cortico-spinale plus élevée, en accord également avec la littérature traitant des neurones miroirs (Fadiga et al., 1995 ; Novembre et al., 2012). En tant que composante d’un langage incarné, la dimension rythmique fournie par le métronome a entraîné mutuellement les actions motrices de base des deux sujets en interaction, avant toute prise de conscience du processus de leur part.

Espace : reconfiguration de l’espace péripersonnel dans une interaction en jazz

Comme nous l’avons mentionné, l’espace péripersonnel, qui est la représentation multisensorielle de l’espace entourant immédiatement le corps, s’est récemment révélé être sensible non seulement à l’utilisation d’outils (Iriki et al., 1996 ; Berti & Frassinetti, 2000), mais aussi à l’interaction sociale (Patané et al., 2016 ; Pellencin et al., 2018). En particulier, il a été démontré que l’espace péripersonnel s’étend après un échange qui s’inscrit dans un cadre structuré coopératif par rapport à un échange de même type non coopératif (Teneggi et al., 2013). De même, nous avons laissé jouer des duos de musiciens, dont l’un des partenaires jouait la séquence harmonique d’un standard de jazz de manière soit correcte soit incorrecte, en faisant l’hypothèse que seule la première condition provoquerait une extension de l’espace péripersonnel des musiciens (Figure 4). Afin de mesurer l’espace péripersonnel suite aux deux conditions expérimentales (la condition harmonique coopérative et la condition harmonique non coopérative), nous avons utilisé une tâche d’intégration audiotactile conçue par Serino et al. (2007, cf. aussi Canzoneri et al., 2012), qui ont montré qu’un son dont la source d’émission est proche du sujet, comparé à un son éloigné, facilite les temps de réaction à un stimulus tactile cooccurrent30. Un son éloigné est donc conditionné par ce qui est subjectivement expériencé comme éloigné. En revanche, il est apparu (Dell’Anna et al., 2020b) que seule la condition non coopérative affectait l’étendue de l’espace péripersonnel, le faisant disparaître, comme si le sujet se désolidarisait du partenaire non coopératif. Nous avons interprété ce résultat comme une preuve que, dans la mesure où la musique et la musicalité sont des langages incarnés intrinsèquement sociaux, une interaction musicale a un impact mesurable sur la perception de l’espace entre deux sujets ou plus. Ce modèle nous a également permis de comparer notre échantillon de musiciens à un échantillon de non-musiciens. En accord avec une découverte récente (Landry & Champoux, 2017), nous avons eu confirmation que les musiciens réagissent plus rapidement aux stimuli audiotactiles que les non-musiciens, quelle que soit la distance du stimulus auditif, probablement en raison de l’entraînement sensorimoteur des musiciens avec leur instrument et (dans une moindre mesure) le chant, qui entraîne des réorganisations cortico‑sous-corticales bien connues (Munte et al., 2002 ; Zimmerman & Lahav, 2012).

Qualité : timing expressif et action concertée dans l’interaction à l’œuvre lors de l’exécution d’un hoquet31

Les expériences décrites jusqu’à présent, bien que se rapportant à l’interaction musicale, sont axées sur une approche centrée sur l’analyse de faits musicaux. Un objectif central d’une autre de nos expériences était de concevoir un moyen de saisir la dynamique d’un duo de chant, afin d’évaluer la qualité de l’interaction pendant l’exécution d’un hoquet, et ce, en se concentrant sur le timing (Dell’Anna et al., 2020a). Alors que la majeure partie des études sur le timing chez un duo de musiciens ont utilisé une certaine forme de corrélation des asynchronies ou des asynchronies signées moyennes (Goebl & Palmer, 2009 ; Clayton et al., 2019)32, les méthodes restent centrées sur la musique elle-même car les faits qui se produisent correspondent à des occurrences temporelles régulières, qui peuvent être interprétées comme des événements subséquents. Nous avons essayé ici de mettre au point une méthode qui, indépendamment d’une référence fixe, serait capable de prendre en compte la variabilité intrinsèque du comportement humain dans le temps. En effet, compte tenu du caractère alterné du chant en hoquet, la référence s’exprime de manière latente (comme un tempo qui émerge et qui peut éventuellement changer avec le temps). Pour tenir compte de l’interaction, nous avons choisi l’écart temporel de déclenchement entre chaque succession de deux notes (chantées de manière alternée par les deux chanteurs) et calculé une erreur de durée en termes bayésiens, par rapport au tempo latent qui fluctue dans le temps et que nous avons utilisé comme prédicteur de la durée. Cette approche, dans laquelle le tempo latent est une sorte de moyenne évolutive utilisée en tant que prédicteur pour mesurer l’écart temporel de déclenchement subséquent, a conduit à une mesure dynamique de la précision temporelle, que nous avons appelée erreur de fluctuation. Puisque nous nous intéressions également à l’expérience subjective d’une interaction musicale, nous avons corrélé cette mesure temporelle avec une autoévaluation, par les chanteurs, de la qualité de la performance et du sentiment d’action concertée (Figure 5). Le concept d’action concertée a récemment fait l’objet d’un débat intense. Selon Pacherie (2012), il existe un sentiment d’action concertée PARTAGÉ (« SHARED ») et un sentiment d’action concertée d’un NOUS (« WE »), le premier étant le sentiment de contrôler une partie de l’action concertée, le second étant le sentiment de constituer une seule entité avec le partenaire tout en accomplissant cette action. En effet, un duo de chant peut être considéré comme une Gestalt dynamique dont les éléments contraignent le déroulement de l’exécution de l’un et de l’autre au moyen de ce langage incarné qu’est la musique (Walton et al., 2015 ; Müller et al., 2018). La manière dont nous avons conçu notre partition de hoquet aurait pu engendrer l’action concertée d’un NOUS, mais c’est en fait une action concertée PARTAGÉE qui a été observée. De plus, nous avons constaté, quant aux erreurs de durées, une corrélation plus marquée avec l’autoévaluation qu’avec les valeurs mesurées de l’action concertée.

Application du cadre théorique

Faisant écho à la proposition de Cross (2014) d’étudier la musique en tant que « processus de communication interactif » et de combiner le codage prédictif avec des descriptions incarnées de la musique, nous formulons maintenant une interprétation des trois expériences précédentes à la lumière de notre cadre de la musique en tant que langage incarné. Dans la première expérience, c’est la musicalité, plutôt que la musique, qui est prise en compte, tant que seuls la pulsation isochrone du métronome et le tapping – entraîné par celle-ci – du duo sur les drum pads constituent ensemble le modèle sonore : alors il y a interaction protomusicale, telle que nous l’avons nommée. Le caractère incarné du langage musical s’est traduit ici par sa capacité à coordonner à un niveau microtemporel les actions motrices des deux sujets en interaction, malgré leur manque d’expertise musicale. Il est important de noter que, selon notre cadre, à la fois la prédiction des (quelques) prochains tapotements du partenaire et le sentiment d’action concertée qui s’ensuit font partie de cette boucle cognitivo‑motivationnelle générée par l’interaction musicale. Au contraire, la composante « concertée » de l’action ne semble jouer aucun rôle dans les modèles de Keller ou de Leman mentionnés ci-dessus. La corrélation que nous avons trouvée entre les asynchronies des partenaires peut être interprétée comme une première évaluation d’un marqueur temporel d’un tel langage incarné, c’est-à-dire d’une caractéristique qui identifie un échange expressif plus ou moins réussi entre deux sujets (ou plus). En revanche, nous pensons avoir trouvé un autre marqueur temporel, et plus intéressant, dans notre étude sur la qualité du chant du hoquet. L’intérêt de ce marqueur réside dans sa nature dynamique, qui tire parti de l’ajustement réciproque continu entre les déclenchements sonores des deux chanteurs sur la base de prédictions à court terme. En particulier, dans cette étude, nous nous sommes concentrés sur une caractéristique temporelle : l’écart de déclenchement entre les sons émis successivement par les deux chanteurs, qui est intrinsèquement intersubjectif, appliquant ainsi déjà en quelque sorte le concept de langage incarné. Contrairement aux deux autres expériences, l’étude sur le hoquet a aussi questionné explicitement le paramètre de l’action concertée, trouvant une corrélation entre celui-ci et le marqueur dynamique de la qualité du timing de l’exécution, ce qui corrobore la conception de la musique comme langage incarné fondé sur l’action concertée. Le résultat de l’étude sur la modulation de l’espace péripersonnel, après une interaction en jazz, peut là encore être compris comme l’effet d’un manque d’action concertée. La condition non coopérative a en effet altéré « l’incorporation mutuelle » (Fuchs & De Jaegher, 2009) nécessaire pour coordonner une action musicale conjointe non seulement dans le temps, mais aussi dans l’espace (péripersonnel), empêchant ainsi le sentiment de récompense et de réalisation personnelle d’émerger. Il s’agit là d’un exemple clair de communication (incarnée) manquée, qui brise d’une manière ou d’une autre le cadre de coordination qui se met en place chaque fois qu’une interaction se produit au sein d’un ensemble musical (et provoquant, métaphoriquement parlant, l’explosion de la bulle temporaire enveloppant les musiciens, mais cf. Bufacchi & Iannetti, 2018, pour une critique d’une telle métaphore). Pour conclure, bien que les trois compétences sensorimotrices postulées par Keller (2008, Keller et al., 2014), à savoir le timing adaptatif mutuel, l’imagerie anticipatrice et la participation intégrative priorisée, et les composantes du modèle de Leman (2016), à savoir la prédiction, l’engagement physique et l’expression, sont certainement à l’œuvre dans nos trois scénarios expérimentaux33, nous soulignons le rôle crucial d’un autre facteur : l’action concertée. Le sentiment d’un contrôle partagé sur une action (musicale) donnée ou l’unité totale avec un ou plusieurs conspécifiques rendue possible par une activité musicale sous forme de rites, de cérémonies ou simplement d’échanges mère-enfant, constitue une dimension tellement fondamentale de la musique et de la musicalité en tant que langages incarnés que des recherches supplémentaires sont certainement nécessaires pour en démêler toutes les complexités.

Comme nous l’avons dit, alors que l’application de notre cadre à des contextes sociaux semble assez aisée, sa version la plus aboutie devrait également prendre en compte les interactions individuelles avec la musique. L’étude suivante, actuellement en cours dans nos laboratoires, en est un exemple. Étant donné que dans notre première expérience, nous avons utilisé la stimulation magnétique transcrânienne à pulsation unique (SMT), afin de vérifier la sociabilité de la condition allocentrique, et que dans notre deuxième expérience nous avons utilisé l’intégration multisensorielle audiotactile (MSI) comme moyen pour mesurer l’espace péripersonnel, dans une nouvelle étude, nous combinons ces deux méthodes. Notre objectif est de déterminer si l’activation cortico-spinale d’un instrumentiste à vent est renforcée par le fait de toucher une trompette tout en écoutant des sons de trompette (par rapport au fait de toucher des ciseaux et/ou d’écouter des bruits blancs), en partant de l’hypothèse que son expertise l’inciterait à se sentir prêt à jouer avec un autre musicien (virtuel), si la condition audiotactile congruente se produisait (cf. Schulz et al., 2003 ; Yamaguchi et al., 2014 pour des données empiriques stimulantes). À cette fin, nous comparons un groupe d’instrumentistes à vent avec un groupe de non-musiciens, dans la mesure où seul le premier groupe est censé présenter une telle forme de marqueur d’action concertée, en raison des compétences spécifiques requises par le cadre expérimental et, probablement, par les réseaux de neurones miroirs sous-jacents (cf. aussi ci-dessus). En d’autres termes, l’association des stimuli auditif et tactile pourrait être une conséquence de l’expertise acquise, étant donné que, pour le musicien, le fait de s’engager avec la trompette est au départ nécessairement associé au son de cet instrument.

Conclusion

En résumé, nous nous sommes appuyés dans cet article à la fois sur la musicologie cognitive et les neurosciences pour esquisser un cadre théorique global sur l’interaction en musique, en tirant parti de plusieurs aspects de la pratique musicale en duo, depuis une action protomusicale très élémentaire, comme le tapping, jusqu’à des actions plus élaborées, comme le fait de jouer un standard de jazz et de chanter une mélodie en hoquet. Notre cadre combine des approches du codage incarné et du codage prédictif, centrées sur le concept d’action concertée. Si l’interaction sociale est le mode par défaut par lequel les humains communiquent avec leur environnement (Hari et al., 2015), la musique et la musicalité, considérées comme un langage incarné, peuvent sans doute offrir une voie vers sa réalisation. Le caractère métaphorique de l’analogie que nous proposons entre la musique et le langage devrait encourager, à notre avis, une exploration plus poussée de la nature sociale de tout type d’interaction avec la musique. En outre, il pourrait inviter à une analyse approfondie d’aspects autres que l’aspect pragmatique que nous avons mis en évidence dans le présent article, en partant, par exemple, de la littérature sur les neurones miroirs relative aux processus linguistiques, pour faire ressortir des liens plus profonds entre la musique et le langage (Rizzolatti & Arbib, 1998 ; Arbib, 2013).

Tout d’abord, étant donné l’intérêt récent des neurosciences pour la compréhension des interactions sociales, nous avons exploré certaines hypothèses dans le contexte de la recherche sur l’action conjointe, dans lequel les approches incarnées et prédictives pourraient être mieux articulées entre elles. Nous avons donc mis l’accent sur les composantes incarnées et étendues de la cognition, étant donné qu’elles pourraient être les principaux éléments susceptibles de favoriser l’intégration des deux approches susmentionnées dans le domaine musical. Ensuite, la composante sensorimotrice du modèle du codage prédictif a été mise en évidence, dans la mesure où elle peut être considérée comme la plus naturellement proche du cadre incarné. Une incursion dans le domaine intensément débattu de la cognition musicale incarnée a été envisagée comme une étape nécessaire vers la formulation de notre synthèse, juste avant un bref aperçu des résultats les plus récents des neurosciences cognitives concernant l’interaction sociale dans la musique. Un cadre théorique de la musique en tant que langage incarné a été esquissé, qui vise finalement à rendre justice à la nature intrinsèquement interactive de l’expérience musicale, indépendamment de l’interaction sociale réelle qui pourrait être impliquée. L’action concertée, principale caractéristique de notre approche envisageant la musique comme un langage incarné, est présentée comme le cœur conceptuel autour duquel les approches incarnées et prédictives peuvent converger.

Le principal intérêt de notre proposition réside dans la volonté de fédérer différents champs de recherche, qui ont été fortement débattus au cours des vingt dernières années, et d’en opérer une nouvelle synthèse dans le domaine de la cognition musicale. Encore une fois, concevoir la musique comme un langage incarné, c’est prendre au sérieux la neurobiologie actuelle lorsqu’elle insiste sur l’importance de l’interaction sociale dans l’émergence de l’esprit humain et de la cognition (Caccioppo et al., 2010 ; Dennett, 2017), dont une part est constituée du formidable phénomène de la musique. Si tel est le cas, les futures voies de recherche devraient tenir compte du fait que la meilleure façon de définir la musique passe par l’interaction sociale, même si nous traitons de paramètres apparemment neutres comme le timbre, le rythme, le profil mélodique, etc. (cf. aussi McDermott, 2009 ; Bryandt, 2012).

Cependant, un certain nombre de limites subsistent dans le présent travail. Premièrement, plutôt qu’un modèle, c’est un cadre de la cognition musicale que nous présentons, d’où la difficulté d’émettre des hypothèses plus ciblées. En particulier, des recherches empiriques supplémentaires sont nécessaires pour tester la portée du concept d’action concertée ; par exemple, s’il peut aussi, comme nous le postulons, réellement jouer un rôle dans les interactions individuelles avec la musique. Deuxièmement, il semble souhaitable et possible de prendre en compte de manière plus poussée l’intégration de nombreux autres aspects des approches incarnées et prédictives que nous n’avons pas abordés ici. Les partisans du modèle des 4E, par exemple, nous invitent à inclure la cognition incarnée dans le paradigme plus large de « l’énaction », tel que proposé initialement par Varela et al. (1991) et précisé plus récemment par Gallagher (2017) ou Newen et al. (2018). Il serait intéressant de se pencher sur une telle possibilité, étant donné qu’une approche énactive dans le domaine musical a été continuée avec persistance ces dernières années par Schiavo et Altenmüller (2015), Schiavio et De Jaegher (2017) ou Van der Schyff et Schiavio (2017). Enfin, bien que le codage prédictif ait parfois été présenté comme étant compatible avec l’approche incarnée, même par certains de ses partisans (Friston & Frith, 2015 ; Koelsch et al., 2019), l’essentiel de ses applications est centré sur le cerveau, tirant parti des hiérarchies neurales facilement identifiables dans le cerveau. Nous avons juste commencé à montrer comment cette approche peut être « étendue » à l’environnement, non seulement en utilisant des outils (musicaux), mais aussi (et principalement) au moyen d’interactions sociales. De nombreuses recherches sont nécessaires pour compléter ce tableau. Étant donné la nature complexe du phénomène du « musiquer » (« musicking »)34 ensemble (Small, 1998), qui englobe des aspects biologiques et culturels, il ne sera pas surprenant de voir se multiplier, dans un avenir proche, des travaux interdisciplinaires associant des biologistes de l’évolution, des neuroscientifiques, des psychologues, des musicologues, des philosophes ainsi que des musiciens. Le présent travail n’est qu’une goutte d’eau dans cette mer dont les limites restent inexplorées.