L’intégration de nouvelles œuvres littéraires dans les programmes d’anglais demeure un défi, car les éducateurs manquent souvent d’outils évolutifs leur permettant d’évaluer rapidement la lisibilité des textes et de les adapter aux besoins variés des classes. Cette étude propose de combler cette lacune grâce à une approche multimodale combinant une classification de texte basée sur les Transformers et une analyse des caractéristiques linguistiques, afin d’aligner les textes sur les étapes clés du système éducatif britannique (UK Key Stages). Huit Transformers d’avant-garde ont été affinés sur des données textuelles segmentées, BERT atteignant le meilleur score F1 unimodal de 0,75. Parallèlement, 500 topologies de réseaux de neurones profonds ont été explorées pour la classification des caractéristiques linguistiques, atteignant un score F1 de 0,392. La fusion de ces modalités montre une amélioration significative, chaque approche multimodale surpassant toutes les modèles unimodaux. En particulier, la fusion du Transformer ELECTRA avec le réseau de neurones a permis d’atteindre un score F1 de 0,996. Les approches unimodales et multimodales présentent des différences statistiquement significatives sur tous les indicateurs de validation (précision, rappel, score F1 et exactitude), à l’exception du temps d’inférence. L’approche proposée est finalement encapsulée dans une application web destinée aux parties prenantes, offrant aux utilisateurs non techniques un accès en temps réel à des analyses sur la complexité textuelle, le niveau de difficulté de lecture, l’alignement avec le programme scolaire et des recommandations pour l’âge d’apprentissage. Cette application facilite la prise de décisions fondées sur les données et réduit la charge de travail manuelle en intégrant des recommandations basées sur l’intelligence artificielle dans la planification pédagogique de la littérature anglaise.