Navigation – Plan du site

AccueilNuméros3Analyse d’activités collaborative...

Analyse d’activités collaboratives à distance dans le cadre d’un dispositif d’apprentissage de la modélisation scientifique

Analysis of collaborative activities within a distance learning device for scientific modelling
Albert Strebelle et Christian Depover

Résumés

Cette recherche a pour objectif l’analyse du processus de modélisation collaborative à distance et se fonde sur une série d’observations réalisées en milieu scolaire. La démarche repose sur l’exploitation par les apprenants des données issues de la trace. C’est-à-dire des données enregistrées par un environnement d’apprentissage de la modélisation scientifique (l’environnement ModellingSpace) qui associe un espace de travail partagé à distance et une messagerie instantanée.
Une étude de cas a été menée auprès d’un échantillon d’élèves de l’enseignement secondaire, âgés de treize à quinze ans. Les résultats de la recherche montrent que le dispositif permet le développement de compétences essentielles en matière de modélisation et qu’il est propice à des modes de collaboration fortement interactifs

Haut de page

Texte intégral

Introduction

1La démotivation des élèves est particulièrement sensible dans les disciplines scientifiques qui n’enthousiasment plus guère les jeunes depuis près de deux décennies (James & Le Coq, 1997). Un rapport de l’OCDE (2006) incrimine l’enseignement des sciences comme étant un des principaux facteurs dans la crise des vocations pour les carrières scientifiques. C’est sur la base de cette accusation que de nombreuses voix se sont élevées, ces dernières années, pour appeler à un renouvellement de cet enseignement (Sanchez, 2008). Par exemple, un rapport publié par la Commission européenne (Rocard et al., 2007) préconise la mise en œuvre d’un enseignement scientifique basé sur la conduite d’une démarche autonome d’investigation scientifique par les élèves.

2Un intérêt souvent mis en évidence des technologies de l’information et de la communication en éducation (TICE), tout particulièrement dans l’enseignement des sciences, réside dans le fait qu’un usage pertinent des logiciels de modélisation ou encore des environnements d’exploration de type micromonde comme Logo ou Cabri-géomètre (Laborde & Laborde, 2006) est susceptible de participer au développement de compétences de haut niveau (Depover et al., 2007 ; Depover & Strebelle, 2008). La perspective dans laquelle nous plaçons l’exploitation de ces environnements en milieu scolaire considère les TIC comme des moyens d’apprentissage qui laissent à l’enseignant une large liberté d’orientation pédagogique (Burou et al., 1998).

3La recherche en éducation que nous présentons dans cette contribution propose une analyse du processus de modélisation scientifique collaborative. L’analyse repose sur une étude de cas multiples menée auprès d’un échantillon d’élèves de l’enseignement secondaire, âgés de treize à quinze ans. Cette démarche se fonde sur l’exploitation par les apprenants des données issues de la trace, c’est-à-dire des données enregistrées par un dispositif d’apprentissage collaboratif à distance associant un espace de travail partagé et une messagerie instantanée.

4Une des caractéristiques du dispositif que nous avons modélisé et expérimenté réside dans l’analyse des effets d’une intervention pédagogique en présentiel qui s’appuie essentiellement sur l’exploitation par un tuteur humain des traces de l’activité des élèves ainsi que des messages échangés par ces derniers au cours d’une séquence d’activités de modélisation collaborative à distance médiatisée par ordinateur. À partir de l’analyse des données collectées sur la base de l’utilisation de l’environnement ModellingSpace (Komis et al., 1999 ; Strebelle et al., 2005), les auteurs questionnent différents aspects liés à la constitution et à l’exploitation des traces selon deux points de vue : d’une part, le point de vue du tuteur qui s’interroge sur les informations à présenter à l’apprenant pour déclencher chez lui une prise de conscience métacognitive (Flavel, 1976) propice à l’amélioration de ses performances et, d’autre part, le point de vue du chercheur qui souhaite donner un sens aux informations récoltées au cours de l’apprentissage pour mieux comprendre les mécanismes cognitifs en jeux (Strebelle & Depover, 2009).

5Le tuteur-chercheur se donne pour objectif d’apprécier, au terme du processus, l’impact de son intervention tutorale sur les démarches d’apprentissage mises en œuvre par les « tutorés » (Strebelle, 2012). Cette perspective rejoint celle adoptée dans plusieurs recherches centrées sur l’exploitation des traces dans un contexte d’enseignement-apprentissage (De Lièvre et al., 2005 ; Mile & Prié, 2006 ; Ollagnier-Beldame M., 2006).

6La première partie de l’article présente le cadre conceptuel de la recherche. La méthodologie de la recherche est détaillée dans la deuxième partie. Dans une troisième partie sont présentés les résultats marquants de la recherche. Enfin, dans la quatrième et dernière partie de l’article, nous présentons les conclusions de notre étude.

1. Cadre conceptuel

7Le cadre conceptuel de la recherche est abordé à quatre niveaux : le rôle et le statut des modèles en éducation ; la valorisation de l’activité de modélisation dans les curricula ; la modélisation médiatisée par ordinateur en contexte scolaire et enfin, l’intérêt ainsi que les limites de la communication synchrone en contexte d’apprentissage médiatisé par ordinateur.

1.1 Statut et rôles des modèles en éducation

8De nombreux auteurs s’accordent pour déclarer que la modélisation doit occuper une place centrale dans l’enseignement des disciplines scientifiques (Riley, 1990 ; Martinand, 1992, 1994 ; Bliss, 1994 ; Kurtz dos Santos & Ogborn, 1994 ; Hesteness, 1996 ; Jackson et al., 1996 ; Gobet, 2000). Cette prise de position est étayée par les résultats de différentes recherches en sciences cognitives ainsi qu’en didactique des mathématiques et en didactique des sciences qui tendent à montrer qu’une activité de modélisation menée par les élèves peut contribuer de façon significative à leur développement cognitif (Lemeignan & Weil-Barais, 1993 ; Mellar et al., 1994 ; Tiberghien, 1994, 1996). En effet, les compétences cognitives que l’activité de modélisation met en œuvre s’avèrent très variées : représenter, expliquer, communiquer, convaincre, anticiper, concevoir ou contrôler, par exemple.

9L’enseignement des modèles et de la modélisation ne va toutefois pas sans poser problème. Ainsi, en 1992, Martinand dénonçait une forme de dogmatisme, qui, selon lui, prévalait à cette époque dans l’enseignement des sciences expérimentales en France. Dans un ouvrage qui fait référence, cet auteur regrette que le caractère hypothétique des modèles qui ont été élaborés pour expliquer et prédire les phénomènes ne soit pas systématiquement mis en avant dans l’enseignement des sciences, ce dernier ayant tendance à imposer un point de vue, un mode de description ou une interprétation unique. Cette remise en question se retrouve dans les résultats des recherches de Van Driel & Verloop (1999) qui montrent que beaucoup d’enseignants des disciplines scientifiques considèrent les modèles comme des représentations simplifiées de la réalité et que, s’ils soulignent le potentiel descriptif et explicatif des modèles, les enseignants mentionnent rarement leur caractère prédictif. Plus récemment, un constat similaire est dressé par un groupe de chercheurs de l’université de Lyon (Sanchez et al., 2007) qui observent que, dans l’enseignement des sciences de la Terre, les modèles perdent leur statut d’outils à penser pour devenir des objectifs d’enseignement dont le statut n’est pas discuté.

10Dans le cadre de travaux récents, plusieurs didacticiens (Halloun, 2004 ; Sanchez 2008) attribuent aux modèles un statut d’outil pour l’investigation scientifique. Dans cette perspective, l’exploitation des modèles dans un contexte d’enseignement peut jouer différents rôles. Selon Sanchez (ibidem), les modèles constituent à la fois :

  • des outils de perception et de visualisation qui permettent de percevoir et d’identifier des phénomènes à l’occasion d’investigations empiriques ;

  • des outils d’intelligibilité permettant de souligner les éléments et les relations d’un système étudié ;

  • des outils de communication sur lesquels ancrer le débat scientifique ;

  • des intermédiaires entre un registre empirique et un registre théorique ;

  • des outils d’investigation scientifique.

1.2 Activités de modélisation à l’école

11Tout comme les scientifiques construisent des modèles afin de mieux comprendre les systèmes complexes et tenter de les prédire, les apprenants peuvent être amenés, dans le cadre d’une mise en situation, à élaborer des modèles qui permettent d’appréhender certains phénomènes naturels. Les activités de modélisation, en facilitant la compréhension de ces phénomènes, jouent un rôle important dans les apprentissages, car, en construisant des représentations externes de phénomènes, les élèves élaborent des représentations internes, des modèles mentaux de ces phénomènes (Papert, 1980).

12L’activité de modélisation telle qu’elle est généralement pratiquée en classe s’inscrit dans une approche constructiviste de l’apprentissage (Depover et al., 2007). Dans ce cadre, la modélisation consiste essentiellement à construire des représentations de phénomènes après les avoir observés. Ces représentations jouent le rôle de supports cognitifs qui accompagnent la pensée et le raisonnement (Teodoro, 1997). À travers l’analyse d’une situation, le dessin d’un modèle initial, son exploration, sa mise à l’épreuve, la comparaison avec les modèles d’autres étudiants, son évaluation et son amélioration, un élève est mis en situation de développer progressivement un modèle mental proche des modèles scientifiques.

13Sur la base du potentiel éducatif que nous venons de mettre en avant, la modélisation est de plus en plus valorisée dans les curricula des systèmes éducatifs modernes. Ainsi, dans leur majorité, les référentiels et les programmes d’étude intègrent des activités de modélisation dans leurs exigences.

14Les recherches menées au cours du processus de développement de l’environnement ModellingSpace ont permis de vérifier dans quelle mesure cet intérêt grandissant pour un usage scolaire des modèles et pour l’apprentissage de compétences de modélisation rejaillissait sur les curricula dans des pays tels que la Belgique francophone (Fédération Wallonie-Bruxelles), la France, la Grèce, le Royaume-Uni ou le Portugal.

15Ces différents curricula incluent tous des références aux activités de modélisation et prennent en considération la modélisation parmi les concepts à enseigner. Les rôles que peuvent jouer les modèles dans l’enseignement tels qu’ils résultent de l’examen de ces curricula sont les suivants :

  1. Les modèles peuvent être considérés comme des objets d’enseignement, spécialement dans les disciplines scientifiques. Dans cette perspective, les étudiants doivent connaître les modèles scientifiques consensuels majeurs de même que leur portée et leurs limites.

  2. Des modèles sont utilisés par l’enseignant en tant qu’outils didactiques de visualisation. Ils peuvent être constitués d’un matériel concret comme un ensemble de boules assemblées figurant une molécule ou d’un matériel informatisé comme une simulation ou encore un programme graphique.

  3. Des modèles sont exploités dans l’apprentissage des méthodes de recherche scientifique. Les étudiants doivent apprendre quelle est leur nature et comment apprécier leur rôle dans la validation et la diffusion des résultats des investigations scientifiques.

  4. Des modèles sont construits dans le but de développer des compétences de modélisation. Les étudiants doivent ainsi être capables de créer, exprimer et tester leurs propres modèles dans une double perspective : de prédiction, d’élaboration et d’évaluation d’expériences principalement dans le cadre des cours de science, d’une part ; de développement de compétences de résolution de problèmes, principalement dans le cadre des cours de mathématique et d’initiation aux technologies de l’information et de la communication, d’autre part.

16Plus particulièrement, à la lecture des référentiels de compétences publiés par la Fédération Wallonie-Bruxelles, on peut constater que le système éducatif de la Belgique francophone, dans le cadre duquel la recherche a été menée, considère que la modélisation est une compétence fondamentale. La modélisation est en effet mentionnée de manière explicite parmi les « compétences terminales et savoirs requis » en « humanités générales et technologiques »1 aussi bien en sciences, en mathématiques, en géographie qu’en sciences économiques. Elle est présentée comme une compétence complexe qui réclame des interactions avec les apprentissages antérieurs : elle demande une mobilisation de connaissances dans le cadre d’un raisonnement qui amène à transférer ces connaissances dans la réalisation d’un modèle.

  • 2 Ibidem

17Au niveau des disciplines scientifiques, la modélisation est considérée comme une compétence transversale qui doit être acquise aussi bien au terme du cursus des « sciences de base » qu’à l’occasion du cursus de « sciences générales »2 obligatoire pour les élèves qui orientent leur formation vers les sciences, les mathématiques ou la technologie. L’utilisation de logiciels de modélisation n’est envisagée de manière explicite que dans le cadre de ce dernier cursus.

  • 3 Ibidem

18Dans le référentiel des « compétences terminales »3 en mathématiques de l’enseignement secondaire général en Belgique francophone, la modélisation est considérée comme une compétence qui relève aussi bien de l’étude des fonctions, de l’algèbre, de la géométrie et de la trigonométrie que du traitement des données. Cependant, c’est dans l’étude des fonctions qu’elle est le plus citée. L’utilisation de logiciels de modélisation n’est pas une exigence. Elle est simplement mentionnée comme optionnelle en rapport avec la réalisation de modèles en géométrie.

19Dans le référentiel des « socles de compétences »4, la modélisation n’est pas mentionnée de manière explicite. Cependant, l’utilisation de modèles est implicite dans une série d’autres compétences que les élèves sont appelés à maîtriser. Par exemple, le curriculum scientifique précise qu’au terme du premier degré de l’enseignement secondaire (niveau III des socles de compétences), les élèves doivent être capables d’identifier deux variables ainsi que leurs valeurs et exprimer de manière quantitative la relation qui les relie. De façon similaire, les socles en mathématiques identifient comme compétence transversale au même niveau, la capacité à faire varier une grandeur dans le but d’analyser les effets dans le cadre de la résolution d’un problème.

1.3 Modélisation médiatisée par ordinateur en contexte scolaire

20Au cours des deux dernières décennies, l’activité de modélisation a été significativement modifiée grâce aux environnements informatiques. Les technologies de l’information et de la communication (TIC) offrent en effet une gamme d’outils performants qui permettent de développer des activités de soutien à la modélisation, difficiles à mettre en place sans eux. En contexte scolaire plus particulièrement, l’utilisation des environnements informatiques de modélisation est prônée par de nombreux auteurs qui leur attribuent un rôle d’aide au raisonnement scientifique (e.g. Bliss, 1994 ; Ogborn, 1997, 1999 ; Komis et al., 1999 ; Buckley & Boulter, 2000 ; Buty, 2000 ; Stenning et al., 2002 ; Halloun, 2004 ; Richoux & Beaufils, 2007 ; Sanchez et al., 2007 ; Sanchez, 2008.). Ainsi, la modélisation médiatisée par ordinateur permet aux élèves de tester leurs idées à propos d’un phénomène, de recevoir des rétroactions très réalistes à travers la modification de l’apparence des objets qui sont manipulés par l’intermédiaire de simulations ou encore de visualiser le résultat de leurs actions sous forme de graphiques (Depover et al., 2007).

21Une des caractéristiques faisant l’originalité de notre recherche réside dans le fait que la modélisation y est abordée à un niveau scolaire dans lequel elle n’intervient pas habituellement. En effet, les activités de modélisation relèvent le plus souvent de la fin de l’enseignement secondaire alors même que la modélisation est mentionnée plus tôt dans les curricula. Pour les élèves impliqués dans cette recherche, c’est la première fois qu’ils sont confrontés à un cycle complet de modélisation de la relation entre les variables d’une situation expérimentale. Sur un même espace de travail, ils ont été amenés à construire trois représentations d’un même phénomène : un modèle qualitatif, un modèle semi-quantitatif et un modèle quantitatif selon la classification proposée par Dimitracopoulou et al. (1999).

22Dans les modèles quantitatifs, les caractéristiques du système physique représenté sont quantifiées et exprimées par des valeurs numériques. Le formalisme de ces modèles se base sur des grandeurs mesurables et des relations mathématiques entre grandeurs qui sont exprimées par des formules mathématiques. Leur développement se fonde sur l’utilisation d’équations mathématiques. Des tableurs ou feuilles de calcul électroniques comme Excel peuvent être considérés comme des environnements qui permettent la modélisation quantitative et sont utilisés à ce titre dans les écoles et les centres de formation. Les exemples d’environnements directement dédiés au développement de compétences de modélisation quantitative les plus connus sont Stella, Modellus, Interactive Physics ou encore DMS, Simquest et Co-Lab.

23Dans les modèles qualitatifs, les caractéristiques du système physique ainsi que les relations entre ces caractéristiques sont représentées par des symboles abstraits, souvent graphiques. Les modèles qualitatifs peuvent être informels, c’est le cas des cartes conceptuelles que l’on peut construire à partir de logiciels comme Axon Idea Processor, CmapTools, Inspiration, ou Representation Tool. Les modèles qualitatifs peuvent également être formels, c’est le cas des réseaux sémantiques de représentation des connaissances comme Semantic Networks ainsi que de certains systèmes experts comme EnergyExpert ou WorldMaker.

24Les modèles semi-quantitatifs impliquent des grandeurs mesurables dont les variations ne sont pas exprimées de manière explicite par des relations mathématiques, mais par le type d’influence qu’elles exercent les unes sur les autres. Les environnements qui exploitent des modèles semi-quantitatifs ont été développés en tant qu’outils de recherche en psychologie cognitive et en didactique des disciplines scientifiques. Les plus connus sont Iqon, Link-It et Model-It.

1.4 Intérêt et limites de la communication synchrone en contexte d’apprentissage médiatisé par ordinateur

25Grâce au développement de l’Internet, les outils de communication asynchrone de type courrier électronique ou forum de discussion ont connu un essor rapide au cours des dernières décennies. Avec l’augmentation des capacités des réseaux à supporter des applications de plus en plus lourdes, les outils de communication synchrone permettant la conversation en temps réel, du type messagerie instantanée ou visioconférence, connaissent à l’heure actuelle un succès incontestable tant dans la sphère privée que dans la sphère professionnelle.

26Dans le cadre des apprentissages médiatisés par les technologies, ces outils de communication synchrone permettent d’assurer des interactions rapides et efficaces (Jermann, 2004). L’usage de la communication synchrone électronique est relativement récent dans le domaine de l’éducation. Dans les années 1990, elle a déjà été utilisée notamment dans des cours de français (apprentissage de la rédaction, enseignement de la littérature) ainsi que des cours de langue étrangère, mais son contexte d’usage le plus fréquent était la communication interindividuelle au cours d’activités sociales ou récréatives (De Lièvre, 2000).

  • 5 En opposition aux activités de simple production, les activités épistémiques nécessitent un effort (...)

27Depuis, divers chercheurs (e.g. Mac Gee & Boyd, 1994 ; Aoki, 1995 ; Murphy & Collins, 1997 ; De Lièvre, 2000 ; Baker, 2003 ; Depover et al., 2006) ont mis en évidence les avantages de la communication synchrone dans l’apprentissage collaboratif. Premièrement, la communication synchrone constitue une modalité de communication qui se révèle rapidement familière pour ses utilisateurs, autant pour les apprenants que pour les enseignants, ce qui facilite son usage. Les procédures adoptées par les uns et les autres sont relativement proches de celles qui interviennent en situation de face à face. Deuxièmement, la communication synchrone permet de réagir de façon appropriée en raison de la connaissance du contexte dans lequel une question est posée ou une aide demandée dans un délai réduit et de façon à ce que l’effet de la rétroaction soit le plus efficace possible. Dans certaines messageries électroniques instantanées, un historique du dialogue permet de retrouver le contexte dans lequel un message a été émis. La sensation d’une présence sociale qui incite à l’implication dans la conversation constitue un troisième avantage reconnu à la communication synchrone. Le contact en temps réel paraît contribuer à créer un sentiment d’appartenance au groupe plus important que ce que permet la modalité asynchrone. Enfin, la communication synchrone est particulièrement adaptée aux activités épistémiques5 qui, comme la négociation, la prise de décision, le débat d’opinions ou encore le brainstorming, réclament des réactions spontanées et rapides plutôt qu’une discussion étendue dans le temps (Baker, 2003 ; Depover & De Lièvre, 2005 ; Dillenbourg & Traum, 2006). Cette capacité de réaction rapide paraît essentielle quand, lors d’un échange, il s’agit de remédier aux incompréhensions qui peuvent survenir au cours d’un dialogue. Les apprenants qui demandent de l’aide ne comprennent pas toujours la réponse et, par conséquent, réclament de nouvelles explications et posent de nouvelles questions. Cette fonction de support en direct permet une formulation immédiate de la demande ainsi que de la réponse qui lui fait suite. Le fait que l’apprenant puisse formuler une requête ou demander des conseils dès qu’il en ressent le besoin est un atout indéniable. La réponse est formulée rapidement, ce qui permet à l’apprenant d’en tenir compte immédiatement et d’ajuster directement son comportement aux informations reçues (De Lièvre, 2000).

28La comparaison entre les modalités de communication écrite synchrone et asynchrone apporte encore d’autres éléments d’information : les communications synchrones sont généralement plus séquentielles ; elles se rapprochent de la conversation parlée. Les messages ont tendance à être plus courts et l’orthographe moins soignée. L’aspect textuel de la communication synchrone médiatisée par ordinateur a ses détracteurs, en ce sens que la communication écrite exige une charge cognitive importante (Lawley, 1992), qu’elle est consommatrice de temps (Eastmond, 1994) et qu’elle ne permet que des formulations de phrases brèves et de faible qualité (Lewis & Hedegaard, 1993). Pour ce qui concerne ses limites, la littérature met en exergue : la nécessité pour les apprenants de posséder des connaissances dans la langue utilisée pour converser ainsi que des compétences en matière de rédaction (Aoki, 1995) ; la nécessité de pouvoir mobiliser des compétences en termes de suivi de conversations multiples ou de messages à replacer dans le contexte de l’intervention qui les a suscités (Newby, 1993) ; l’adoption d’attitudes pouvant être inadéquates par rapport à la situation d’apprentissage comme, par exemple, une inhibition (Lewis & Hedegaard, 1993). D’un autre côté, les partisans de ce médium estiment que le fait de devoir rédiger des questions, des critiques ou des justifications permet aux partenaires de se donner le temps de la réflexion pour exprimer leurs idées de façon claire (De Lièvre, 2000 ; Quignard & Baker, 2007). Dans ce cadre, la communication synchrone par écrit permettrait aux étudiants d’être davantage concentrés sur les idées qu’ils expriment que dans une situation de communication orale, en présentiel aussi bien qu’à distance, en audio ou en visioconférence (Ahern, 1993 ; Berge et Collins, 1993 ; Lewis & Hedegaard ; 1993).

2. Méthodologie de recherche

29Dans cette partie consacrée à l’exposé de la méthodologie de la recherche, nous présenterons en premier lieu le dispositif technopédagogique mis en œuvre en contexte de classe, puis la méthode de condensation des données et, enfin, la méthodologie déployée pour leur analyse.

2.1 Dispositif technopédagogique mis en œuvre dans le cadre d’une observation participante

30La recherche que nous nous proposons de décrire ici prend place en contexte scolaire. Cette option méthodologique vise à prendre en compte les processus dans leur globalité et leur complexité. Elle confère à la recherche un degré élevé de validité écologique (Leclercq D., 2006 ; Sarrazin et al., 2006). Pour saisir les mécanismes en jeu en contexte réel, la démarche d’observation participante (Perrenoud P., 1988 ; Depover & Strebelle, 1997 ; Lessart-Hébert et al., 1997 ; Jones, 2000 ; Martineau, 2005) a pour ambition prioritaire d’élaborer des modèles d’intelligibilité des mécanismes éducatifs en jeu et, secondairement, de répondre à des questions de recherche définies a priori ainsi que d’autres qui émergent au fur et à mesure de l’analyse des données dans une approche dialectique articulant démarche inductive et démarche déductive. Les choix méthodologiques qui découlent de ce paradigme conduisent à définir la recherche comme une étude de cas multiples inscrite dans la durée (Crahay, 2006). Cette étude de cas a été menée auprès d’un échantillon d’élèves de l’enseignement secondaire âgés de treize à quinze ans dans le but de répondre aux questions suivantes :

  • Les performances des dyades engagées dans la modélisation collaborative à distance sont-elles améliorées après le débriefing avec le tuteur ?

  • Quels éléments du processus de co-élaboration de modèles sont-ils modifiés après le débriefing et comment ?

31L’observation participante a été menée sur deux périodes de six semaines dans une école secondaire. Au total, soixante-dix-huit élèves ont été impliqués dans cette « recherche sur le terrain ». Ils étaient répartis au sein de quatre « groupes classes » : trois classes d’enseignement technique (en orientation sportive) fréquentées par des élèves âgés de 14 à 15 ans et une classe d’enseignement général constituée d’élèves âgés de 13 à 14 ans.

32La première étape de la recherche a consisté à mettre en place, dans chacune des classes, un scénario centré sur un dispositif technopédagogique original qui fait intervenir un tuteur dans le cadre d’activités d’exploitation d’un environnement d’apprentissage collaboratif de modélisation scientifique nommé ModellingSpace (MS).

Figure 1 : Scénario pédagogique de la recherche en cinq phases

Figure 1 : Scénario pédagogique de la recherche en cinq phases

33Tel que schématisé dans la figure 1, le scénario pédagogique que nous avons conçu s’appuie sur une séquence d’activités structurée en cinq phases :

  1. une phase initiale de familiarisation avec l’environnement de modélisation collaborative MS en deux périodes (100 minutes + 50 minutes) réparties sur deux semaines ;

  2. une intervention pédagogique collective, nommée « débriefing collectif », qui se fonde sur l’exploitation par le tuteur des traces enregistrées par l’environnement MS au cours de l’activité préliminaire de familiarisation en une période de cinquante minutes ;

  3. une première activité (A1) de modélisation collaborative à distance en dyades en deux périodes de cent minutes réparties sur deux semaines ;

  4. une intervention pédagogique, nommée « débriefings par dyade », sous forme d’un entretien d’une durée de vingt-cinq à cinquante minutes en présentiel avec les membres de chaque dyade qui se fonde sur l’exploitation par le tuteur des traces enregistrées par l’environnement MS au cours de la première activité de modélisation (A1). Ces entretiens sont répartis sur une semaine ;

  5. une seconde activité de modélisation collaborative à distance en dyade (A2) en une période de cent minutes.

  • 6 Ces activités et les modèles attendus sont décrits dans un article antérieur (Strebelle A. & Depove (...)

34Au sein de chacune des deux activités de modélisation (A1 et A2)6, les tâches sont structurées en deux grandes étapes successives. La première étape consiste à identifier et représenter les deux variables de l’expérience, à l’aide de deux entités abstraites. Cette étape se subdivise elle-même en quatre phases : l’identification des variables, la sélection des objets de l’environnement (nommé « entités » dans la suite de ce texte) qui vont représenter ces variables, la description des entités et, enfin, le paramétrage des entités. Chacune de ces phases débouche sur une production dans l’espace de modélisation. La deuxième étape de l’activité propose de représenter la relation entre les variables de l’expérience sous quatre formes : une forme qualitative, une forme semi-quantitative et deux formes quantitatives : un tableau des données et un graphe cartésien.

35Pour chaque activité collaborative, les conditions d’une collaboration à distance sont créées en répartissant dans deux laboratoires distincts chaque membre d’une dyade constituée par affinité. Un ordinateur connecté à l’Internet est attribué à chaque élève. Les élèves de la classe sont donc répartis en deux sous-groupes occupant deux salles différentes sans pouvoir dialoguer ni de vive voix ni par signe. Les élèves de chaque dyade entrent en communication entre eux uniquement par le canal de l’Internet via l’environnement MS. L’étape de familiarisation ainsi que les deux activités de modélisation A1 et A2 sont encadrées et supervisées par trois personnes : le professeur titulaire du cours qui reste en permanence dans un local, un assistant qui reste en permanence dans l’autre local et le tuteur qui voyage d’un local à l’autre de manière à superviser l’ensemble du dispositif. Pour minimiser l’effet « recours à une personne ressource », le protocole prévoit que les interventions de l’équipe d’encadrement soient limitées à des aides strictement techniques ainsi qu’à des aides pédagogiques minimum en cas de blocage dans la réalisation d’une activité. En effet, dans le scénario pédagogique tel que nous l’avons conçu, le tuteur et les autres membres de l’équipe d’encadrement présents au cours de l’activité se mettent volontairement en retrait en adoptant une posture de neutralité bienveillante. En les plaçant dans cette posture, la volonté des concepteurs est de minimiser la relation magistrale en cours d’activité dans l’espoir d’intensifier les échanges entre apprenants.

36Par contre, une intervention pédagogique est organisée en dehors du cadre de la classe sous la forme d’un entretien semi-structuré par dyade. Entre les deux activités de modélisation collaborative à distance A1 et A2, le tuteur fait passer aux deux membres de la dyade un questionnaire métacognitif qui tient lieu de structure commune à tous les entretiens. Pour le reste, son intervention se fonde d’une part, sur l’évaluation des productions de l’activité A1 et, d’autre part, sur une discussion relative aux manières de procéder des élèves dans certaines phases clés du processus d’élaboration des modèles. L’entretien est filmé et enregistré sur une bande vidéo.

37L’intervention pédagogique que nous venons de présenter constitue la phase centrale de notre dispositif de retour sur la trace. Ce dispositif prévoit que les dysfonctionnements éventuels dans la manière de procéder à la co-élaboration des modèles soient pris en considération au cours des interactions initiées par le tuteur sur la base d’une analyse rétrospective des traces des actions et interactions. Ces interventions du tuteur ont pour but de permettre un réinvestissement cognitif par les apprenants qui doit les amener à améliorer leur manière de procéder au cours de la seconde activité (A2). Concrètement, le scénario pédagogique prévoit que, dans le cadre de la partie normalisée de son intervention auprès de chaque dyade, le tuteur rappelle systématiquement chacune des consignes relatives à la collaboration au sein de la dyade. Par ailleurs, dans le cadre de la partie de son intervention ajustée aux caractéristiques de la dyade, le tuteur fait le point sur la manière dont cette dernière a appréhendé la collaboration pour chaque série de tâches et communique à ses membres un commentaire évaluatif relatif à la qualité de leurs productions.

38Au terme de la séquence d’activités implémentée dans cinq classes, un échantillon résiduel de quinze dyades ayant effectué la séquence d’activités du scénario pédagogique dans sa totalité et dont les données étaient exploitables a pu être retenu.

2.2 Condensation des données

39Pour effectuer l’analyse de la collaboration entre les partenaires de l’activité de modélisation, nous avons adopté une méthodologie qui centrée sur les objets de l’environnement exploités par les apprenants dans le cadre des tâches qui leur sont proposées. Cette méthode d’analyse nommée OCAF pour « Object-oriented Collaboration Analysis Framework » (Avouris et al., 2003) a pour but d’identifier des séquences fonctionnelles directement reliées aux objets utilisés par les partenaires d’une production schématique co-élaborative conçue dans le cadre d’une activité de résolution de problème. Cette identification s’effectue en deux temps : un codage de niveau 1 suivi d’un codage de niveau 2 que nous présentons ici de manière succincte.

40Dans notre dispositif, les opérations effectuées par les partenaires d’une session de modélisation collaborative sont définies comme des événements qui sont soit des modifications significatives apportées à l’espace d’activité partagé que nous appellerons « actions » dans la suite de ce texte, soit des messages communicationnels postés par les partenaires de l’activité. À un premier niveau, chacune de ces opérations est codée d’après un système de classification propre selon qu’il s’agisse d’une action ou d’un acte de parole (Chabrol & Bromberg, 1999). Un second niveau de codage permet d’analyser de quelle manière se succèdent et s’imbriquent les différentes opérations effectuées par les partenaires d’une production co-élaborative commune. Il consiste à regrouper en séquences fonctionnelles les événements relatifs à un même objet ou à un même modèle et à les écrire sous la forme synthétique d’une formule. Cette écriture synthétique va permettre de repérer des patterns d’interactions relatifs au fonctionnement collaboratif des partenaires. Nous y reviendrons dans la suite de ce texte.

2.3 Méthodologie d’analyse des données

41Le traitement des données relatives à l’échantillon résiduel des quinze dyades a débuté par une analyse exploratoire des traces des activités de modélisation collaborative. Une analyse factorielle par correspondances multiples appliquée à la distribution en catégories primitives des actes de parole échangés par les élèves au cours des activités a permis de caractériser les comportements conversationnels des quinze dyades et de dégager des profils contrastés et évolutifs par dyade et par individu.

42Par la suite, dans le cadre d’une analyse clinique, nous avons effectué une série d’analyses détaillées des mécanismes cognitifs et métacognitifs mis en jeu au cours de la réalisation des tâches de modélisation interactive. Ces analyses ont été réalisées grâce à une technique basée sur une étude de cas multiples selon une démarche intra- et inter-cas. Cette étude de cas a été effectuée auprès d’un échantillon restreint de cinq dyades sélectionnées de manière à représenter l’éventail des différentes évolutions des profils conversationnels entre l’activité de modélisation initiale et celle qui fait suite à l’intervention du tuteur.

43Selon la méthodologie des analyses intra-cas telle qu’elle a été formalisée par Huberman et Miles (1991), nous avons, dans un premier temps, analysé séparément les productions et les comportements de chacune des cinq dyades de l’échantillon restreint. Concrètement, un modèle des mécanismes cognitifs et métacognitifs qui interviennent dans le processus de modélisation collaborative médiatisée par la technologie a servi de trame conceptuelle à la rédaction d’une synthèse descriptive pour chacune des dyades. Une synthèse relative à chaque dyade met en relation les données provenant de l’observation de la première et de la seconde activité de modélisation avec les données provenant de l’intervention tutorale prenant place entre ces deux activités et celles collectées à l’aide du questionnaire métacognitif.

44Par la suite, l’analyse interdyades a consisté à comparer, sous forme de matrices pour chacune des séries de tâches du scénario pédagogique, les principales caractéristiques des cinq dyades, déterminées à l’occasion des analyses intradyades. Plus précisément, il s’agissait d’une part de mettre en évidence des constantes entre dyades et, d’autre part des spécificités liées aux caractéristiques des dyades.

3. Résultats et interprétations

45En termes de résultats, nous verrons, dans un premier temps, comment ont évolué les comportements conversationnels au sein de notre échantillon. Dans un second temps, nous présenterons les résultats d’une analyse clinique menée auprès d’un échantillon restreint de cinq dyades. Une interprétation des données collectées nous permettra de présenter comment évoluent les performances de modélisation de ces dyades et de quelle manière les partenaires de ces dyades régulent les stratégies coopératives ou métacognitives qu’ils mettent en place. Enfin, comment évoluent les interactions tant explicites qu’implicites au sein des dyades.

3.1 Évolution des comportements conversationnels au sein de l’échantillon résiduel (N =15)

46Nous nous proposons de présenter ici les résultats de la classification en catégories primitives des actes de parole codés suite à une segmentation des messages échangés par les élèves au cours des activités de modélisation. Dans un premier temps, nous verrons comment évolue la répartition globale des actes de parole en catégories primitives entre l’activité A1 et l’activité A2 pour les dyades de l’échantillon. Dans un second temps, nous présenterons les résultats de la classification en catégories secondaires des actes de parole échangés par les élèves au cours des activités de modélisation. Nous verrons comment évolue la répartition des principaux actes de parole en catégories secondaires.

3.1.1 Évolution des distributions de fréquence des actes de parole en catégories primitives

47L’analyse des distributions de fréquence des actes de parole en différentes catégories primitives (cf. figure 2) permet d’observer, en A2 comme en A1, une prégnance des actes de parole actionnels (codés MAC) et communicationnels (codés MCO), des proportions non négligeables pour ce qui concerne les actes de parole informatifs (codés MIF) et évaluatifs (codés MEV), et, enfin, des proportions très faibles à nulles d’actes de parole interactionnels (codés MIN), socioaffectifs (codés MSA) ou hors situation (codés MHS).

Figure 2 : Répartition en catégories primitives des actes de paroles émis par les membres des quinze dyades de l’échantillon résiduel

Figure 2 :  Répartition en catégories primitives des actes de paroles émis par les membres des quinze dyades de l’échantillon résiduel

48La comparaison des activités A1 et A2 permet de mettre en évidence les tendances évolutives suivantes : la proportion des actes de parole actionnels et évaluatifs augmente de manière marquée alors que la proportion des actes de parole communicationnels et informatifs diminue, mais de manière moins sensible.

3.1.2 Évolution des distributions de fréquence des actes de parole en catégories secondaires

49Lorsque nous avons investigué les actes de parole à un niveau de granularité plus fin, sur la base de catégories secondaires, nous avons constaté que des tendances évolutives se font surtout sentir dans la distribution globale des actes de parole actionnels (figure 3) et des actes de parole évaluatifs (figure 4) qui, pour rappel, augmentent tous deux de manière nette entre l’activité A1 et l’activité A2.

Figure 3 : Répartition en catégories secondaires des actes de paroles actionnels (codés MAC) émis par les membres des quinze dyades de l’échantillon résiduel

Figure 3 :  Répartition en catégories secondaires des actes de paroles actionnels (codés MAC) émis par les membres des quinze dyades de l’échantillon résiduel

50La lecture de la figure 3 montre que la fréquence des actes de paroles qui consistent à déclarer au partenaire qu’on observe les résultats des actions qu’il est en train d’effectuer (MAC_OBS) de même que celle des actes de parole qui consistent à « refuser de faire » (MAC_REPn) sont relativement faibles et évoluent peu entre l’activité A1 et l’activité A2. Par contre, la fréquence des cinq autres catégories d’actes de parole est relativement élevée et évolue de manière relativement importante. Si les actes de parole qui consistent à « solliciter une information relative à une action » (MAC_SOL) ou à « inciter à faire » (MAC_INC) diminuent entre l’activité A1 et l’activité A2 ; ceux qui consistent à « proposer de faire » (MAC_PRO), à « accepter de faire » (MAC_REPp) ou encore « déclarer faire ou avoir fait » (MAC_DEC) augmentent.

Figure 4 : Répartition en catégories secondaires des actes de paroles évaluatifs (codés MEV) émis par les membres des quinze dyades de l’échantillon résiduel

Figure 4 :  Répartition en catégories secondaires des actes de paroles évaluatifs (codés MEV) émis par les membres des quinze dyades de l’échantillon résiduel

51Par ailleurs, la figure 4 montre que le nombre d’actes de paroles qui consistent à solliciter une évaluation (MEV_SOL) augmente de près de 50 %. Quatre catégories d’actes de parole évaluatifs voient leur fréquence quasiment tripler, il s’agit des actes de parole qui consistent à « justifier ou critiquer » (MEV_JUS), à « juger » (MEV_EVA), à « prendre position » (MEV_PPO) ou à « donner un avis » (MEV_AVI).

52Par contre le nombre d’actes de parole qui consistent à exprimer un jugement métacognitif diminue de manière prononcée : la fréquence des actes de parole qui consistent à « exprimer la facilité ou une difficulté à effectuer une tâche » (MEV_DIF), déjà peu élevée au cours de l’activité A1, s’annule au cours de l’activité A2 ; la fréquence des actes de parole qui consistent à « exprimer sa compétence » (MEV-COMp), elle, diminue de plus du tiers alors que celle des actes de parole qui consistent à « exprimer son incompétence » (MEV_COMn) diminue de plus de 50 %.

53En conclusion, pour l’ensemble de l’échantillon résiduel, l’évolution des comportements conversationnels se caractérise globalement par une augmentation du nombre d’interactions épistémiques centrées sur l’évaluation des propositions et des productions.

3.2 Performances de modélisation des dyades de l’échantillon restreint (N’ =5)

54Dans cette section, nous décrivons tout d’abord comment le dispositif mis en place a permis aux dyades de l’échantillon restreint de progresser dans le développement des compétences de modélisation. Dans un second temps, nous montrerons que certaines difficultés rencontrées dans la réalisation des tâches de modélisation n’ont pas pu être surmontées malgré l’attention particulière dont elles ont fait l’objet de la part du tuteur.

55L’analyse des productions de chaque dyade met en relation les variables de performance suivantes :

  • la quantité et la qualité des productions sauvegardées par la dyade en A1 ;

  • la durée totale de connexion pour l’activité A1 ;

  • les éléments de l’intervention tutorale qui portent sur l’évaluation des productions en A1 ;

  • la quantité et la qualité des productions sauvegardées par la dyade en A2 ;

  • la durée totale de connexion pour l’activité A2.

3.2.1 Développement des compétences de modélisation

56Après l’intervention pédagogique du tuteur, entre A1 et A2, les cinq dyades de l’échantillon améliorent leurs performances, soit au niveau de la quantité des réalisations, soit au niveau de leur qualité, soit aux deux niveaux combinés. Nous détaillons ces progrès dans les paragraphes qui suivent.

57Au niveau de la quantité des réalisations, quatre des cinq dyades de l’échantillon restreint se montrent beaucoup plus productives en A2. En effet, en un temps nettement plus court, elles finalisent davantage de tâches.

58Pour ce qui concerne la qualité de leurs réalisations, quatre des cinq dyades de l’échantillon restreint évoluent de manière similaire. Ces dyades améliorent leur production en ne reproduisant que peu voire aucune des erreurs qu’elles avaient commises en A1 et qu’elles avaient relevées et corrigées au cours du débriefing avec le tuteur. Cependant, elles commettent toutes de nouvelles erreurs (entre trois et sept nouvelles erreurs par dyade).

59La comparaison des matrices de l’analyse interdyades montre que certaines tâches sont mieux corrigées que d’autres. C’est pour les tâches de sélection des entités que la qualité des productions progresse le plus nettement. En effet, quatre dyades sélectionnent des entités plus pertinentes en A2 qu’en A1.

60Un progrès est également enregistré au niveau des productions des deux séries de tâches suivantes : l’identification des variables de la situation expérimentale et la modélisation quantitative sur la base de l’encodage du tableau des données. Pour ces tâches, tantôt une et tantôt deux dyades améliorent une production incorrecte ou incomplète en A1 alors que les réalisations des autres dyades demeurent correctes en A2 comme en A1.

61À côté des progrès que nous venons de décrire, des difficultés récurrentes de régulation sont pointées au niveau des trois séries de tâches suivantes : la symbolisation et la description des variables, la modélisation qualitative et la modélisation semi-quantitative. Nous nous proposons de détailler ces difficultés dans la section suivante. Enfin, pour les deux séries de tâches suivantes, le paramétrage des entités et la modélisation graphique, l’analyse interdyades ne relève ni progrès ni difficulté récurrente. Pour ces deux séries de tâches, le niveau élevé de performance en A1 est confirmé en A2.

3.2.2 Difficultés de modélisation récurrentes

62En A2 comme en A1, aucune des cinq dyades de l’échantillon restreint ne parvient à symboliser et décrire les variables de la situation expérimentale de manière complète et correcte.

63Par ailleurs, les cinq dyades de cet échantillon restreint éprouvent des difficultés à repérer et à décrire le caractère de proportionnalité de la relation qui unit les variables de la situation expérimentale. Cette difficulté est remarquable aussi bien en A1 qu’en A2, dans les deux premières phases de la modélisation de cette relation : la phase de modélisation qualitative et la phase de modélisation semi-quantitative. Le dispositif échoue à combler cette difficulté.

3.3 Régulation des stratégies coopératives et des stratégies métacognitives

64Le modèle conceptuel des processus de modélisation collaborative médiatisée par ordinateur que nous avons élaboré pour interpréter les données collectées prend en compte les stratégies coopératives mises en place au sein des dyades ainsi que les stratégies métacognitives mobilisées par les partenaires. Dans cette section, nous nous proposons de montrer comment ces ceux types de stratégies sont régulées par le dispositif mis en place.

3.3.1 Adaptation des stratégies collaboratives

65Les tâches qui sont proposées aux partenaires d’une activité collaborative, ou tout au moins une partie d’entre elles, peuvent être réparties entre ces derniers. Dans cette modalité de fonctionnement, chaque partenaire effectue séparément une partie des tâches en vue d’une mise en commun ultérieure. Dans cette perspective, les partenaires de l’activité mettent en place, de manière plus ou moins spontanée selon le scénario pédagogique, des stratégies coopératives pour décider d’une répartition des tâches entre eux et d’une forme de coordination en cours d’activité.

66La composante « stratégies coopératives » du modèle conjugue quatre variables qui ont directement trait à la manière dont les tâches sont réparties entre les partenaires, à savoir la mise en place de l’activité, la négociation du partage des tâches, la répartition des initiatives entre partenaires et la distribution des interventions entre partenaires.

67Les dyades de notre échantillon restreint adaptent les stratégies coopératives qu’elles mettent en œuvre. Au cours de l’activité A1, les partenaires des cinq dyades ont négocié un partage des tâches de manière anticipative au moment d’entamer la collaboration sur les premières tâches à effectuer. Pour quatre dyades, cette négociation a effectivement abouti à une décision de partage explicite des tâches. Par contre, au cours de l’activité A2, l’étape de négociation des tâches n’est plus systématisée.

68L’effet escompté des interventions du tuteur s’observe au niveau du comportement de quatre des cinq dyades de notre échantillon restreint. En effet si, au cours de l’activité A2, on relève globalement davantage de coopération interne à la tâche, il reste qu’une dyade n’améliore pas cette stratégie coopérative dans le sens demandé par le tuteur. En résumé, nous pouvons affirmer que le dispositif tend à maintenir la coopération interne quand elle est spontanément organisée au sein d’une dyade et à l’améliorer quand elle est absente.

3.3.2 Modification des stratégies métacognitives

69Nous allons à présent analyser comment les stratégies métacognitives mobilisées par les dyades se trouvent modifiées dans le sens d’une plus grande régulation qui s’appuie sur une amélioration du sentiment de maîtrise des partenaires engagés dans la collaboration. Ainsi, les partenaires s’affranchissent des jugements métacognitifs négatifs qu’ils ont pu exprimer et recourent à des stratégies de régulation métacognitive de manière ciblée.

a. Jugement métacognitif

70Au cours de l’activité A1, un jugement métacognitif négatif par rapport à la réalisation d’une tâche est spontanément exprimé à plusieurs reprises au sein des cinq dyades de notre échantillon restreint. Ces jugements négatifs concernent sept des huit séries de tâches qui sont demandées au cours des activités de modélisation. Seule n’est pas concernée la série de tâches qui consistent à symboliser et décrire ces variables.

71Au total, dix-neuf de ces jugements sont émis sous la forme d’un sentiment d’incompétence à accomplir la tâche (par exemple, un élève déclare à son partenaire qu’il se sent incapable d’effectuer une action) alors qu’un seul exprime une difficulté à accomplir la tâche (par exemple, un élève déclare à son partenaire qu’il trouve la tâche difficile sans pour autant se sentir incapable de l’effectuer). On peut dire que, pour les tâches effectuées en A1, les dyades s’affranchissent pour une large part des sentiments négatifs initiaux. Par contre, malgré l’intervention du tuteur entre A1 et A2, force est de constater une moindre assurance pour les tâches qui n’ont pas été préalablement abordées ou finalisées.

72Un autre type de jugement métacognitif est exprimé spontanément au cours des dialogues entre partenaires, il s’agit d’une auto-évaluation explicitée. Selon notre modèle conceptuel des processus de modélisation collaborative médiatisée par ordinateur, un apprenant effectue une auto-évaluation quand, mentalement, il apprécie ses propres actions ou leurs résultats (ses performances) ou porte un jugement de valeur à leur propos. L’auto-évaluation est explicitée quand elle débouche sur une communication du produit de l’évaluation au partenaire.

b. Régulation métacognitive

73La régulation métacognitive consiste en un processus mental par lequel un membre d’une dyade, suite à un jugement métacognitif négatif, décide de modifier ses activités cognitives ou leur produit (Noël, 1997). La métacognition régulatrice peut être spontanée ou déclenchée par une question ou une interpellation du partenaire ou du tuteur.

74Dans le cadre d’une régulation en cours d’activité, notre modèle prend en compte les trois stratégies métacognitives suivantes : l’autocorrection, la décision de retenir ou pas un objet après son exploration et la décision d’effectuer un test de comportement dynamique pour vérifier la pertinence du choix d’un objet ou la validité d’un modèle.

75Des stratégies d’autocorrection sont observées au sein de toutes les dyades et pour les huit séries de tâches de modélisation du scénario pédagogique que nous avons listées précédemment (cf. section 2.1) : un total de vingt-quatre en A1 et de trente-cinq en A2. La grande majorité de ces autocorrections sont spontanées, seules quelques-unes sont déclenchées par un message du partenaire. Les membres de trois dyades font plus d’autocorrections en A2 qu’en A1, par contre les partenaires des deux autres dyades en font un peu moins.

76Des stratégies d’exploration individuelle en nombre relativement élevé (au total, trente-neuf en A1 et trente-huit en A2) sont observées au sein de toutes les dyades, mais uniquement au cours des tâches d’identification des variables de la situation, des tâches de sélection des entités, des tâches de modélisation semi-quantitative et de modélisation graphique. Il faut remarquer que, pour les tâches qui avaient été finalisées en A1, les dyades ont tendance à effectuer moins d’explorations en A2 qu’en A1.

77Une série impressionnante de tests de comportement des entités ou des modèles sont effectués au sein de chaque dyade par un des partenaires sur un objet qu’il a lui-même inséré dans l’espace de modélisation : un total de 233 en A1 et de 254 en A2. Cette tendance évolutive au sein de chaque dyade. Pour les tâches qu’elles avaient pu finaliser en A1, elles effectuent moins de tests ou un nombre équivalent en A2 qu’en A1 par contre pour les tâches qu’elles n’avaient pas entamées ou finalisées en A1, elles effectuent un nombre plus important de tests en A2.

3.4 Vers une collaboration intégrée

78La composante « interactions collaboratives » du modèle décline différentes manières d’appréhender la collaboration au travers de la manifestation de patterns d’interaction repérés au sein de séquences fonctionnelles. Une interaction collaborative peut être plus ou moins explicitée par des actes de parole.

79Sur l’ensemble des deux activités proposées dans notre scénario pédagogique, les analyses intradyades nous ont permis de mettre en évidence un nombre relativement élevé d’interactions collaboratives au sein de quatre des cinq dyades du sous-échantillon qui a été constitué pour l’étude de cas multiples : entre 111 et 194 interactions collaboratives par dyade.

80Selon notre modèle conceptuel des processus de modélisation collaborative médiatisée par ordinateur, nous classons les interactions collaboratives en interactions explicites, qui sont essentiellement centrées sur des échanges d’actes de parole, et en interactions implicites qui se centrent sur la manipulation d’objets communs dans l’espace de co-élaboration de l’environnement MS, sans que les actions réalisées soient accompagnées d’un échange de messages. Sur l’ensemble des tâches de l’activité A1 comme de l’activité A2, les interactions implicites sont plus nombreuses que les interactions explicites pour chacune des cinq dyades de notre échantillon restreint.

81En nous penchant sur l’évolution du nombre d’interactions entre l’activité A1 et l’activité A2, nous pouvons observer que globalement, sur l’ensemble de l’échantillon restreint, le nombre total d’interactions collaboratives augmente de manière nette entre les deux activités : il passe de 253 en A1 à 359 en A2. Cette augmentation globale se marque aussi bien au niveau des interactions explicites qui passent de 88 en A1 à 165 en A2 qu’au niveau des interactions implicites qui passent de 139 à 220. En observant la répartition des interactions collaboratives par dyades, nous voyons que l’augmentation globale en A2 par rapport à A1 concerne quatre des cinq dyades de l’échantillon restreint.

82En plus d’augmenter le nombre des interactions explicites comme celui des interactions implicites, de manière générale, les dyades ont tendance à davantage varier les interactions au cours de l’activité A2 par rapport à l’activité A1. Dans les deux sections qui suivent, nous nous proposons de détailler les grandes tendances évolutives par type d’interaction collaborative.

3.4.1 Interactions collaboratives explicites

83Globalement, les interactions collaboratives explicites les plus représentées dans l’étude de cas multiples sont celles qui sont centrées sur la gestion interactive des tâches. Toutes les dyades de l’échantillon restreint interagissent à ce niveau dans un registre essentiellement pragmatique. Pour les partenaires, il s’agit d’échanger des actes de parole à propos de la réalisation des tâches de manière à pouvoir progresser en parallèle. Pour deux dyades, le nombre de patterns d’interaction centrés sur la gestion des tâches augmente en A2 par rapport à A1 alors que pour les trois autres dyades du sous-échantillon, il reste stable.

84Par ordre d’importance numérique, les évaluations interactives suivent les interactions centrées sur la gestion des tâches. Pour quatre dyades, le nombre de patterns d’interaction centrés sur l’évaluation d’une production ou d’une proposition d’un partenaire augmente en A2 par apport à A1. Les évaluations interactives que nous observons restent sur un registre pragmatique. En effet, le membre de la dyade qui évalue une réalisation de son partenaire donne son avis, prend position ou émet un jugement sans justifier son évaluation. Cette absence de justification est particulièrement frappante du fait que la communication des justifications des évaluations est systématiquement réclamée par le tuteur au cours du débriefing de l’activité A1.

85Au sein de chaque dyade, on peut observer quelques interactions informatives : déjà peu important en A1, leur nombre diminue encore en A2. Toujours pour chaque dyade, quelques sollicitations ne sont pas suivies d’une réponse de la part du partenaire. Leur nombre évolue peu entre l’activité A1 et l’activité A2. Par ailleurs, les expressions d’affects sont anecdotiques et ne concernent qu’une seule dyade. Par contre, quelques conflits sont observés, tantôt en A1, tantôt en A2 au sein de quatre dyades de l’échantillon restreint.

3.4.2 Interactions collaboratives implicites

86L’interaction à travers la manipulation d’objets communs dans l’espace de modélisation collaborative de MS est fort utilisée, aussi bien par les dyades qui dialoguent beaucoup que par les dyades au sein desquelles la communication écrite est plus limitée. En ce qui concerne l’évolution entre l’activité A1 et l’activité A2, une augmentation systématique du nombre d’interactions pour chaque type d’interaction implicite est observée dans le cas de quatre dyades de notre échantillon restreint.

87Les interactions collaboratives implicites les plus représentées globalement ainsi qu’au sein de la plupart des dyades de l’échantillon restreint sont les tests interactifs ainsi que les interactions opérationnelles. Ces deux types d’interaction collaborative sont riches de sens dans le cadre du développement de la compétence de modélisation. Dans notre modèle conceptuel, un test interactif est défini comme une simulation du comportement dynamique initiée par un des apprenants sur un objet (entité ou modèle) qui a été inséré par son partenaire. Nous parlons d’interaction opérationnelle quand un apprenant apporte des modifications fonctionnelles à un objet (entité ou modèle) qui avait été inséré dans l’environnement par son partenaire. Par modifications fonctionnelles, il faut entendre des modifications qui répondent aux exigences de la tâche et qui participent à la caractérisation d’un objet ou à l’élaboration d’un modèle.

3.4.3 Collaboration intégrée

88De manière générale, les dyades évoluent vers une collaboration intégrée qui allie interactions explicites et implicites. À titre d’illustration, nous reproduisons ci-après la formule OCAF qui résulte de l’analyse des traces des interactions entre deux partenaires (Quentin et Damien) au cours d’une tâche de modélisation semi-quantitative.

« 0Rpd = Qi,2Qt,Qm,Qp,Qm,Dt,Qt,Qvsol,Qvppo+,Dccon,Dvppo+,Qccon ;
Dapro,Qainc,Qarep,Qs,Dd,Qd »

89Cette succession de deux séquences fonctionnelles (une séquence fonctionnelle par ligne) concerne l’exploration d’un objet qui représente la relation de proportion directe (Rpd) entre deux variables. Le fait que deux séquences fonctionnelles soient distinguées signifie que les partenaires ont interrompu les opérations réalisées sur l’objet analysé pour travailler sur un autre objet de l’environnement avant d’y revenir en une seconde séquence fonctionnelle.

90Au terme des deux séquences fonctionnelles qui synthétisent cette exploration, la relation de proportion directe n’est pas retenue pour figurer dans le modèle semi-quantitatif en cours d’élaboration. Le symbole 0 traduit cet abandon.

91Chacune des deux séquences fonctionnelles alterne une série d’actions sur les objets de l’environnement de modélisation collaborative et une série d’actes de parole. À ce propos, notons qu’en la circonstance, actions sur les objets et actes de parole ne sont pas imbriqués en ce sens que les partenaires arrêtent de manipuler les objets lorsqu’ils dialoguent et vice-versa.

92En première analyse, l’observation de la formule permet de mettre en évidence une disproportion en termes de nombres d’interventions des partenaires. En effet, Quentin (Q), qui est à l’initiative de l’exploration de la relation de proportion directe n’effectue que deux manipulations et n’émet que trois actes de parole. Une conclusion hâtive basée sur une comparaison des occurrences des interventions pourrait conduire à qualifier les séquences fonctionnelles de peu collaboratives.

93Pourtant, une analyse plus fine des interactions montre que ces dernières s’avèrent relativement riches et équilibrées. En effet, la première intervention de Damien consiste en un test interactif (Dt) qui fait suite à une série de manipulations effectuées par son partenaire : deux simulations du comportement de l’objet (2Qt), deux modifications fonctionnelles (Qm, … Qm) et une modification de la taille ou de la position de l’objet (Qp). Dans le dialogue qui s’ensuit, Damien prend position positivement (Dvppo+) par rapport à la relation qu’il a ainsi lui-même contribué à tester (Dt). Dans la seconde séquence fonctionnelle, c’est Damien qui est à l’initiative d’une remise en question de la relation explorée (Dapro) et qui participe à sa suppression (Dd), ce qui conduit le chercheur à qualifier d’interactive l’exploration de l’objet Rpd.

94Par ailleurs, une observation des deux dialogues nous conduit à les qualifier de symétriques. En effet, dans le dialogue de la première séquence fonctionnelle, centré sur une évaluation interactive de l’objet exploré (Rpd), la prise de position de Damien (Dvppo+) est sollicitée par Quentin (Qvsol) qui prend lui-même position positivement (Qvppo+). De plus, à suite à l’émission des actes de parole évaluatifs par un membre de la dyade, son partenaire émet un acte de parole communicationnel qui consiste à signifier qu’il a bien reçu le message (Dccon et Qccon). Dans le second dialogue, caractérisé par une gestion interactive des tâches, Quentin répond (Qarep) à la proposition de Damien (Dapro) et incite ce dernier à agir sur l’objet (Qainc).

4. Discussion et conclusion

95Aborder la modélisation avec des élèves relativement jeunes dans une progression systématisée qui s’appuie sur des représentations et des supports variés peut paraître hors de portée d’une investigation scientifique. Cependant, la durée temporelle du dispositif qui s’est étalée sur six semaines pour chacun des « groupes-classes » a permis de réaliser des observations intéressantes au sujet de l’évolution de la capacité à modéliser dans le cadre du scénario pédagogique proposé. Cette perspective diachronique envisage une temporalité relativement longue si on considère la durée des observations réalisées par les chercheurs (Lessart-Hébert et al., 1997), mais cette temporalité reste assez courte par référence au temps scolaire où le développement d’une compétence complexe comme la modélisation requiert généralement beaucoup de temps.

96Ainsi, dans le cadre d’une année scolaire, une plus grande différenciation de l’apprentissage que celle qui a être instaurée dans le cadre de l’observation participante s’avérerait nécessaire. Il faudrait notamment pouvoir tenir compte de la représentation de l’activité qu’un questionnaire métacognitif a mise en évidence chez certaines dyades. En effet, nous avons pu montrer que des jugements métacognitifs négatifs relatifs, d’une part, à la perception de la difficulté de l’activité et, d’autre part, à la capacité ainsi qu’à la motivation à l’accomplir sont susceptibles de handicaper fortement le développement de différentes compétences de modélisation.

97Pour en revenir à notre étude de cas multiples, nous avons pu monter qu’avec un étayage (Bruner, 1996) adéquat d’un tuteur intervenant en présentiel, la majorité des cinq dyades de l’échantillon restreint a fait preuve d’une maîtrise des compétences importantes en matière de modélisation, telles que l’identification des variables de la situation expérimentale, la modélisation quantitative sur la base de l’encodage du tableau des données et la sélection d’entités pertinentes pour représenter les variables de la situation expérimentale à modéliser. C’est dans le développement de cette dernière que les dyades progressent le plus nettement. Ce progrès significatif peut être mis en relation avec l’intégration particulièrement bien réussie de deux stratégies qui favorisant la régulation métacognitive : la décision de retenir ou de ne pas retenir un objet de l’environnement après son exploration et la décision d’effectuer un test de comportement dynamique pour vérifier la pertinence du choix d’un objet ou la validité d’un modèle. Au terme de la séquence d’activités, les dyades atteignent également un niveau de compétence relativement élevé pour ce qui concerne le paramétrage des entités et la modélisation graphique de la situation expérimentale.

98À côté des progrès que nous venons de décrire, des difficultés récurrentes de régulation sont pointées pour toutes les dyades au niveau des compétences suivantes : la symbolisation et la description des variables, la modélisation qualitative et la modélisation semi-quantitative qui, au vu des obstacles qu’elles présentent, devraient faire l’objet d’un apprentissage complémentaire sur une période plus longue.

99Par ailleurs, la situation collaborative à distance entraîne chez certaines dyades des difficultés au niveau des échanges en raison des limites d’expression écrite qui caractérisent notre population. Ces difficultés se manifestent essentiellement par un blocage, vécu par certains partenaires de la collaboration, lorsqu’il s’agit de passer d’un registre pragmatique à un registre épistémique d’interaction. À ce niveau, le débriefing avec un tuteur humain a pu jouer un rôle important. Ceci confirme la nécessaire complémentarité entre collaboration à distance et débriefing en présence, dans le cadre de l’apprentissage collaboratif de la modélisation.

100À propos du dépassement de la difficulté d’expression qui vient d’être mentionnée, un élément très positif à mettre à l’actif de notre dispositif réside dans la possibilité de collaborer sans nécessairement passer par des échanges écrits. En effet, l’environnement MS offre des possibilités d’interaction grâce à la manipulation des outils de construction des modèles. De ce point de vue, on a pu observer que l’échange au moyen de la manipulation d’objets communs est fort utilisé, aussi bien par les dyades qui dialoguent beaucoup que par les dyades au sein desquelles l’expression écrite est plus limitée.

101On peut également considérer que le dispositif est propice à des modes de collaboration fortement interactive. En effet, les dyades qui entament leur activité par un partage des tâches consécutif à une négociation évoluent rapidement vers une collaboration plus intégrée qui allie interactions explicites et implicites.

102Comme cela a pu être démontré au long de la recherche, la modélisation collaborative ne constitue pas un concept unique. Elle mobilise un ensemble d’activités étroitement liées qui se déclinent à travers la mise en œuvre de plusieurs types de comportements qui ont pu être approchés à travers les observations et surtout objectivés grâce à la codification systématique en référence à un modèle original des processus de modélisation collaborative que les données recueillies ont permis d’élaborer et de valider.

Haut de page

Bibliographie

Ahern T. (1993), « The Effect of a Graphic Interface on Participation, Interaction and Student Achievement in a Computer-Mediated Small-Group Discussion », Journal of Educational Computing Research, 9(4), pp. 534-548.

Aoki K. (1995), « Synchronous Multi-User Textual Communication in International Tele-Collaboration », Electronic Journal of Communication, 5(4).

Avouris N., Dimitracopoulou A., Komis V. (2003), « On Analysis of Collaborative Problem Solving: An Object Oriented Approach », Computers in Human Behavior, 19 (2), pp. 147-167.

Baker M.J. (2003), « Computer-Mediated Argumentative Interactions for the Co-Elaboration of Scientific Notions », in J. Andriessen, M.J. Baker & D. Suthers (Eds.), Arguing to Learn: Confronting Cognitions in Computer-Supported Collaborative Learning environments, Dordrecht: Kluwer Academic Publishers, pp. 47-78.

Baker M., De Vries E., Lund K., Quignard M. (2001), « Interactions épistémiques médiatisées par ordinateur pour l’apprentissage des sciences : Bilan de recherches », Sciences et Techniques éducatives, 8(1-2).

Berge Z., Collins M. (1993), « Computer Conferencing and On Line Education », The Arachnet Electronic Journal on Virtual Culture, 1, 3, pp. 1-21.

Bliss J. (1994), « From Mental Models to Modelling », in H. Mellar, J. Bliss, R. Boohan, J. Ogborn & C. Tompsett (Eds), Learning with Artificial Worlds: Computer Base Modelling in the Curriculum, London: The Falmer Press.

Bruner J.-S. (1996), L’éducation, entrée dans la culture. Les problèmes de l’école à la lumière de la psychologie culturelle, Paris, Retz.

Buckley B.C., Boulter C.J. (2000), « Investigating the Role of Representation and Expressed Models in Building Mental Models », in J. K. Gilbert & C. J. Boulter (Eds), Developing Models in Science Education, Dordrecht: Kluwer Academic Publishers.

Burou J-C., Denise M., Levrat R. (1998), « Dossier : les technologies nouvelles », Revue internationale d’éducation Sèvres, 18, pp. 21-23.

Buty C. (2000), Étude d’un apprentissage dans une séquence d’enseignement en optique géométrique à l’aide d’une modélisation informatique, Thèse, Lyon, Université Lumière.

Chabrol C., Bromberg M. (1999), « Préalables à une classification des actes de parole », Psychologie française, 44-4, pp. 291-306.

Crahay M. (2006), « Qualitatif – Quantitatif : des enjeux méthodologiques convergents ? », in L. Paquay, M. Crahay & J.-M. De Ketele (dir.), L’analyse qualitative en éducation. Des pratiques de recherche aux critères de qualité, Bruxelles, De Boeck, pp. 31-52.

De Lièvre B. (2000), Étude de l’effet de quatre modalités de tutorat sur l’usage des outils d’aide dans un dispositif informatisé d’apprentissage à distance, Thèse, Mons : Université de Mons-Hainaut.

De Lièvre B., Depover C., Dillenbourg P. (2005), « Industrialisation : Quelle place pour le tuteur système et le tuteur humain ? », Distances et savoirs, 3 (1) : « Tutorat à distance et logiques industrielles », pp. 157-181.

De Vries E., Lund K., Baker M. (2002), « Computer-Mediated Epistemic Dialogue: Explanation and Argumentation as Vehicles for Understanding Scientific Notions », Journal of the Learning Sciences, 11(1), pp. 63-102.

Depover C., De Lièvre B. (2005), « Analyse des usages des outils de communication médiatisée par ordinateur dans le cadre de deux scénarios de formation à distance », Symposium Symphonic, Amiens : Université de Picardie.

Depover C., De Lièvre B., Temperman G (2006), « Points de vue sur les échanges électroniques et leurs usages en formation à distance », Revue STICEF, 13. http://sticef.univ-lemans.fr/num/vol2006/depover-12/sticef­_2006_depover_12.htm [mis en ligne le 28/02/2007]

Depover C., Karsenti T., Komis V. (2007), Enseigner avec les technologies : Favoriser les apprentissages, développer des compétences, Québec : Presses de l’Université du Québec.

Depover C., Strebelle A. (1997), « Un modèle et une stratégie d’intervention en matière d’introduction des TIC dans le processus éducatif », in L-O. Pochon & A. Blanchet (dir.), L’ordinateur à l’école : De l’introduction à l’intégration, Neuchâtel : Institut de Recherche et de Documentation Pédagogique, pp. 73-98.

Depover C., Strebelle A. (2008), « Explorer le potentiel cognitif des technologies pour favoriser le développement de compétences de haut niveau », in M. Ettayebi, R. Operti & P. Jonnaert (dir.), Logique de compétences et développement curriculaire. Débats, perspectives et alternative pour les systèmes éducatifs. Paris, L’Harmattan, coll. Éducation et Sociétés, pp. 217-233.

Dillenbourg P., Traum D. (2006), « Sharing solutions: Persistence and Grounding in Multimodal Collaborative Problem Solving », Journal of the Learning sciences, 15, 1, pp. 121-151.

Dimitracopoulou A., Komis V., Apostolopoulos P., Politis P. (1999), « Design Principles of a New Modelling Environment for Young Students Supporting Various Types of Reasoning and Interdisciplinary Approaches », in S. Lajoie & M. Vivet (Eds), Artificial Intelligence in Education Open Learning Environments: New Computational Technologies to Support Learning Exploration and Collaboration, Proceedings of 9th International Conference on Artificial Intelligence in Education, Le Mans: IOS Press, pp. 109-120.

Eastmond D. (1994), « Adult Distance Study through Computer Conferencing », Distance Education, 4(1), pp. 10-24.

Flavell J.H. (1976), « Metacognitive Aspects of Problem Solving », in L.B. Resnick (Ed), The Nature of Intelligence, Hillsdale (NJ): Lawrence Erlbaum Associates.

Gobet J.D. (2000), « Introduction to Model-Based Teaching and Learning in Science Education », International Journal of Science Education, 22(9), pp. 891-894.

Halloun I.A. (2004), Modeling Theory in Science Education, Dordrecht: Kluwer Academic Publishers.

Hesteness D. (1996), « Modeling Methodology for Physics Teachers », in Proceedings of the International Conference on Undergraduate Physics Education, College Park August.

Hourbette D. (2010), La messagerie instantanée, un outil pour le chercheur ?, EPI. http://www.epi.asso.fr/revue/articles/a1005f.htm

Huberman A.M., Miles M.B. (1991), Analyse des données qualitatives : Recueil de nouvelles méthodes, Bruxelles, De Boeck-Wesmael.

Jackson S.L., Stratford S.J., Krajcik J. & Soloway E. (1996), « Making Dynamic Modeling Accessible to Pre-College Science Students », Interactive Learning Environments, 4(3), pp. 233-257.

James E., Le Coq J. (1997), « L’éducation scientifique », Revue internationale d’éducation Sèvres, 14, pp. 29-30.

Jermann P. (2004), Computer Support for Interacting Regulation in Collaborative Problem-Solving, Thèse, Genève, Université de Genève.

Jones R.A. (2000), Méthodes de recherche en sciences humaines, Bruxelles, De Boeck.

Komis V., Dimitracopoulou A., Politis P. (1999), « Contribution à la conception et au développement d’un environnement de modélisation », in J-F. Rouet & D. De La Pasadière (Eds), Quatrième Colloque Hypermédias et Apprentissage, Poitiers 15-17 Octobre 1998, Paris, INRP, pp. 263-268.

Kurtz dos Santos A.C., Ogborn J. (1994), « Sixth Form Students’ Ability to Engage in Computational Modeling », Journal of Computer Assisted learning, 10; 182-200.

Laborde C., Laborde J-M. (2006), « Genèse et développement de Cabri-géomètre, environnement de géométrie dynamique », in M. Grandbastien & J-M. Labat (dir.), Environnements informatique pour l’apprentissage humain, Paris, Hermès-Lavoisier, pp. 351-380.

Lawley E. (1992), Discourse and Distortion in Computer-Mediated Communication, pp. 1-9. http://www.itcs.com/elawley/discourse.html [Retrieved March 2012]

Leclercq D. (2006), « L’évaluation des QCM », in G. Figari & L. Mottier-Lopez, Recherches sur l’évaluation en éducation. Paris, L’Harmattan, pp. 1-9.

Lemeignan G., Weil-Barais A. (1993), Construire des concepts en physique : L’enseignement de la mécanique, Paris, Hachette.

Lessard-Hébert M., Goyette G., Boutin G. (1997), La recherche qualitative. Fondements et pratiques, Bruxelles, De Boeck.

Lewis C., Hedegaard T. (1993), « Online Education: Issue and Some Answers », Technological Horizons in Education Journal, 4, pp. 68-71.

McGee P.A., Boyd, V. (1995), « Computer-Mediated Communication: Facilitating Dialogues », Annual Meeting of the Society for Information Technology and Teacher Education, March 1994, San Antonio (TX).

Martinand J-L. (Ed) (1992), Enseignement et apprentissage de la modélisation en sciences, Paris, INRP.

Martinand J-L. (Ed) (1994), Nouveaux regards sur l’enseignement et l’apprentissage de la modélisation en sciences, Paris, INRP.

Martineau S. (2005), L’observation en situation : Enjeux, possibilités et limites. Recherches qualitatives, Hors-série (2), pp. 5-17.

Mellar H., Bliss J., Boohan R., Ogborn J., Tompsett C., (Eds) (1994), Learning with Artificial Worlds: Computer Base Modelling in the Curriculum, London: The Falmer Press.

Mile A., Prié Y. (2006), « Une théorie de la trace informatique pour faciliter l’adaptation dans la confrontation logique d’utilisation / logique de conception », Journées Rochebrune 2006.

Murphy K.L., Collins, M. (1997), « Development of Communications Conventions in Instructional Electronic Chats ». Proceedings of the Annual Convention of the American Educational Research Association, Chicago, March 1997, pp. 24-28.

Newby G.B. (1993), « The Maturation of Norms in Computer-mediated Communication », Internet Research, 3(4), pp. 30-38.

Noël B. (1997), La métacognition, Bruxelles, De Boeck Université.

OCDE (2006), Evolution of Student Interest in Science and Technology Studies.

Ogborn J. (1997), « WorldMaker: Design Principles for an Object Oriented Modeling System Accessible to Young Pupils », 7th European Conference for Research on Learning and Instruction, EARLI, Athens.

Ogborn J. (1999), « Modeling Clay for Thinking and Learning », in W. Feurzeig, N. Roberts (Eds), Modeling and Simulation in Science and Mathematics Education, New York: Springer, pp. 5-37.

Ohlsson S. (1996), « Learning to Do and Learning to Understand: A Lesson and a Challenge for Cognitive Modeling », in P. Reimann, H. Spada (Eds), Learning in Humans and Machines: Towards an Interdisciplinary Learning Science, Oxford, Pergamon, pp. 37-62.

Ollagnier-Beldame M. (2006), « Observer l’appropriation des traces d’interactions en situation d’apprentissage instrumentée », Livre des résumés du colloque TICE, 2006, Montpellier.

Papert S. (1980), Mind-Storms, Children, Computers and Powerful Ideas, New York: Basic Books.

Perrenoud P. (1988), in M-A. Hugon & C. Seibel (dir.) Recherches impliquées. Recherches action : Le cas de l’éducation, Bruxelles, De Boeck, pp. 98-104.

Quignard M., Baker M. (2007), « Approfondir une question dans un débat médiatisé par ordinateurs : Complexité d’une situation d’apprentissage collaborative », in M. Baron, D. Guin, L. Trouche (dir.), Environnements informatisés et ressources numériques pour l’apprentissage : Conception et usages, regards croisés, Paris, Lavoisier, pp. 89-105.

Richoux H., Beaufils D. (2005), Simulation en mécanique au lycée : Conception et analyse d’activités sur modèle, Quatrièmes rencontres de l’ARDIST, Lyon 12-15 octobre 2005, INRP.

Riley D. (1990), « Learning about Systems by Making Models », Computers and Education, 15(1-3), pp. 255-263.

Rocard M., Csermely P., Jorde D., Lenzen D., Walberg-Henriksson H., Hemmo V. (2007), Science Education Now: A Renewed Pedagogy for the Future in Europe, European Commission.

Sanchez E. (2008), « Quelles relations entre modélisation et investigation scientifique dans l’enseignement des sciences de la Terre ? », Éducation et didactique, 2 (2), pp. 93-118.

Sanchez E., Prieur M., Fontanieu V. (2007), « Modèles et modélisation dans l’enseignement des sciences de la terre au lycée : Points de vue et pratiques d’enseignants », Ves Rencontres de l’ARDIST, La Grande Motte, pp. 345-351.

Sarrazin P., Tessier D., Trouilloud D. (2006), « Climat motivationnel instauré par l’enseignant et implication des élèves en classe : l’état des recherches », Revue française de pédagogie, 157, pp. 147-177.

Stenning K., Greeno J. G., Hall R., Sommerferld M. & Wiebe M. (2002), « Coordinating Mathematical and Biological Multiplication: Conceptual Learning as the Development of Heterogeneous Reasoning Systems », in P. Brna, M. Baker, K. Stenning & A. Tiberghien (Eds), The Role of Communication in Learning to Model, Mahwah (NJ): Lawrence Erlbaum Associates Publishers, pp. 3-48.

Strebelle A. (2012), Approche du processus de collaboration à distance dans le cadre d’une activité de modélisation scientifique médiatisée par ordinateur : Étude de cas multiples à partir d’un dispositif centré sur l’exploitation des traces, Thèse. Mons, Université de Mons.

Strebelle A., Depover C. (2009), « L’exploitation de la trace dans un dispositif d’apprentissage collaboratif à distance : Éléments méthodologiques et apports à l’étude du processus de modélisation », in F. Larose & A. Jaillet (dir.), Le numérique dans l’enseignement et la formation. Analyses, traces et usages. Paris, L’Harmattan, Collection « Sciences et société », pp. 110-135.

Strebelle A., Depover C., Komis V. (2005), « Analyse des possibilités d’intégration d’un environnement collaboratif de modélisation dans des contextes scolaires contrastés », in P. Tchounikine, M. Joab & L. Trouche (dir.), Actes de la Conférence EIAH 2005, Montpellier 25, 26 et 27 mai, Montpellier, INRP, pp. 225-236.

Teodoro V. D. (1997), « Modellus: Using a Computational Learning Tool to Change the Teaching and Learning of Mathematics and Science », New Technologies and the Role of the Teacher, Milton Keynes: Open University.

Tiberghien A. (1994), « Modeling as a Basis for Analysing Teaching-Learning Situations », Learning and Instruction, 4(1), pp. 71-87.

Tiberghien A. (1996), « Construction of Prototypal Situations in Teaching the Concept of Energy », in G. Welford, J. Ogborn, P. Scott (Eds), Research in Science Education in Europe, London: Farmer Press, pp. 100-114.

Van Driel J., Verloop N. (1999), « Teachers’ Knowledge of Models and Modeling in Science », International Journal of Science Education, 21 (11), pp. 1141-1153.

Haut de page

Notes

1 http://www.enseignement.be/index.php?page=25189&navi=296&rank_navi=296, dernière consultation en mai 2013.

2 Ibidem

3 Ibidem

4 http://www.enseignement.be/index.php?page=24737&navi=295&rank_navi=295, dernière consultation en mai 2013.

5 En opposition aux activités de simple production, les activités épistémiques nécessitent un effort de compréhension préalable voire de construction de sens. Arguant du fait qu’on évalue trop souvent un apprenant sur ses capacités à faire plutôt qu’à comprendre, Ohlsson (1996) invite à concevoir des situations d’apprentissage qui mettent en jeu des activités épistémiques. C’est dans cette perspective qu’à l’occasion d’un programme de recherche mené dans le but d’élaborer des environnements informatiques pour l’apprentissage coopératif, un groupe de chercheurs (Baker et al., 2001 ; De Vries et al., 2002) fait appel à la notion d’interaction épistémique. Les interactions épistémiques qu’ils étudient dans le cadre de situations de débat ont trait à la reformulation, l’explication, l’argumentation ou encore la négociation. Une des conclusions de ces recherches est que la médiatisation des interactions par ordinateur peut « favoriser les interactions épistémiques dans la mesure où le support écrit d’une communication… permet dans certains cas une réflexion accrue sur le problème à résoudre » (Quignard & Baker, 2007, p. 90).

6 Ces activités et les modèles attendus sont décrits dans un article antérieur (Strebelle A. & Depover C., 2009).

Haut de page

Table des illustrations

Titre Figure 1 : Scénario pédagogique de la recherche en cinq phases
URL http://journals.openedition.org/dms/docannexe/image/324/img-1.png
Fichier image/png, 38k
Titre Figure 2 : Répartition en catégories primitives des actes de paroles émis par les membres des quinze dyades de l’échantillon résiduel
URL http://journals.openedition.org/dms/docannexe/image/324/img-2.png
Fichier image/png, 11k
Titre Figure 3 : Répartition en catégories secondaires des actes de paroles actionnels (codés MAC) émis par les membres des quinze dyades de l’échantillon résiduel
URL http://journals.openedition.org/dms/docannexe/image/324/img-3.png
Fichier image/png, 18k
Titre Figure 4 : Répartition en catégories secondaires des actes de paroles évaluatifs (codés MEV) émis par les membres des quinze dyades de l’échantillon résiduel
URL http://journals.openedition.org/dms/docannexe/image/324/img-4.png
Fichier image/png, 20k
Haut de page

Pour citer cet article

Référence électronique

Albert Strebelle et Christian Depover, « Analyse d’activités collaboratives à distance dans le cadre d’un dispositif d’apprentissage de la modélisation scientifique »Distances et médiations des savoirs [En ligne], 3 | 2012-2013, mis en ligne le 24 juillet 2013, consulté le 14 novembre 2024. URL : http://journals.openedition.org/dms/324 ; DOI : https://doi.org/10.4000/dms.324

Haut de page

Auteurs

Albert Strebelle

Unité de technologie de l’éducation
Albert.STREBELLE@umons.ac.be

Christian Depover

Université de Mons, Belgique
Christian.DEPOVER@umons.ac.be

Articles du même auteur

Haut de page

Droits d’auteur

CC-BY-SA-4.0

Le texte seul est utilisable sous licence CC BY-SA 4.0. Les autres éléments (illustrations, fichiers annexes importés) sont « Tous droits réservés », sauf mention contraire.

Haut de page
Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search