1Les cours en ligne ouverts et massifs (CLOM/MOOC) constituent un phénomène récent, mais ils suscitent déjà d’énormes attentes voire sont considérés comme une « révolution » (Friedman, 2012) qui offrira des possibilités d’apprentissage à un grand nombre de personnes partout dans le monde. Cependant le taux d’abandon annoncé par les porteurs de projets de MOOC est très élevé : pas moins de 90 % des participants n’arrivent pas à achever leurs cours (Liyanagunawardena et al., 2013) ce qui pose des questions sur l’efficacité d’un tel dispositif d’apprentissage. L’un des premiers rapports publiés à partir de données enregistrées sur 17 cours de HarvardX et MITX (Ho et al., 2014) fait état de 841 587 inscriptions, dont 5 % ont obtenu le certificat, 4 % ont échoué bien qu’ayant suivi au moins la moitié du cours, 56 % ont suivi moins de la moitié du cours, et 35 % des inscrits ne se sont jamais connectés.
2Ce taux d’abandon demeure élevé dans des études plus récentes : conformément aux données provenant de XuetangX, l’une des plus grandes plateformes MOOC en Chine, entre 91 % et 93 % des participants n’arrivent pas à achever leurs cours (Goel et Goyal, 2020). Dans une deuxième étude, relative à un cours populaire appelé “Introduction à l’informatique” a été proposé en MOOC par la prestigieuse université de Harvard et malgré le nombre élevé d’inscriptions (150 000), plus de 90 % des inscrits n’ont jamais terminé le cours (Narayanasamy et Elçi, 2020). Selon les articles analysés les raisons de l’abandon peuvent être liées aux contraintes d’un dispositif de formation de type MOOC (absence de tutorat, manque d’interaction entre les pairs, absence de vérification des prérequis pour accéder au MOOC, etc.), mais aussi peuvent se référer à des raisons liées à la manière avec laquelle l’apprenant autodirige son apprentissage. En se référant au modèle d’autodirection de l’apprentissage de Carré (2003) ainsi qu’à la théorie de l’autodétermination (TAD) de Deci et Ryan (2004) nous proposons la conception d’une échelle de mesure de la motivation, afin qu’elle puisse être utilisée pour mesurer le niveau de l’autodétermination préalable des apprenants des MOOC. Nous nous intéressons au développement d’une telle échelle pour répondre à la quasi-absence, jusqu’à ce jour, d’un outil francophone pour évaluer la motivation des apprenants dans un dispositif de formation de type MOOC. Cependant une des rares échelles répondant à notre problématique, est l’Échelle de Motivation en Formation d’Adultes/EMFA (Fenouillet et al., 2015), ses auteurs proposent d’étendre son utilisation dans le contexte des MOOCs car ce genre de dispositifs s’adresse aussi à la formation des adultes.
3Dans une première partie nous présenterons une rapide analyse de la littérature sur les échelles de mesure de la motivation, puis une présentation du modèle théorique mobilisé, à savoir la théorie de l’autodétermination. Cette première partie sera suivie par une présentation de la méthodologie choisie pour la construction de l’échelle de mesure, en se référant à la méthode définie par le paradigme de Churchill (Churchill, 1979). Les résultats de l’application de cette méthodologie seront détaillés dans la troisième partie, tout en respectant les étapes nécessaires à la validation de l’échelle proposée, via une analyse en composantes principales ainsi qu’une analyse factorielle confirmatoire. Nous terminerons le présent article par une discussion de nos différents résultats de recherche tout en essayant de poser les limites et les perspectives de l’échelle de mesure proposée.
4L’apprentissage autodirigé recouvre un champ d’études majeur de l’apprentissage des adultes, propulsé à l’avant-scène par Knowles (1975) à la suite des travaux de ses prédécesseurs dans les années 1960. L’importance des travaux sur l’autodirection a été éclairée dans la communauté francophone par Philippe Carré (2003) qui s’est intéressé surtout à l’autodirection de l’apprenant et surtout aux aspects relatifs à ses dispositions à apprendre, ses intentions, motivations, cognitions et régulations motivationnelles et cognitives (Kaplan et Carré, 2009).
5Carré (2003) propose donc de conceptualiser l’apprentissage autodirigé à partir d’une double dimension : autodétermination « pré-comportementale » de l’engagement d’un côté, autorégulation « volitionnelle » de l’action de l’autre. Cela signifie que pour entrer et se maintenir en autoformation, il est nécessaire d’être porté par un projet personnel fort, déterminé par une volonté intrinsèque ou extrinsèque, mais identifiée ou intégrée et de développer différentes stratégies d’autorégulation pour pouvoir apprendre.
6Carré ajoute à ce propos que « l’apprenant autodirigé est à la fois fortement engagé dans son propre projet (autodétermination), armé de techniques et de ressources cognitives, matérielles et humaines dont il est capable de réguler les usages en fonction de ses propres objectifs (autorégulation), le tout étant fortement soutenu et dynamisé par un sentiment affirmé de son efficacité personnelle à apprendre. » (Carré, 2003, p. 89)
7Le schéma ci-dessous résume cette articulation :
Figure 1. La double dimension de l’autodirection en formation d’après Carré (2003)
8La composante motivationnelle, dans le modèle ci-dessus, présente une importance majeure. Cette composante se réfère aux travaux de recherche de Deci et Ryan (Deci et Ryan, 2002) regroupés sous une théorie appelée la théorie de l’autodétermination (TAD).
9La TAD s’appuie sur le postulat que l’être humain est par nature un être proactif qui peut agir sur et maitriser les forces internes et externes qu’il rencontre au lieu d’être passivement contrôlé par celles-ci (Camus et al., 2017). La TAD propose l’existence de trois grandes familles de motivation :
-
La motivation intrinsèque, c’est la plus autodéterminée : elle se manifeste lorsqu’on s’engage dans une tâche parce qu’on la trouve intéressante et qu’elle nous apporte satisfaction ou plaisir.
-
La motivation extrinsèque, à l’inverse de la motivation intrinsèque, permet à l’apprenant de s’impliquer suite à un facteur extérieur tel que par exemple pour obtenir une récompense ou éviter une sanction.
-
L’amotivation, correspond à l’absence de motivation, c’est-à-dire que la personne ne trouve pas de lien entre la tâche faite et l’intérêt que peut procurer une telle tâche.
10Deci et Ryan (1985) ont proposé trois types de motivations extrinsèques qui se situent sur un continuum de motivation autodéterminée et cela en allant du degré le plus élevé de motivation autodéterminée au plus faible, c’est-à-dire : la régulation identifiée, la régulation introjectée et la régulation externe ».
11Ainsi, la première forme de motivation extrinsèque est la régulation intégrée où le sujet choisit de son propre gré de s’engager dans une activité, car elle correspond à ses propres motifs ou besoins internes, par exemple : « je participe à cette activité parce que ça peut me procurer une nouvelle compétence ».
12La deuxième forme est la motivation extrinsèque à régulation identifiée (MERID). Elle implique que « le sujet s’engage parce qu’il juge l’activité valable et qu’il a identifié l’importance de son engagement » (Ryan et Deci, 2000), par exemple : « je participe parce que ce que j’y apprends me sera utile pour plus tard ».
13La troisième forme est la motivation à régulation introjectée qui implique que l’individu s’engage dans une activité « pour éviter des sentiments négatifs, tels que la culpabilité, ou pour chercher l’approbation des autres » (Wang et Biddle, 2001).
14La dernière forme, où l’aspect auto-déterminé est complètement absent, est une motivation extrinsèque à régulation externe qui caractérise l’individu qui est motivé « par des éléments extérieurs à l’activité comme des récompenses matérielles ou l’évitement de punitions » (Ryan et Deci, 2000).
15Ces différents niveaux d’autodétermination ont été schématisés par Deci et Ryan dans un schéma appelé le continuum de l’autodétermination (voir figure ci-dessous)
Figure 2. Continuum de l’autodétermination avec les différents types de motivation et de régulation (Deci et Ryan, 2000)
16Des chercheurs se sont intéressés à l’application de la TAD dans le domaine de la formation ce qui nous amène dans un premier temps à répertorier leurs différents travaux de recherche.
17En se référant aux travaux relatifs aux raisons de l’abandon dans les formations à distance, nous remarquons dans le cadre d’une recherche impliquant 490 apprenants que les raisons d’abandon sont de deux types : À la fois propres à l’individu tels que le manque de motivation initiale et d’autres liées au dispositif lui-même (modalités de suivi, dysfonctionnements…) en particulier le manque de soutien apporté par le dispositif (Dussarps, 2015). De même Rebah et Dabove (2017) ont analysé l’impact de l’usage des TIC dans une formation, notamment le recours au réseau social Facebook sur la motivation autodéterminée des apprenants en s’appuyant sur la théorie d’autodétermination de Deci et Ryan (1985). Cette recherche a conclu que le recours aux TICs en formation a renforcé la motivation autodéterminée des apprenants.
18Un travail de recensement a été effectué par certains chercheurs (Ayari, 2020) permettant d’analyser les travaux de recherche qui ont essayé de faire le lien entre l’autodétermination et la réussite aux MOOCs.
19Par exemple dans le cadre du MOOC OT12 déployé par l’université ouverte (The Open University) en Angleterre, les auteurs (Beaven et al., 2014) ont conclu qu’un apprenant non autodéterminé n’arrive pas à s’impliquer dans les activités collaboratives et donc le manque d’autodétermination peut être considéré comme une des raisons d’échec des apprenants. Les auteurs proposent d’être très explicite dans la présentation du MOOC en insistant qu’un MOOC est considéré comme un dispositif ouvert à condition que l’apprenant soit préalablement fortement autodéterminé à le suivre.
20Pebayle et Rossini (2017) ont montré que le recours aux médias sociaux constitue un soutien motivationnel important. En effet l’envoi des messages via les réseaux sociaux pendant le MOOC rappelant sans cesse le déroulement du MOOC présente un moyen de soutenir la motivation évitant l’abandon précoce.
21Karsenti (2015) en se référant à la théorie de l’autodétermination s’est intéressé aux trois modalités intégrées actuellement à certaines formations à distance : l’apprentissage nomade, la ludification des activités d’apprentissage et l’apprentissage adaptatif qui mènent à une amélioration de la motivation des apprenants qui participent à des MOOCs. Il s’est intéressé donc aux mesures de soutien au processus d’apprentissage ainsi qu’aux stratégies à développer pour favoriser la motivation des apprenants d’un MOOC. De même Karsenti et Buggman (2016) se sont intéressés aux caractéristiques sociales du MOOC CERTICE et à son impact sur la motivation : 70,3 % des participants au MOOC pensent que le volet collaboration avec les pairs, au sein de ce MOOC, a « beaucoup » ou « énormément » impacté leur motivation.
22De même Shlaka (2021) s’est intéressée aux impacts des SPOCs (Small Private Online Course) sur la motivation autodéterminée des étudiants universitaires de la faculté des sciences de Rabat. Cette recherche a fait appel à l’Échelle de Motivation en Formation d’Adultes (EMFA) en calculant l’indice d’autodétermination (IAD) pour chacun des répondants à l’EMFA. Plus cet indice est élevé, plus le degré d’autodétermination de l’apprenant est fort (Fenouillet et al., 2015). L’analyse statistique de la variable note finale et l’indice d’autodétermination de la motivation ont une corrélation significative (corrélation de Pearson = 0,843). Cela signifie que les deux variables réagissent fortement de la même manière. Ce qui explique que les étudiants ayant une bonne note finale sont caractérisés par un indice d’autodétermination élevé. Zhou (2016) a mené des recherches relatives aux MOOCs développés en Chine, pour trouver le lien qui peut exister entre la motivation intrinsèque, et le maintien de l’attention et de la persévérance de l’apprenant. Son approche s’est basée sur le recours à une enquête quantitative, touchant à 475 apprenants, analysée à l’aide de la modélisation par équations structurelles, ayant confirmé l’existence de relation causale entre le maintien de l’attention, de la persévérance et de la motivation de l’apprenant.
23Ces travaux de recherche bien qu’ils aient traité de l’application de TAD dans un dispositif de type MOOC nous montrent qu’il manque un outil statistique appliqué et utilisé dans ce contexte précis de formation permettant d’analyser le niveau de motivation préalable en se basant sur la théorie de l’autodétermination et la relation pouvant exister entre l’accomplissement d’un MOOC et le niveau de l’autodétermination.
24Notre travail de recherche a été effectué sur deux populations à savoir les apprenants inscrits à la 2e et la 3e session du MOOC « Préparer et réussir le DELF (Diplôme d’Études en Langue Française) B2 et le DALF (Diplôme Approfondi de Langue Française) C1 » de l’Université de Jendouba. Ce terrain de recherche a été aussi la base de notre thèse de recherche (Ayari, 2020).
25Le MOOC étudié est hébergé sur la plateforme FUN et a été soutenu par l’Agence universitaire de la Francophonie. Ce choix de travailler sur deux populations différentes du MOOC se justifie pour un besoin de validation de notre échelle de mesure nécessitant le recours à une analyse exploratoire et une deuxième analyse confirmatoire.
26Les tableaux ci-dessous décrivent les caractéristiques de nos deux populations pour les deux sessions du MOOC :
Tableau 1. Répartition de l’échantillon des deux sessions par genre
Session MOOC
|
N
|
Genre
|
H
|
F
|
Session 2
|
659
|
278 42 %
|
381 48 %
|
Session 3
|
324
|
192 60 %
|
132 40 %
|
Tableau 2. Répartition de l’échantillon des deux sessions par tranche d’âge
|
N
|
Tranche d’âge
|
18-24
|
25-34
|
35-44
|
45-54
|
55-64
|
> 65
|
S 2
|
659
|
198 30 %
|
252 38 %
|
115 17 %
|
66 10 %
|
19 3 %
|
8 2 %
|
S 3
|
324
|
78 24 %
|
138 43 %
|
59 18 %
|
36 10 %
|
10 3 %
|
2 2 %
|
27Le contenu du MOOC permet de préparer les apprenants aux quatre épreuves à savoir :
-
La compréhension orale
-
La compréhension écrite
-
La production écrite
-
La production orale
28À la fin de ce MOOC, les apprenants pourront se présenter aux examens du Diplôme d’Études en Langue française (DELF) niveau B2 et du Diplôme Approfondi en Langue Française (DALF) niveau C1 :
-
Le niveau B2, niveau intermédiaire, garantit une bonne maitrise de la langue tant à l’écrit qu’à l’oral en compréhension comme en production. C’est pourquoi c’est le niveau minimum exigé pour intégrer une université francophone.
-
Le niveau C1 prouve un niveau avancé de l’usage de la langue.
29La durée totale de ce MOOC est de 6 semaines, une semaine par séquence. Chaque séquence demande en moyenne entre 2 heures et 3 heures de travail par semaine.
30La première semaine d’introduction (séquence zéro) permet d’expliquer le déroulement du MOOC et aussi d’évaluer le niveau initial en langue française et de décider ainsi dans quel parcours l’apprenant pourra s’inscrire (DELF B2 ou DALF C1). Le parcours DALF C1 propose deux sous-parcours à savoir DALF C1 sciences exactes ou DALF C1 sciences sociales.
31Les quatre séquences qui suivent la séquence zéro sont consacrées chacune à une des 4 compétences évaluées aux examens. À la dernière semaine du MOOC, la semaine six, un sujet d’examen est proposé correspondant à un exemple typique de l’examen de certification à passer (DELF B2 ou DALF C1).
32Les activités relatives à la compétence de compréhension sont évaluées d’une manière automatique (type QCM). Pour les trois autres compétences (compréhension écrite, production écrite et production orale) les concepteurs ont fait appel à une évaluation par les pairs : tout travail rendu par un apprenant doit être évalué par deux pairs en se basant sur une grille d’évaluation proposée par l’équipe pédagogique du MOOC. À préciser que pour la compétence « production orale », les apprenants doivent enregistrer oralement leur production et soumettre le fichier sonore à leurs pairs pour évaluation. Pour la production écrite un corrigé proposé par les enseignants est disponible à la fin du quatrième jour de la semaine.
33Pour la construction de notre échelle nous nous sommes référés aux lignes directrices proposées par Churchill (1979) : il s’agit d’une démarche méthodologique appelée « Paradigme de Churchill » permettant de construire avec rigueur des instruments de mesure de type questionnaires à échelles multiples (Benraïss, 2001).
34La démarche s’articule autour de quatre phases majeures à savoir :
-
La revue de littérature,
-
L’enquête exploratoire auprès du public cible,
-
L’étude exploratoire faisant appel à une analyse en composantes principales,
-
L’étude confirmatoire faisant appel à une analyse factorielle confirmatoire.
Figure 3. Protocole de construction de l’échelle de mesure EMOC-CLOM conformément au protocole du paradigme de Churchill (1979)
35Dans un premier temps nous nous sommes référés aux différentes échelles déjà développées et traitant de la mesure de la motivation en éducation. Deux de ces échelles ont été analysées à savoir : L’échelle de motivation en éducation/EMA (Vallerand, 1989) et l’échelle de motivation en formation des adultes/EMFA (Fenouillet et al., 2015).
36Ces deux échelles nous ont permis de tester une première version de notre échelle et qui a été soumise aux acteurs du MOOC (concepteurs et apprenants). Cela nous a permis de recueillir les remarques de notre population qui se sont orientées vers la nécessité d’adapter davantage les items de l’échelle vers le contexte spécifique des MOOCs et surtout la mise en valeur du motif de découverte de ce nouveau dispositif ainsi que la souplesse de suivi qu’offre un tel dispositif. Les motivations citées par nos apprenants s’articulent autour de quatre familles à savoir : la motivation intrinsèque (par exemple le plaisir d’apprendre), la motivation extrinsèque à régulation identifiée (par exemple l’apport que peut apporter cette formation pour faire évoluer son bénéficiaire sur le plan professionnel), la motivation extrinsèque à régulation externe (par exemple on a demandé à l’apprenant de s’inscrire) ainsi que l’amotivation (par exemple je me suis inscrit mais sans forcément savoir si cela va m’intéresser). Ces quatre familles de motivation font partie bel et bien du continuum de l’autodétermination de Deci et Ryan (2000) ainsi que des quatre familles de motivation citées par Carré (2003).
37Cela nous amènera donc à proposer les items de notre échelle de mesure traitant des quatre familles de motivation citées précédemment. L’ensemble de l’échelle EMOC-CLOM contient un questionnaire composé de 16 affirmations avec 4 affirmations par famille de motivation. En utilisant une échelle Likert, l’apprenant détermine son niveau d’accord avec chacune de ces 16 affirmations, affichées d’une manière aléatoire, en répondant à la question « Quelles sont les raisons pour lesquelles vous suivez ce MOOC ? » (Voir tableau 3).
Tableau 3. Les items relatifs aux quatre sous-échelles de l’EMOC-CLOM
Questions
|
Sous-échelle motivationnelle
|
Encodage
|
1. Je trouve que le contenu de ce MOOC est plaisant
|
Motivation intrinsèque
|
MI1
|
2. Je suis ce MOOC pour mon bien
|
Motivation extrinsèque à régulation identifiée
|
MERID1
|
3. Pour pouvoir gagner d’avantage d’argent
|
Motivation extrinsèque à régulation externe
|
MERE1
|
4. Il doit y avoir une bonne raison pour que je fasse cette formation, mais je ne la vois pas
|
Amotivation
|
AMO1
|
5. Je trouve toujours intéressant de découvrir des nouvelles modalités de formation telle que le dispositif MOOC
|
Motivation intrinsèque
|
MI2
|
6. Je pense que cette formation est une bonne chose pour moi pour évoluer sur le plan professionnel
|
Motivation extrinsèque à régulation identifiée
|
MERID2
|
7. Je suis ce MOOC parce que c’est quelque chose que je dois faire
|
Motivation extrinsèque à régulation externe
|
MERE2
|
8. Je m’inscris à ce MOOC, mais je ne suis pas sûr que ça en veille la peine
|
Amotivation
|
AMO2
|
9. Je trouve toujours plaisant d’apprendre des nouvelles choses
|
Motivation intrinsèque
|
MI3
|
10. C’est ma décision personnelle de suivre ce MOOC pour m’ouvrir des nouveaux horizons pour mon employabilité
|
Motivation extrinsèque à régulation identifiée
|
MERID3
|
11. Pour ne pas décevoir mes parents ou mes enseignants
|
Motivation extrinsèque à régulation externe
|
MERE3
|
12. Je ne sais pas. Je ne vois pas ce que ce MOOC m’apporte
|
Amotivation
|
AMO3
|
13. Je me sens bien quand j’élargis mes connaissances sur un thème que j’aime
|
Motivation intrinsèque
|
MI4
|
14. Je pense que son contenu est important pour moi sur le plan personnel et/ou professionnel
|
Motivation extrinsèque à régulation identifiée
|
MERID4
|
15. Je suis ce cours parce que j’ai le sentiment que je dois le faire
|
Motivation extrinsèque à régulation externe
|
MERE4
|
16. Je vais suivre ce cours, mais je ne suis pas sûr que ce soit une bonne chose de le continuer.
|
Amotivation
|
AMO4
|
38Cette étape nous permet de vérifier les qualités psychométriques de l’échelle. Cela se fait comme suit :
-
Une première phase de validation du questionnaire commence par l’étude de la fiabilité de sa cohérence interne (Roussel, 1996). L’alpha de Cronbach est utilisé comme indicateur statistique de fiabilité. Cela nous permet d’être sûrs que les réponses des personnes auxquelles a été administré le questionnaire sont cohérentes sur l’ensemble des énoncés mesurant le même concept.
-
La phase d’analyse en composantes principales (ACP) est une méthode statistique permettant de synthétiser l’information et de définir la structure sous-jacente d’un concept en procédant à une analyse de données multivariées permettant d’explorer simultanément les relations existantes entre les différentes variables. Le concept traité ici est le profil motivationnel de l’apprenant. Les variables concernées sont les différents items de notre échelle de mesure. Les variables composites, les quatre sous-échelles dans notre cas, sont appelées composantes principales ou facteurs ou axes (Evrard et al., 1993).
39L’analyse factorielle confirmatoire (AFC) a pour but de tester la structure factorielle inférée de l’analyse en composantes principales, effectuée à la section précédente. L’AFC montre le degré de saturation des items sur les variables latentes correspondant aux indicateurs mesurés et fournit divers indices qui nous permettent d’estimer dans quelle mesure la structure formée, via les différentes dimensions et les items, est supportée par les données empiriques (Byrne, 1998).
40L’AFC sera effectuée en faisant appel à des méthodes d’équations structurelles via des itérations du modèle afin de trouver le modèle de mesure le mieux ajusté.
41Un ensemble d’indices sont utilisés pour statuer sur la qualité d’ajustement des différents modèles. Parmi ces indices, on trouve : le Goodness of Fit Index (GFI) et l’Adjusted Goodness of Fit Index (AGFI), le comparative Fit Index (CFI), le TuckerLewis Index (TLI) et le Root Mean Square Error of Approximation (RMSEA).
42À la fin de cette étape une version améliorée de notre échelle sera proposée.
43Dans un premier temps nous avons mené une analyse en composantes principales (ACP).
44Cela a été précédé par une analyse des corrélations via l’alpha de Cronbach des quatre composantes motivationnelles mesurées par notre échelle. L’analyse de corrélation a été aussi menée au niveau de chacun des 16 items de l’échelle. Les résultats de l’analyse des corrélations sont résumés dans le tableau ci-dessous :
Tableau 4. Les Alphas de Cronbach pour la corrélation des sous-échelles et des 16 items de l’échelle
|
Sous-échelle
|
Item
|
Session 2
|
Session 3
|
Amotivation (AMO)
|
Session 1 : 0,68 Session 2 : 0,69
|
AMO1
|
0,73
|
0,71
|
AMO2
|
0,74
|
0,73
|
AMO3
|
0,73
|
0,72
|
AMO4
|
0,73
|
0,72
|
Motivation extrinsèque à régulation externe (MERE)
|
Session 1 : 0,72 Session 2 : 0,71
|
MERE1
|
0,71
|
0,69
|
MERE2
|
0,70
|
0,69
|
MERE3
|
0,73
|
0,71
|
MERE4
|
0,71
|
0,70
|
Motivation extrinsèque à régulation identifiée (MERID)
|
Session 1 : 0,67 Session 2 : 0,66
|
MERID1
|
0,73
|
0,72
|
MERID2
|
0,73
|
0,73
|
MERID3
|
0,73
|
0,72
|
MERID4
|
0,72
|
0,72
|
Motivation intrinsèque (MI)
|
Session 1 : 0,77 Session 2 : 0,74
|
MI1
|
0,73
|
0,72
|
MI2
|
0,74
|
0,72
|
MI3
|
0,73
|
0,74
|
MI4
|
0,73
|
0,72
|
45Nous pouvons donc conclure pour cette phase d’analyse de cohérence interne de notre échelle que :
Les alphas pour chacune des quatre sous-échelles (Tableau 4) varient de 0,66 à 0,77. Ils sont légèrement inférieurs à 0,7 pour les deux sous-échelles Amotivation (AMO) et Motivation extrinsèque à régulation identifiée (MERI) mais sont tout à fait acceptables étant donné qu’ils ne comportent que 4 items. Pour évaluer l’acceptabilité du coefficient de consistance interne, et en se référant à Martinez (1995) et Gulliksen (1950), deux éléments contribuent à la variabilité du coefficient de consistance interne : la taille de l’échantillon étudié et le nombre d’items que comporte l’échelle. Ces chercheurs proposent une acceptabilité de l’alpha qui devrait excéder 0,7 pour un instrument comportant 10 items et plus. Par ailleurs celui-ci devrait se situer autour de 0,50 lorsqu’une échelle comporte 4 items comme dans le cas des sous-échelles de l’EMOC-CLOM. Selon Evrard et al. (1997), un alpha de Cronbach variant entre 0,6 et 0,8 est acceptable pour une étude exploratoire. De même, Nunnally (1978) considère qu’un alpha de Cronbach est acceptable pour une valeur comprise entre 0,6 et 0,7.
46Pour les items se trouvant dans chacune des quatre sous-échelles la valeur d’alpha Cronbach est supérieure à 0,7 pour tous les items de l’échelle relative à la population de la session 2. Seuls les items MERE1 et MERE2, deux items de la Motivation extrinsèque à régulation externe (MERE), ont une valeur alpha de 0,69. Donc la corrélation des items de chacune des sous-échelles est acceptable.
47Avant de commencer à travailler sur une analyse en composantes principales, un travail préalable est nécessaire pour vérifier que les données peuvent très bien être factorisées.
48Pour pouvoir le faire, nous procédons à deux tests statistiques : Mesure de l’adéquation de l’échantillonnage (KMO) et Test de sphéricité de Bartlett.
49Pour notre cas le KMO global de la matrice a comme valeur 0,85 pour la session 2 du MOOC et 0,82 pour la troisième session, deux valeurs considérées comme excellentes. Pour le test de sphéricité de Bartlett, on a une valeur de 9.34 * 10-274, pour la troisième session et est égale à 0 pour la deuxième session et donc inférieur à 0,05 permettant ainsi de faire une analyse factorielle.
50Les deux tests statiques ont été concluants, cela nous permettra donc de passer à une analyse factorielle en composantes principales de nos variables.
51Afin de pouvoir faire une analyse en composantes principales, nous avons procédé au calcul statistique de la matrice des corrélations des différents éléments de l’échelle ainsi que celle des quatre sous-échelles.
52Pour cela on utilise le test de corrélation de Pearson :
Tableau 5. Matrice de corrélation des 4 sous-échelles de motivation (session 2)
|
MI
|
MERID
|
MERE
|
AMO
|
Motivation intrinsèque MI
|
1
|
0.64
|
0.11
|
-0.22
|
Motivation extrinsèque à régulation identifiée MERID
|
0.64
|
1
|
0.2
|
-0.07
|
Motivation extrinsèque à régulation externe MERE
|
0.11
|
0.2
|
1
|
0.45
|
Amotivation AMO
|
-0.22
|
- 0.07
|
0.45
|
1
|
Tableau 6. Matrice de corrélation des 4 sous-échelles de motivation (session 3)
|
MI
|
MERID
|
MERE
|
AMO
|
Motivation intrinsèque MI
|
1
|
0.61
|
0.09
|
-0.3
|
Motivation extrinsèque à régulation identifiée MERID
|
0.61
|
1
|
0.17
|
-0.12
|
Motivation extrinsèque à régulation externe MERE
|
0.09
|
0.17
|
1
|
0.52
|
Amotivation AMO
|
-0.3
|
-0.12
|
0.52
|
1
|
53Les deux matrices de corrélation, ci-dessus, des 4 sous-échelles nous montrent :
-
Une forte corrélation entre la MI et le MERID (coefficient de corrélation de 0,64 pour la 2e session et 0,61 pour la 3e session) ainsi que AMO et MERE (coefficient de corrélation de 0,45 pour la 2e session et 0,52 pour la 3e session).
-
De même on a observé une corrélation négative élevée entre la MI et l’AMO (coefficient de corrélation de -0,22 pour la 2e session et de -0,3 pour la 3e session).
54Une façon de confirmer que notre échelle vérifie le modèle théorique du continuum de l’autodétermination consiste à étudier le pattern des corrélations entre les sous-échelles de l’instrument. La validation du continuum de l’autodétermination est confirmée lorsque les corrélations démontrent un pattern de type simplex (Vallerand et O’connor,1991). Cela suppose que :
-
Les corrélations les plus positives sont obtenues entre les types de motivations adjacentes
-
Les corrélations entre les motivations aux points extrêmes du continuum démontrent les indices les plus négatifs.
55L’analyse en composantes principales permet d’une part de vérifier l’unidimensionnalité des composantes motivationnelles de l’EMOC-CLOM mais aussi d’avoir une image sur l’organisation de ces composantes motivationnelles les unes par rapport aux autres. Nous présentons ci-dessous les résultats des analyses en composantes principales des deux sessions du MOOC sous forme de cercles de corrélation :
Figure 4. Cercle de corrélation des quatre sous-échelles de l’EMOC-CLOM selon les deux axes principaux de l’analyse en composantes principales (Session 2 du MOOC DELF/DALF)
Figure 5. Cercle de corrélation des quatre sous-échelles de l’EMOC-CLOM selon les deux axes principaux de l’analyse en composantes principales (Session 3 du MOOC DELF/DALF)
56Les figures ci-dessus permettent de montrer que :
-
Les quatre familles motivationnelles sont bien organisées selon un continuum motivationnel selon l’axe horizontal. On trouve la motivation intrinsèque (MI) et la motivation extrinsèque à régulation identifiée (MERID) suivies de la motivation extrinsèque à régulation externe (MERE) et l’amotivation (AMO).
-
Ces figures montrent bien que la motivation extrinsèque à régulation identifiée (MERID) est adjacente à la motivation intrinsèque (MI). Cette observation confirme que bien que d’origine extrinsèque, la MERID est une motivation considérée comme étant autodéterminée et à l’origine de conséquences positives telles que la persévérance et la performance.
-
De même on trouve la motivation extrinsèque à régulation externe (MERE) et l’amotivation (AMO) qui représentent l’absence de l’autodétermination, se trouvant ensemble sur la même partie de la figure.
57Nous pouvons donc conclure que notre analyse en composantes principales nous offre un précieux moyen pour confirmer que notre échelle EMOC-CLOM suit le modèle théorique du continuum de l’autodétermination (Deci et Ryan, 1985).
58La validation de notre échelle se fait dans un deuxième temps via une analyse factorielle confirmatoire (AFC). Cette analyse a été effectuée en faisant appel à des méthodes d’équations structurelles, via des itérations sur l’échelle initiale, afin de trouver l’échelle de mesure la mieux ajustée.
59Pour cela, l’étude a nécessité deux étapes de validation. La première porte sur l’échelle initiale proposée constituée de 16 items et la deuxième repose sur une échelle améliorée à 14 items.
60À partir d’un modèle élaboré conformément aux hypothèses proposées par Deci et Ryan (1985) nous avons donc construit un modèle (voir figure 6) qui a fait ensuite l’objet d’une analyse factorielle confirmatoire à l’aide du logiciel Amos 26. À la suite de la première itération, nous avons décidé de retirer l’item 3 de la sous-échelle de la motivation extrinsèque à régulation externe puisque le poids factoriel est de 0,30. De même nous avons retiré l’item 4 de la sous-échelle de l’amotivation représentant un poids factoriel de 0,44. Ce choix se justifie par leur poids factoriel qui est le plus bas.
Figure 6. Résultats de l’Analyse Factorielle Confirmatoire (AFC) / Version à 14 items
61Pour confirmer un modèle nous avons relevé différents indices permettant de statuer sur son ajustement : le Goodness of Fit Index (GFI) et l’Adjusted Goodness of Fit Index (AGFI), le comparative Fit Index (CFI), le TuckerLewis Index (TLI), le Root Mean Square Error of Approximation. Les valeurs idéales pour ces indicateurs sont :
-
Les valeurs du GFI doivent être supérieures à 0,90 pour statuer sur un bon ajustement du modèle (Diamantopoulos et Siguaw, 2000).
-
Des valeurs supérieures à 0,90 pour les CFI et TLI indiquent un bon ajustement des données (Edwards, 2006 ; Stevens, 2012).
-
Enfin, un RMSEA inférieur à 0,08 signifie un ajustement acceptable (Browne et Cudeck, 1992)
62Nous pouvons déduire, conformément aux résultats indiqués dans le tableau ci-dessous, que le modèle à 14 items affiche pour l’ensemble des indices un meilleur ajustement au modèle théorique que celui à 16 items. La valeur du Chi²/ddl est toutefois légèrement supérieure à 5, principalement en raison de l’importance relative de l’échantillon (n = 659).
Tableau 7. Qualité d’ajustement du modèle statistique
Modèle
|
Chi-deux/ddl
|
P du Chi2
|
NFI
|
CFI
|
TLI
|
RMSEA
|
GFI
|
16 items
|
703.90/98 = 7.18
|
0.001
|
.88
|
.90
|
.87
|
.086
|
.91
|
14 items
|
360.76/70 = 5.15
|
0.001
|
.90
|
.92
|
.90
|
.079
|
.93
|
Valeur acceptable
|
Valeur <5
|
<.001
|
Le plus fort possible
|
>.90
|
>.90
|
<.08
|
>.90
|
63Afin de pouvoir exploiter notre échelle et regrouper les quatre variables motivationnelles dans une seule variable décrivant le niveau d’autodétermination de chaque apprenant nous avons fait appel à un Index de la Motivation Autodéterminée (IMA).
64Cet index n’est autre qu’une pondération des quatre niveaux de motivation en fonction de leur position sur le continuum d’autodétermination : Des conséquences positives sont engendrées par des comportements autodéterminés et des conséquences négatives résultent de comportements non autodéterminés.
65Les deux types de motivation positives : la motivation intrinsèque (MI) et la motivation extrinsèque par régulation identifiée (MERI) ont un poids de +2 et de +1 respectifs, alors que la motivation extrinsèque par régulation externe (MERE) a un poids de 1 et que l’amotivation (AM) a un poids de 2. Chaque poids est multiplié par la moyenne des réponses du participant pour les quatre sous-échelles en utilisant la formule suivante :
IMA = (2*MI + MERID) – (2*AM + MERE)
66Cette équation fournit une valeur qui peut varier de +18 à -18, car l’échelle EMOC-CLOM propose à l’apprenant de positionner sa réponse sur une échelle de Likert à sept modalités allant de 0 à 6.
67Bien que cet index présente quelques lacunes (par exemple avoir le même score pour deux apprenants n’ayant pas forcément le même profil motivationnel), il reste néanmoins le seul moyen permettant d’avoir un indice global des différentes formes de motivation proposées par Deci et Ryan en une seule variable reflétant le niveau de motivation autodéterminée d’un apprenant.
68Pour pallier les quelques lacunes de cet indice, des chercheurs pensent qu’il est préférable de prendre en considération les différents types de composantes motivationnelles plutôt que de se limiter à l’index d’autodétermination car c’est un moyen d’étudier l’effet de chaque type de composante motivationnelle. C’est le cas de Vallerand et Bissonnette (1992) qui étudient la corrélation de la valeur de chacune des sous-échelles de l’EME sur la persistance des étudiants en 1ère année de l’Université.
69À partir de la théorie de l’autodétermination, l’objectif de cette recherche était le développement d’une échelle de mesure de la motivation dans un dispositif de cours en ligne ouvert et massif (EMOC-CLOM) en contexte francophone. Cette échelle a été inspirée de celle de la motivation en Éducation (Vallerand et al., 1989) et l’Échelle de Motivation en Formation des Adultes (Fenouillet et al., 2015).
70L’ensemble des résultats obtenus nous permet de confirmer les qualités psychométriques satisfaisantes de notre échelle. Le processus de création de l’échelle a suivi la démarche proposée par Churchill (1979). Après avoir analysé des échelles de mesure existantes ainsi que la proposition d’une première variante de l’échelle au public concerné cela nous a permis de proposer les composantes motivationnelles à traiter ainsi que les items de chacune de quatre variables motivationnelles à savoir : La motivation intrinsèque, la motivation extrinsèque à motivation identifiée, la motivation extrinsèque à motivation externe et l’amotivation.
71Une analyse en composantes principales ainsi que la mesure des alphas de Cronbach confirment le modèle théorique du continuum de l’autodétermination. Le recours à une analyse factorielle confirmatoire, nous a permis de confirmer la structure à quatre dimensions de l’échelle tout en proposant de l’améliorer en passant d’une échelle à 16 items à une échelle de 14 items.
72Dans un dernier temps, nous avons travaillé sur la définition d’un Index de motivation d’autodétermination (IMA) relatif à notre échelle. Cet index permet de pondérer positivement les motivations intrinsèques de l’apprenant et pondérer négativement ses motivations extrinsèques permettant ainsi d’évaluer son profil motivationnel. Le recours à l’IMA permettra dans une phase ultérieure de l’exploiter dans un futur travail de recherche de corrélation entre profil motivationnel et la performance (Ryan et Connell, 1989 ; Vallerand, 1997).
73Par ailleurs, et pour que l’échelle proposée puisse confirmer sa pertinence dans le contexte d’un dispositif d’apprentissage de type MOOC il est plus que nécessaire qu’elle puisse être testée par d’autres chercheurs travaillant sur la thématique de la motivation préalable des apprenants dans un MOOC.
74Ce travail de construction de l’échelle EMOC-CLOM, gagnera davantage en validité et cela en l’appliquant dans d’autres contextes pour confirmer la structure à quatre composantes motivationnelles. Il conviendrait donc de confirmer les caractéristiques psychométriques via la réalisation de nouvelles études afin de confronter les résultats obtenus dans des contextes différents. Nous sommes désireux de découvrir s’il existe d’autres composantes motivationnelles en dehors des quatre déjà incluses dans notre échelle de mesure, surtout dans le contexte d’autres études.
75La construction et la validation de cette nouvelle échelle ne constitue pas une fin en soi mais nous sommes curieux de savoir comment l’exploitation de notre échelle de mesure, dans un autre contexte de recherche, peut aider à montrer ou pas que la motivation constitue un levier pour la réussite des apprenants dans un dispositif de type MOOC.