23 août 2025
Au-delà de la note: utiliser les empreintes numériques pour comprendre la pensée des élèves
S’inscrire au Vretta Buzz
Depuis des décennies, les évaluations dans le domaine de l'éducation, tant sur papier que numériques, utilisent les résultats aux tests comme principale mesure de l'apprentissage des élèves. Qu'un élève réponde correctement ou non à une question, c'est tout. Mais que se passerait-il si nous pouvions comprendre comment il est parvenu à sa réponse dans un environnement numérique ? Un article de recherche récent[1] de de Schipper et al. explore cette question, démontrant comment les traces numériques laissées par les élèves (leurs données de processus) peuvent révéler leurs stratégies de résolution de problèmes et offrir une compréhension beaucoup plus approfondie de leur apprentissage.
Étude de cas : Modélisation d’un programme decalcul
L’étude, telle que décrite dans l’article de recherche, a analysé la manière dont 802 élèves de 3e année en France ont abordé un problème interactif de pré-algèbre. L’exercice demandait aux élèves de trouver les valeurs d’entrée qui rendraient le résultat d’un calcul nul. L’interface numérique incluait une fonction de calcul intégrée permettant aux élèves de tester les valeurs.
Un passionné de mathématiques expérimenté remarquera que le cœur du problème peut être représenté par l'équation (3x+2) (x-3) = 0
Les bonnes réponses étant x=3 et x=2/3
Les élèves pourraient théoriquement résoudre ce problème de deux manières :
Approche algébrique (structurelle) : Reconnaître la structure de l'équation et savoir qu'un produit est nul uniquement si l'un de ses facteurs est nul. Cela requiert une pensée abstraite.
Approche par essais et erreurs (opérationnelle) : Introduire des nombres de manière systématique ou aléatoire dans la calculatrice pour voir ce qui fonctionne. Il s'agit d'une stratégie basée sur les processus.
En analysant les données de processus produites par les actions des élèves, les chercheurs ont utilisé une analyse de cluster basée sur un modèle pour regrouper les élèves en fonction de leur comportement.
Conclusions principales
L'analyse n'a pas seulement identifié deux groupes, mais cinq profils comportementaux distincts. Ces groupes présentaient des approches très différentes :
Certains élèves ont rapidement trouvé la réponse facile (x = 3) et ont arrêté.
D'autres se sont livrés à de longs essais-erreurs, trouvant parfois les deux bonnes réponses.
Un groupe remarquable a affiché un comportement conforme à une approche algébrique, passant moins de temps à interagir avec la calculatrice et plus de temps à réfléchir.
Un groupe se caractérisait par une interaction très limitée et des taux de réussite extrêmement faibles. Ce groupe présentait des compétences mathématiques globales significativement inférieures à celles des quatre autres groupes.
Ces résultats montrent que le processus suivi par un élève est non seulement un indicateur puissant de ses compétences mathématiques, mais offre également un portrait plus nuancé de sa compréhension globale.
La voie à suivre : Canevas de résolution de problèmes
Cette étude constitue une démonstration de faisabilité convaincante qui inspire de nouvelles pistes de recherche. L’une de ces pistes consiste à créer un environnement d’évaluation numérique permettant aux élèves d’explorer des stratégies de résolution tout en facilitant la collecte de leurs données de processus. Un canevas de résolution de problèmes en est un exemple.
Un canevas de résolution de problèmes n’est pas seulement un item de test ; c’est un espace de travail numérique intégré conçu pour présenter un problème complexe et saisir un large éventail d’actions stratégiques. Imaginez un élève chargé de résoudre un problème de physique. Le canevas ne serait pas seulement une boîte à questions et réponses. Il comprendrait :
Un espace permettant aux élèves de consigner leurs idées, leurs notes et leurs équations ;
Une simulation ou un diagramme interactif, si nécessaire pour le problème ;
Des outils graphiques et de calcul ;
Un accès à un glossaire ou à une feuille de formules.
Chaque interaction d’un étudiant avec l’espace de travail, qu’il s’agisse de dessiner un diagramme de corps libre, de modifier une variable dans la simulation, d’utiliser la calculatrice ou de rechercher une formule, contribue à construire une image de ses processus cognitifs et comportementaux.
Décrypter les schémas d'apprentissage profond grâce à l'IA
En intégrant ces données de processus riches et multimodales à des modèles d'IA sûrs et sécurisés, il est possible de décrypter d'autres schémas d'apprentissage qui aideront les enseignants à comprendre l'ensemble du processus de résolution de problèmes. Voici quelques pistes pour décrypter ces schémas d'apprentissage :
Cadre d'assemblage : En rassemblant les étapes suivies par un élève pour trouver une solution, nous pouvons construire un cadre de connaissances, offrant un modèle détaillé de sa compréhension du problème et de la manière dont cette compréhension s'intègre à la matière dans son ensemble.
Retour d'information personnalisé et ponctuel : Un canevas alimenté par l'IA pourrait détecter les comportements improductifs d'un élève, comme les devinettes aléatoires. Il pourrait alors proposer un indice structuré, ne donnant pas la réponse, mais suggérant une approche plus systématique (par exemple, « Avez-vous essayé d'organiser vos essais dans un tableau ? »).
Information des enseignants : À l'échelle de la classe, ces données sont transformatrices. Le tableau de bord d'un enseignant pourrait indiquer que 40 % de la classe n'utilise pas l'outil graphique pour visualiser les fonctions, révélant ainsi une lacune pédagogique. Cela permet aux enseignants de passer de la correction des mauvaises réponses à l'enseignement proactif de stratégies efficaces de résolution de problèmes.
En combinant les données de processus issues des espaces de travail numériques avec des analyses intelligentes, nous pouvons transformer l'évaluation pour offrir des expériences d'apprentissage riches et personnalisées à chaque élève. L'évaluation, qui n'était qu'un jugement final, devient un élément dynamique, pertinent et stimulant du parcours, nous offrant un aperçu de l'aspect le plus important de l'éducation : la façon dont les élèves pensent.
À propos de l'auteur
Mitch Haslehurst est un mathématicien chercheur spécialisé en algèbre et en géométrie. Il a obtenu son doctorat en mathématiques à l'Université de Victoria et ses travaux ont été publiés dans des revues de renom, notamment dans le journal Operator Theory et le Rocky Mountain Journal of Mathematics. Il a donné des conférences en Amérique du Nord et en Europe.
Mitch travaille actuellement chez Vretta, où il met son expertise mathématique au service du développement de solutions d'évaluation et d'apprentissage innovantes, ainsi que de l'avancement de projets de recherche. Son rôle relie la recherche à la pratique pédagogique, reflétant son engagement à rendre les idées complexes accessibles et percutantes.
Il est animé par la curiosité, la créativité et un dévouement à l'avancement des mathématiques tout en appliquant les connaissances aux défis du monde réel. Vous pouvez le contacter sur LinkedIn.