Conception et mises à l'essai d'un environnement d'apprentissage intégrant l'expérimentation assistée par ordinateur et la simulation assistée par ordinateur
Notice bibliographique
Résumé
En considérant que les séances au laboratoire de sciences pouvaient être plus formatrices et que la conservation d'un lien strict avec la réalité pouvait influencer l'apprentissage du processus de modélisation scientifique, nous avons conçu et développé un environnement d'apprentissage permettant d'assister les élèves dans la réalisation d'un ensemble d'étapes de raisonnement inductif et déductif. Nous avons utilisé pour cela certaines des potentialités que peut offrir le couplage d'un système d'expérimentation assistée par ordinateur et d'un système de simulation assistée par ordinateur. D'un point de vue didactique, l'environnement développé permettait aussi d'identifier les actions posées par les élèves lors de leur implication dans un processus de modélisation. Ce qui est le plus novateur dans cet environnement, c'est de permettre à l'élève, après avoir extrait des mesures à partir d'une séquence vidéo et les avoir modélisées, de réaliser ensuite une simulation, en animation, de manière à comparer celle-ci, par une superposition directe des images, avec la réalité filmée. Lors des mises à l'essai faisant intervenir des élèves de physique mécanique au collégial, nous avons observé qu'ils se sont engagés dans un processus de modélisation faisant intervenir des étapes de raisonnement inductives et déductives qui ont été identifiées automatiquement et avec une relative fidélité par l'environnement d'apprentissage. Nous avons aussi observé que les élèves ont réussi à utiliser l'environnement d'apprentissage pour obtenir des réponses satisfaisantes à des questions dont certaines concernaient des éléments de théorie vue en classe et d'autres concernaient des éléments nouveaux. Les élèves ont complété l'expérience plus de deux fois plus rapidement que normalement et se sont montrés d'avis que l'environnement d'apprentissage permettait de mieux comprendre le phénomène physique que les expériences précédentes de la même session. Nous en concluons que cette nouvelle façon de concevoir l'utilisation de l'ordinateur dans l'enseignement et l'apprentissage des sciences que nous avons mise en œuvre et mise à l'épreuve à travers ce développement structuré d'un outil didactique enrichit vraisemblablement l'éventail des possibilités offertes aux élèves et aux professeurs, qui pourraient utiliser l'environnement pour apprendre et faire apprendre, mais aussi aux didacticiens, qui pourraient utiliser l'environnement pour suivre les cheminements d'élèves engagés dans un processus de modélisation. Il serait aussi, à notre avis, intéressant d'explorer, par des expérimentations contrôlées avec de grands échantillons, certains mérites propres associés à cette nouvelle façon de concevoir l'utilisation de l'ordinateur, dont certains comme l'accélération temporelle, l'enrichissement du raisonnement et l'équilibre entre l'induction et la déduction, ont été observés dans nos échantillons.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,006 |
| Communication savante | 0,011 | 0,005 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».