Élaboration d'une épreuve diagnostique cognitive pour dépister les difficultés d'apprentissage des élèves de 5e secondaire en physique
Bibliographic record
Abstract
La réussite du cours de physique de 5e secondaire est un prérequis essentiel pour de nombreux programmes postsecondaires scientifiques contingentés. Cependant, le processus d’admission basé sur les résultats scolaires des deux premières étapes de 4e secondaire ne garantit pas la maitrise des préalables nécessaires à ce cours. Les principales difficultés rencontrées par les élèves proviennent de la difficulté à transférer les concepts prescrits ainsi que les conceptions alternatives ou spontanées lors de l’apprentissage de la physique. L’approche diagnostique cognitive (ADC) permet d’identifier les forces et les faiblesses des apprenants concernant leurs processus cognitifs. Une évaluation en physique de 5e secondaire fondée sur cette approche pourrait aider à repérer les processus maîtrisés et ceux en difficulté, dans le but de maximiser la réussite de tous. Malgré les études portant sur des évaluations en lien avec l’ADC, elles ont généralement été élaborées à partir d’autres approches ou portent sur les domaines des langues et des mathématiques. Dans le cadre de notre recherche, nous avons répondu à la question suivante : Quel est le processus pour élaborer une épreuve diagnostique cognitive permettant d’identifier les forces et les faiblesses des élèves suivant le cours de physique de 5e secondaire? Notre démarche a consisté à élaborer une épreuve diagnostique cognitive portant sur la physique mécanique dynamique, conformément au programme de formation québécois. Notre cadre théorique s'appuie sur l’ADC, ainsi que sur des recherches et tests existants dans ce domaine. Pour renforcer notre méthodologie, nous nous sommes référés à trois cadres de référence en développement d'épreuves : les Standards for Educational and Psychological Testing (AERA, APA, NCME, 2014), The Wiley Handbook of Psychometric Testing (Irwing et Hughes, 2018), et le Handbook of Test Development (Lane et al., 2016). À chaque étape, nous avons détaillé le processus d'élaboration. Dans un premier temps, à l’aide d’un panel de trois experts, dont la chercheuse, nous avons identifié une liste initiale de 10 attributs en physique mécanique dynamique, puis nous avons conçu 15 items sous forme de questions à choix multiples (QCM). Ensuite, nous avons prévalidé l'épreuve auprès de 12 élèves de 5e secondaire en recueillant leurs réponses écrites et les protocoles verbaux de leurs raisonnements cognitifs. Nos objectifs ont été atteints, car le contenu ainsi que les processus cognitifs mobilisés par les élèves pour résoudre les items ont été validés par une méthode de validation basée sur l'accumulation de preuves. Cependant, certaines limites ont été identifiées, notamment l'absence de prise en compte du concept d'équilibre dans la majorité des réponses, les difficultés rencontrées pour proposer des combinaisons de choix de réponses, ainsi que les nuances dans la compréhension de la relation entre la force normale et la force de gravité et l'orientation de cette dernière. Cette recherche a contribué à enrichir et approfondir les connaissances dans le domaine de l’ADC ainsi que dans l’élaboration d’épreuves basées sur cette approche. En somme, il s'agit de la première épreuve conçue à des fins diagnostiques cognitives dans le domaine spécifique de la physique mécanique dynamique, conformément au programme de formation de l'école québécoise. _____________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : Approche diagnostique cognitive, Évaluation, Physique, Attribut, Outil diagnostic cognitif
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.021 | 0.070 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.005 | 0.002 |
| Science and technology studies | 0.002 | 0.004 |
| Scholarly communication | 0.012 | 0.008 |
| Open science | 0.003 | 0.006 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.010 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".