Des outils numériques pour apprendre les sciences

La question de l’appropriation des apprentissages par l’utilisation d’outils numériques en sciences est traitée par des chercheurs en sciences de l’éducation depuis plusieurs décennies. Les technologies offrent aujourd’hui de nouvelles opportunités aux enseignants pour aider les élèves, dès l’école primaire et jusqu’au lycée, à s’approprier des notions scientifiques complexes. Certains travaux de recherche montrent que, comparé à des enseignements plus traditionnels, l’apprentissage des savoirs et des compétences scientifiques avec des outils numériques serait plus efficace et faciliterait les apprentissages. Néanmoins, des aides doivent être apportées pour éviter que les élèves adoptent des comportements non adaptés aux apprentissages. Nous montrerons dans cet article en quoi le numérique est utile et le sera, en complétant le rôle de l’enseignant.

Les outils numériques ont été introduits au début des années 1990 dans les enseignements de sciences en France et dans plusieurs pays par le biais de systèmes d’EXAO (expérimentation assistée par ordinateur) pour le contrôle, le recueil et le traitement des données dans les salles de travaux pratiques (Cox, 2012). Toujours en lien avec des activités expérimentales et avec le développement des innovations technologiques, sont apparues les paillasses virtuelles, qui sont des espaces de travail augmenté, qui intègrent ces technologies et qui permettent d’appréhender des activités expérimentales en hybridant les activités concrètes et virtuelles. La recherche en didactique s’est intéressée, de façon assez marginale, à l’impact de ces nouveaux outils dans les apprentissages scientifiques, avec par exemple le projet Tactileo (Bouchigny et al., 2016). Plusieurs autres types de supports numériques existent pour l’enseignement et l’apprentissage des sciences, comme les tutoriels qui proposent des logiciels d’entraînement, les simulations, les logiciels de modélisation et les technologies intégrées et connectées. Bruillard, Komis & Laferrière (2012) complètent cette typologie par les applications de géolocalisation, les outils collaboratifs et les plateformes pour l’apprentissage des sciences.

Les logiciels de simulation et de modélisation, comme nous le montrons ci-dessous, constituent une valeur ajoutée à l’enseignement et à l’apprentissage des sciences. Néanmoins, les travaux de recherche ont montré des résultats contradictoires concernant l’apprentissage par et avec la simulation. La valeur ajoutée est grande et l’utilisation de la simulation possède de nombreux intérêts pour l’apprentissage des sciences. Certains travaux ont par exemple montré que, comparé à des enseignements plus traditionnels, l’apprentissage avec des outils de simulation est plus efficace pour apprendre des savoirs et des compétences scientifiques et facilite le changement conceptuel d’élèves de collège et de lycée (Scalise et al., 2011), car l’usage d’outils de simulation permet de faire des ponts entre théorie et monde réel.

En effet, les logiciels de simulation permettent :

• d’aborder des notions complexes, comme les logiciels qui permettent d’appréhender la génétique mendélienne de façon dynamique et ludique ;
• de visualiser des structures à des échelles très petites ou très grandes, comme les applications qui permettent d’appréhender de façon concrète les distances et la taille des planètes du système solaire ;
• de visualiser des phénomènes avec des jeux et des applications flash qui permettent de se représenter de façon dynamique des phénomènes à des niveaux d’échelle de temps ou d’espace très petits ou très grands ;
• d’expérimenter ou de manipuler en faisant varier des paramètres et en visualisant les conséquences des actions par des rétroactions automatiques, par exemple sur les séismes.

Néanmoins, les apprentissages sont conditionnés par le fait que les élèves ne restent pas spectateurs des outils qu’ils utilisent, et qu’ils formalisent les décisions à l’origine de leurs actions. En cela, les environnements ouverts, qui offrent des possibilités d’investigation et de découverte et un nombre infini de solutions, sont plus favorables aux apprentissages par rapport à des environnements fermés. En effet, les applications flash et les logiciels qui proposent un nombre fini de possibilités et de solutions peuvent induire des comportements essai-erreur. Le risque est alors que les élèves agissent sans réflexion et sans apprentissage.

Si la simulation permet d’appréhender des notions complexes, cela nécessite des aides pour éviter que les élèves ne les utilisent de façon hasardeuse et qu’ils apprennent sans simplifier à l’extrême. De Jong & Van Joolingen (1998) proposent par exemple d’introduire une progression dans les activités de modélisation en apportant la simulation au bon moment, en donnant des consignes, en introduisant une progression dans la démarche et en structurant l’investigation. Nous proposons également d’introduire des activités cognitives de type réflexif et interprétatif comme anticiper, planifier, contrôler, évaluer, justifier, qui permettent aux élèves une meilleure implication dans la tâche (Marzin-Janvier, 2015). En effet, lorsque les élèves mettent en œuvre ces activités, ils formulent a priori une stratégie de résolution de problème et font des choix qui sont sous-tendus par des connaissances ou des conceptions (correctes ou erronées). La mise en relation des résultats attendus avec les résultats obtenus par les élèves entraîne une prise de conscience chez les élèves, qui peut être à l’origine d’une remise en cause des stratégies de résolution de problème et de leurs conceptions initiales qui peuvent alors être modifiées.

La question de l’étayage numérique de l’activité de l’élève en tenant compte de ses difficultés au cours de la démarche d’investigation par des plateformes informatiques a été explorée dans la littérature par Quintana et al. (2004). En analysant la littérature, il est possible de conclure que quatre types d’étayage peuvent être repérés :

• conceptuel (mobilisation de connaissances et de conceptions),
• métacognitif (élaboration d’habiletés cognitives, processus réflexifs),
• procédural (utilisation de procédures et de méthodes),
• stratégique (mise en place et suivi des procédures de résolution de problème, suivi de la démarche d’investigation, articulation entre les différentes étapes).

Les étayages peuvent prendre la forme de ressources, d’expériences, de questions, d’aides à la visualisation. Ils peuvent utiliser le découpage et le suivi de la tâche, mais aussi l’analyse, la justification ou l’explicitation de la tâche. Ils concernent l’ensemble de la démarche et aident les élèves à ne pas perdre de vue la globalité ou les différentes étapes de la démarche. La formulation du problème qui peut être, par exemple, plus ou moins ouverte est également très importante (Marzin-Janvier, 2013). Les possibilités offertes par les plateformes sont infinies mais, pour qu’elles soient efficientes, il est nécessaire que les étayages s’appuient sur une analyse épistémologique et didactique solide, dans un cadre théorique défini. En sciences, les plateformes Wise qui incluent des contenus (Linn & Bat-Sheva, 2011), ou LabNbook qui structurent des démarches (Bonnat et al., 2018) offrent de nombreuses possibilités pour l’enseignant et pour les élèves pour l’apprentissage des sciences. Le fait que plusieurs technologies soient intégrées en un seul outil réduit les difficultés techniques et évite d’avoir à gérer une multitude d’applications. Un seul outil réduit donc la charge cognitive de l’élève. La technologie ne peut remplacer l’enseignant, aussi il est important de définir précisément les tâches qui peuvent être dédiées aux environnements informatiques de celles qui sont spécifiques du professeur. Les technologies actuelles permettent également aux enseignants de garder une trace du travail de l’élève de façon synchrone (suivi en direct) ou asynchrone (historique du travail effectué par les élèves entre deux séances d’enseignement), pour prendre des décisions en s’appuyant sur ces environnements numériques.

L’analyse des traces informatiques et, plus généralement, des données informatiques dans un but pédagogique ou didactique a donné lieu au champ de recherche en science des données de l’apprentissage, encore appelé learning analytics. Cette discipline à l’interface entre les sciences de l’éducation et l’informatique développe de nouvelles perspectives pour l’enseignement et l’apprentissage des sciences. Plusieurs travaux en didactique des sciences s’appuient sur les analyses de traces d’activité, par exemple pour étudier le comportement et les stratégies des élèves lors de l’utilisation d’applications numériques. Ainsi, Sanchez, Emin et Mandran (2015) ont mis en évidence cinq comportements d’élèves quand ils sont impliqués dans l’application Tamagocours. Les « bavards » sont les élèves qui échangent beaucoup et sur des sujets sans lien avec l’activité, et mettent en œuvre un nombre important d’actions. Les « prudents » adoptent une stratégie qui consiste à éviter d’utiliser une ressource sans en avoir au préalable consulté les métadonnées, et à consulter fréquemment les aides. Les « efficients » remportent un nombre important de succès au regard d’un nombre limité d’actions. Les « gaveurs » sont caractérisés par un grand nombre d’actions et des erreurs fréquentes avec une faible consultation des ressources. Les « experts » consultent les aides, échangent beaucoup sur ces aides avec leurs coéquipiers et mettent en œuvre une stratégie de résolution de problème efficiente. Ces résultats qui définissent des profils d’élèves en activité peuvent aider les enseignants à diagnostiquer les profils d’élèves, à anticiper les rétroactions et les aides à apporter et à proposer des remédiations dans des situations d’enseignement avec le numérique.

La recherche sur l’enseignement et l’apprentissage des sciences en contexte numérique s’appuie sur une diversité de technologies. Les résultats montrent que le numérique offre aux enseignants de nombreuses possibilités, pour prendre en compte des difficultés récurrentes d’élèves et pour surmonter des obstacles épistémologiques liés à la nature des savoirs visés. Ces outils et ces ressources augmentent l’efficacité des apprentissages à condition que les élèves soient guidés dans leurs démarches et qu’ils soient impliqués dans la tâche, en particulier en leur proposant des activités métacognitives. Ce guidage est nécessaire pour que, face aux outils numériques, les élèves adoptent des comportements et des stratégies propices aux apprentissages.

Patricia Marzin-Janvier, professeure en didactique des sciences à l’Université de Bretagne occidentale, INSPé de Bretagne, co-directrice du CREAD (Centre de recherche sur l’éducation, les apprentissages et la didactique).

Ainsi la littérature semble dire que les enseignants doivent pouvoir :

• proposer aux élèves des activités et des supports pour préparer et pour synthétiser les réponses et les analyses qu’ils effectuent à l’aide des outils numérique qu’ils utilisent, car la production de traces écrites personnelles améliore les apprentissages ;
• développer chez les élèves des étayages adaptés aux tâches qu’ils réalisent ;
• introduire des activités cognitives de type réflexif et interprétatif comme anticiper, planifier, contrôler, évaluer, justifier, qui permettent aux élèves une meilleure implication dans l’usage du numérique ;
• s’appuyer sur les profils identifiés d’élèves pour leur proposer des aides et des rétroactions adaptées à leurs comportements.

• Projet Tactileo : https://www.tactileo.com/education/ressources-educatives/
• Logiciel BioLogica : http://biologica.concord.org/webtest1/web_labs.htm 
• Site Joshworth : https://joshworth.com/dev/pixelspace/pixelspace_solarsystem.html
• Applications sur les volcans et les séismes : https://www.lumni.fr/dossier/volcans-et-seismes
• Site de modélisation sur les séismes : http://www.cite-sciences.fr/au-programme/evenements/quand-la-terre-gronde/seismes/tremblements-de-terre.html
• Plateforme Wise : https://wise.berkeley.edu/
• Plateforme LabNbook : https://labnbook.fr

• Bonnat C., Marzin-Janvier P., Girault I. & D’Ham C. (2018), « Modélisation didactique pour la conception d’étayages dans un EIAH : exemple d’une activité de conception expérimentale en biologie », Revue STICEF25(2). sticef.univ-lemans.fr/num/vol2018/25.2.4.bonnat/25.2.4.bonnat.htm
• Bouchigny S., Megard C., Knibbe C., Bécu-Robinault K., Gelas D. & Alibert F. (2016), « Une application du projet Tactileo, la paillasse virtuelle sur table interactive », Technologie n° 204, p. 16-19.
• Bruillard E., Komis V. & Laferrière T. (2012), « TIC et apprentissage des sciences : promesses et usages. Introduction », Recherches en didactique des sciences et des technologies, n° 6, p. 9-21.
• Cox M. (2012), « Informatique et apprentissage des sciences : tendances, dilemmes et conséquences pour l’avenir », Recherches en didactique des sciences et des technologies, n° 6, p. 23-52.
• De Jong T. & Van Joolingen W. R. (1998), “Scientific Discovery Learning with Computer Simulations of Conceptual Domains”, Review of Educational Research, vol. 68(2), p. 179-201.
• Linn M. C. & Bat-Sheva E. (2011), Science Learning and Instruction. Taking Advantage of Technology to Promote Knowledge Integration, Routledge.
• Marzin-Janvier P. (2013), Comment donner du sens aux activités expérimentales ?Note de synthèse pour l’HDR, Université Joseph-Fourier Grenoble 1. Soutenue le 7 juin 2013. 196 p.
• Marzin-Janvier P. (2015), « Étayer la conception expérimentale par des environnements informatiques : études en génétique », Recherches en didactique des sciences et des technologies, n° 12, p. 87-112.
• Quintana C., Reiser B. J., Davis E. A., Krajcik J., Fretz E., Duncan R. G., Edelson D., Soloway E. (2004), “A Scaffolding Design Framework for Software to Support Science Inquiry”, TheJournal of the Learning Sciences, vol. 13(3), p. 337-386.
• Sanchez E., Emin-Martinez V. et Mandran N. (2015), « Jeu-game, jeu-play, vers une modélisation du jeu. Une étude empirique à partir des traces numériques d’interaction du jeu Tamagocours », Revue STICEF, vol. 22. http://sticef.univ-lemans.fr/num/vol2015/04-sanchez/sticef_2015_sanchez_04.htm.
• Scalise K., Timms M., Moorjani A., Clark L., Holtermann K. & Shawn P. I. (2011), “Student Learning in Science Simulations. Design Features That Promote Learning Gains”, Journal of Research in Science Teaching, vol. 48, n^o 9, p. 1 050- 1 078. https://doi.org/10.1002/tea.20437.

Date de publication : Décembre 2020