Objets connectés : catalyseurs dans la médiation des savoirs scientifiques

Un article repris de la revue Distances et Médiations des Savoirs, une publication sous licence CC by sa

Aymeric Bouchereau et Ioan Roxin, « Objets connectés : catalyseurs dans la médiation des savoirs scientifiques », Distances et médiations des savoirs [En ligne], 30 | 2020, mis en ligne le 25 juin 2020, consulté le 05 octobre 2020. URL : http://journals.openedition.org/dms/5028 ; DOI : https://doi.org/10.4000/dms.5028

Pour son implication dans la conception de l’un des dispositifs, les auteurs remercient Liviu-Adrian Cotfas, maître de conférences au département d’informatique et de cybernétique économique de l’Université de Bucarest et chercheur postdoctoral au sein du laboratoire ELLIADD en 2018

Introduction

L’Internet des Objets (IdO) est une nouvelle étape dans l’évolution des technologies de l’information et de la communication (TIC) : celle de leur imbrication avec les objets physiques de notre environnement. Les objets les plus simples (par exemple grille-pain [1], bracelet, chaussures) et les plus complexes (par exemple smartphone, voiture) deviennent des objets qui étendent les logiques d’automatisation et d’assistance dite intelligente. L’évolution vers une informatique ubiquitaire entraîne, à l’instar du passage de l’écrit à l’ordinateur, des changements politiques, culturels, religieux et modifie nos pratiques d’apprentissage (Serres, 2007).

Les TIC favorisent l’introduction d’activités asynchrones et à distance pour compléter la formation en présentiel. De plus, la mobilisation de ces technologies dans les scénarios pédagogiques stimule la combinaison entre la formation à distance et la formation en présentiel. Si une telle articulation est portée par un environnement informatique pour l’apprentissage humain, on parle d’une formation hybride [2] (Charlier, Deschryver et Peraya, 2006 ; Charnet, 2016). Notre recherche s’intéresse aux possibilités et conditions de formation dans le contexte de l’IdO. Nous soutenons la thèse selon laquelle les objets connectés (OC) constituent des outils pour la médiation des savoirs scientifiques, en facilitant l’observation et en stimulant l’interprétation de l’environnement grâce à leurs capteurs. Dans cet article, nous interrogeons les enjeux de l’usage des OC pour l’apprentissage et les formes d’hybridation qu’ils produisent dans la formation aux sciences.

La première partie décrit le cadre de notre réflexion sur l’utilisation des OC pour l’apprentissage et la façon dont ils sont exploités pour la médiation des savoirs scientifiques. Dans la seconde partie, les résultats d’une expérimentation sont examinés pour mettre en exergue les nouvelles conditions que posent les dispositifs d’apprentissage des sciences basé sur des OC. Nous concluons en explicitant les limites et les atouts, de l’hybridation de la formation aux sciences produites par l’usage d’OC.

Apprendre la science avec des objets connectés

L’IdO est complexe à appréhender du fait de la pluralité de ses acceptions et de la diversité des technologies en jeu (Roxin et Bouchereau, 2017a). Le concept trouve sa source dans les travaux sur la communication entre machines, les systèmes cyberphysiques et l’informatique ubiquitaire. Dans la continuité de l’informatique ubiquitaire, l’IdO est la proposition de nouveaux contextes d’utilisation des TIC par leur fusion avec les objets du quotidien (Dourish et Bell, 2011). L’IdO est aussi compris comme une infrastructure pour la mise en données de l’environnement dans laquelle les OC sont des producteurs et des consommateurs de données (Miorandi, Sicari, De Pellegrini et Chlamtac, 2012). Les OC sont les acteurs principaux de l’écosystème de technologies de l’IdO visant : la captation de données et l’action sur l’environnement ; l’interconnexion et la communication entre objets ; le traitement et l’analyse des flux de données massives (Roxin et Bouchereau, 2017b).

Dimensions de l’Internet des Objets et capacités des objets connectés

Nous avons identifié et défini quatre dimensions afin d’étudier l’IdO : données, interfaces, pervasivité et agents (Bouchereau, 2018 ; Bouchereau et Roxin, 2018).

Les données de l’IdO sont des grandeurs physiques générées par les capteurs d’OC et de microcontrôleurs (par exemple accéléromètre, capteur de luminosité, gyromètre, hygromètre, infrarouge, thermomètre). Les interfaces des OC sont surfaciques, tangibles et ambiantes ; elles mobilisent le corps et rapprochent la représentation de l’information de son moyen de contrôle. La dimension pervasive est la réduction des contraintes d’accès à l’information dans l’espace et le temps, depuis de multiples supports, pour télécharger des contenus de types différents. La dernière dimension correspond à l’agentivité des OC : leur capacité de décision et d’action reposant sur des méthodes d’analyse de données et sur des actionneurs (Pramanik, Pal et Choudhury, 2018).

L’OC est caractérisé par ses capacités de captation de données et d’action sur l’environnement, d’interaction (avec l’humain ou avec d’autres objets) et d’analyse de données. Le mode de fonctionnement de l’OC repose sur un mouvement allant de l’observation vers l’abstraction. Ce mouvement débute par des observations sur l’environnement (données), agrégées et mises en relation (information) pour, in fine, en extraire des connaissances (Qin et al., 2016).

Technologies pour l’apprentissage des sciences

L’apprentissage des sciences et le développement d’une culture scientifique font partie des enjeux de nos sociétés contemporaines. Selon Morin (2008), l’augmentation exponentielle de connaissances scientifiques a créé une rupture entre la culture humaniste et la culture scientifique [3]. De plus, si « l’esprit peut accéder aisément aux connaissances de la culture humaniste », les connaissances dans la culture scientifique sont enfermées dans des disciplines de plus en plus spécialisées et s’expriment « dans des langages formalisés inaccessibles au profane » (Morin, 2008, p. 1635). Dès lors, l’objectif visé avec une formation hybride est aussi de rendre les savoirs scientifiques plus accessibles et de stimuler la compréhension.

Les matières scientifiques ont été pionnières dans l’introduction des TIC et dès les années 60, l’ordinateur a été utilisé par les enseignants pour créer des tutoriels et des simulations, pour la programmation, le calcul scientifique et l’enregistrement de données (Cox, 2012). Avec le logiciel LOGO, Papert montre que l’informatique permet la création d’environnements riches où l’apprenant construit ses connaissances par l’expérience concrète (Papert, 1994). Cependant, à partir des années 2000, les usages se sont cantonnés à des recherches sur le Web et à la mise en ligne des cours (Cox, 2012).

L’étude de la littérature et des capacités des OC suggère des usages éducatifs qui rejoignent ceux de la première période d’intégration des TIC. Nous avons montré (Bouchereau et Roxin, 2018) que les dispositifs d’apprentissage basés sur des OC se distinguent par l’exploitation d’au moins une des quatre dimensions de l’IdO (données, interfaces, pervasivité, agents). Ces dispositifs s’inscrivent majoritairement dans les conceptions constructivistes et socioconstructivistes de l’apprentissage (Piaget, 1969 ; Vygotski, 1997). Ils supportent des activités (individuelles ou collectives) centrées sur l’apprenant où il expérimente par lui-même. Les dispositifs d’apprentissage visent l’engagement des apprenants, la contextualisation des savoirs et l’authenticité des activités.

Objet connecté : intermédiaire entre l’environnement et l’apprenant

Les dispositifs d’apprentissage identifiés dans la littérature sont basés sur les interactions entre l’apprenant et l’environnement. L’apprentissage est un processus d’interaction entre les informations produites par l’apprenant et par l’OC. Au niveau le plus bas (voir figure 1), il s’agit d’une interaction entre les données « captées » par les sens humains et par les capteurs des OC. La précision des capteurs et leur plage de valeur plus grande permettant de capter, par exemple, les ultrasons ou les rayons infrarouges, présentent un intérêt particulier pour l’apprentissage des sciences.

Figure 1 : interactions entre les informations issues des données recueillies par les sens humains et les capteurs des OC (Bouchereau, 2018)

Lorsqu’il s’agit d’apprendre les sciences, les conceptions élaborées par l’apprenant pour expliquer son environnement peuvent s’opposer aux savoirs (Astolfi, Darot, Ginsburger-Vogel et Toussaint, 2008). Ces conceptions sont ancrées dans le quotidien et sont élaborées intuitivement à partir des sens et en faisant des analogies avec des expériences passées (Hofstadter et Sander, 2013) [4]. Ce processus est efficace pour s’adapter au quotidien, mais c’est aussi une « facilité de l’esprit qui se précipite vers une explication toute prête » (Bachelard, 1993), conduisant à des conceptions erronées en opposition avec les savoirs scientifiques.

Démocrite, père de la science moderne, opposait « la connaissance légitime de l’intellect à la connaissance bâtarde des sens » (Morel, 1998, p. 8), car il estimait que l’expérience sensible est toujours relative et incapable de saisir la réalité authentique. La connaissance légitime est celle de la raison qui, par son exercice, parvient à saisir la réalité et la rendre intelligible. Les savoirs sont construits par l’adoption de la méthode scientifique impliquant l’observation rigoureuse du réel, la formulation d’hypothèses et l’expérimentation (Bachelard, 1993). L’expérience sensible peut conduire aux savoirs scientifiques à condition qu’elle soit interprétée et encadrée ; ce n’est pas tant la quantité que la qualité de l’expérience qui importe.

Nous soutenons l’hypothèse que les OC peuvent servir l’apprentissage des sciences en apportant un cadre pour rendre « perceptibles » des phénomènes difficilement accessibles aux sens. Le processus de médiatisation suit le modèle Données-Représentation-Interactions (D-R-I) : les données captées permettent de générer en temps réel une représentation d’un phénomène physique avec laquelle l’apprenant peut interagir. Les OC sont des instruments de mesure et d’interprétation de l’environnement qui apportent des informations sur des phénomènes physiques non tangibles.

Le modèle D-R-I décrit l’un des processus possibles de valorisation des capacités des OC et donne lieu à plusieurs implémentations dans le cadre de la formation aux sciences. Nous distinguons deux implémentations qui introduisent des formes d’hybridation dans les formations : l’expérimentation in situ et le laboratoire à distance.

Expérimentation in situ

16Cette approche considère l’OC et ses capteurs comme un laboratoire de poche que l’on peut utiliser pour réaliser des expériences en dehors de la salle de classe. Le smartphone, particulièrement, est « un instrument de mesure puissant au service de la démarche expérimentale » (Chevrier, 2016) grâce à ses multiples capteurs (par exemple accéléromètre, gyromètre, thermomètre, microphone, caméra, haut-parleur). Une fois collectées, les données sont interprétées et discutées avec l’enseignant.

La mise en pratique et les manipulations physiques, même lorsqu’elles sont courtes, améliorent significativement l’apprentissage en sciences (Kontra, Lyons, Fischer et Beilock, 2015). La stimulation des fonctions sensori-motrices est utile, notamment dans le premier temps de l’apprentissage pour remettre en question les conceptions existantes de l’apprenant. En devenant plus informelles, ces activités favorisent la curiosité et la motivation des étudiants en liant les sciences avec les phénomènes de la vie quotidienne (Suárez, Specht, Prinsen, Kalz et Ternier, 2018).

Bouquet et ses collègues (2019) rapportent comment des microcontrôleurs Arduino ont été utilisés par leurs étudiants pour expérimenter en dehors de la salle de classe. Les étudiants, en seconde année d’une filière scientifique, devaient réaliser trois études : sur les oscillations mécaniques (accéléromètre), la transmission de la lumière (capteur de luminosité), la déformation d’une règle (capteur à effet Hall) et la perte de chaleur (thermomètre). L’objectif était de contextualiser certains concepts et de familiariser les étudiants avec la prise de mesures, la calibration et la représentation graphique.

Cette approche est motivée par le coût des appareils, qu’il s’agisse de microcontrôleurs ou de smartphones, et contextualise les concepts enseignés (Chevrier, 2016). Le coût et le taux d’équipement en smartphone des étudiants permettent d’individualiser la réalisation des expériences et chaque étudiant a facilement à disposition un instrument de mesure qu’il connaît bien. L’expérimentation en dehors des murs laisse plus de temps avec l’enseignant pour discuter des mesures collectées et de leurs interprétations, notamment pour évoquer les problèmes liés à l’incertitude des mesures (González et González, 2016).

Laboratoire à distance

Dans une configuration inverse, cette approche rend accessibles à distance les instruments d’un laboratoire physique. Depuis un terminal relié à Internet, les étudiants accèdent à un environnement virtuel où ils visualisent les mesures prises par les instruments d’un laboratoire physique, envoient des instructions et observent les effets de leur manipulation.

Un laboratoire à distance est composé d’instruments scientifiques enrichis par des capteurs, des actionneurs, des caméras et un moyen de transmission des données par Internet (Thames, Abler, Hyder, Wellman et Schaefer, 2011). Les dispositifs de laboratoire à distance se sont développés dans les années 2000 (Thames et al., 2011). Par exemple, le projet iLab visait la création d’une architecture pour permettre aux étudiants d’expérimenter via le réseau, depuis plusieurs institutions (Harward et al., 2004). Cependant, ces projets étaient limités en ressource (par exemple bande passante, mémoire, puissance de calcul) et les instruments manquaient de fiabilité. Le développement de l’IdO apporte des capteurs, des actionneurs et des microcontrôleurs programmables à bas coûts et les moyens nécessaires pour mettre en réseaux les appareils à courte, moyenne et longue distance (Roxin et Bouchereau, 2017).

La mise en place d’un laboratoire à distance dans le cadre de formation aux sciences et d’ingénierie répond à une volonté de développer l’apprentissage hybride, en réduisant les contraintes de temps et d’espace pour expérimenter. Le laboratoire à distance propose une expérience d’apprentissage proche de la réalité, dans les manipulations et les procédures à effectuer, avec des coûts moindres et un niveau de dangerosité réduit (Roschelle, Martin, Ahn et Schank, 2017). Dans un contexte économique tendu, cette approche permet de limiter les coûts d’achat de matériel et de maintenance en partageant les ressources entre institutions. Ainsi, les étudiants ont accès aux instruments de laboratoire depuis des zones avec des contraintes économiques et/ou géographiques (Mehmood et al., 2017).

Dispositifs d’apprentissage pour comprendre les grandeurs photométriques

À travers l’expérimentation in situ et le laboratoire à distance, nous voyons que les OC sont utilisés comme instruments de mesure avec l’objectif de faciliter l’expérimentation. Cependant, il existe peu de données empiriques pour évaluer les effets des OC sur l’apprentissage des sciences, sur la motivation des étudiants et leur intérêt pour la science. Les études existantes comparent l’efficacité de l’apprentissage avec des OC à d’autres méthodes et auprès d’apprenants dans un cursus scientifique. Les résultats de ces études tendent à montrer une efficacité équivalente aux méthodes conventionnelles et un effet positif sur l’intérêt et la motivation (par exemple Hochberg, Kuhn et Müller, 2018). Ces résultats rejoindraient ceux obtenus par la méta-analyse effectuée par Bennett, Lubben et Hogarth (2007) sur les pratiques de contextualisation en formation scientifique.

Nous avons mené une expérimentation pour étudier les effets, les contraintes et les enjeux de l’utilisation d’OC pour la médiation des savoirs scientifiques. L’objectif était d’évaluer la faisabilité de la conception de dispositif d’apprentissage selon le modèle D-R-I, les conditions de leur utilisation par les apprenants et le rapport aux savoirs scientifiques. L’expérimentation s’est déroulée avec des étudiants en première année d’un master formant aux produits et services multimédia [5]. Le sujet des grandeurs photométriques a été choisi pour intégrer l’expérimentation dans un cours sur les fondements du multimédia. Les grandeurs photométriques sont adaptées à notre recherche, car il s’agit de concepts abstraits et non tangibles décrivant la puissance de rayons électromagnétiques dans certaines conditions. Nous nous sommes concentrés sur cinq concepts issus du cours original :

– flux lumineux : puissance lumineuse d’une source dans toutes les directions ;
– intensité lumineuse : flux transmis uniformément dans un cône d’angle solide unitaire ;
– éclairement : le flux reçu par unité de surface de l’élément éclairé ;
– luminance : l’intensité lumineuse fournie par l’unité de surface apparente d’une lumière (re)transmise par une surface éclairée ;
– température de couleur : mesure caractérisant la couleur apparente d’une source lumineuse.

En suivant le modèle D-R-I, nous avons conçu quatre dispositifs d’apprentissage, chacun portant sur un ou deux des concepts. Notre hypothèse est que le modèle D-R-I, en augmentant la perception des apprenants, permet de rendre intelligibles les grandeurs photométriques. Nous supposons que l’utilisation d’OC comme instruments de mesure favorise l’engagement des apprenants et que celui-ci est influencé par la capacité à utiliser les TIC.

Méthode

Les dispositifs d’apprentissage ont été conçus pour permettre des observations et des expérimentations en lien avec des questions spécifiques (voir tableau 1). Les questions étaient décrites sur une fiche destinée à guider les étudiants dans leur manipulation et permettant de garder une trace de leurs observations.

Chaque dispositif incluait au moins un iPad, des objets physiques (par exemple feuilles, règles, stylos) et une ampoule connectée Philips Hue. Le dispositif sur la température de couleur comportait un montage Arduino avec un capteur de lumière visible. Du côté logiciel, nous nous sommes appuyés sur des applications mobiles existantes :

– mesure de l’éclairement (Light Meter - iOS, Lux Light Meter - Android) ;
– conversion entre grandeurs photométriques (Calculs d’éclairement - iOS/Android) ;
– paramètres de l’appareil photo (Lux - iOS, Light Meter Free - Android) ;
– grapheur (Geogebra - iOS/Android).

Tableau 1 : questionnements guidant l’apprentissage pour chaque dispositif

Nous avons dû développer trois applications pour répondre à des besoins spécifiques. Pour le dispositif Température de couleur (voir tableau 1), l’application iOS créée permet de faire varier la température de couleur de l’ampoule connectée depuis un smartphone. Dans le cadre du dispositif Propriétés d’une ampoule, l’une des applications web détecte automatiquement les signes écrits sur une ampoule et affiche des explications. La détection automatique est basée sur l’outil de vision artificielle de la plateforme d’apprentissage automatique Google Cloud [6]. La dernière est une application web de réalité augmentée pour représenter graphiquement le flux lumineux, l’intensité lumineuse et l’éclairement dans l’aperçu de la caméra d’un smartphone.

Les participants (N=17) ont été aléatoirement groupés par deux (sept groupes de deux et un groupe de trois). La moyenne d’âge était de 22,82 ans sur l’ensemble, de 22,45 pour les 11 hommes et de 23,5 pour les 6 femmes. Les données ont été collectées via deux questionnaires, avant l’utilisation des dispositifs (pré test) et après (post test). Le but du questionnaire pré test était de déterminer le profil de l’étudiant (par exemple âge, genre), l’état de ses connaissances sur les grandeurs photométriques et sa capacité à utiliser les technologies. Le contrôle des connaissances, validé avec l’enseignant en charge du cours original, est présent dans les questionnaires pré et post test, et porte sur les cinq concepts présentés plus haut.

Instruments de mesure

Pour évaluer l’influence de la capacité des étudiants à utiliser les TIC sur leur engagement durant l’apprentissage, nous avons utilisé l’échelle de mesure du sentiment d’efficacité dans l’usage des TIC (SEP-TIC, (Déro et Heutte, 2008). Le sentiment d’efficacité personnelle désigne la croyance d’un individu dans sa capacité à mobiliser ses ressources cognitives et à faire les actions nécessaires pour accomplir avec succès une tâche (Bandura, 1997). L’efficacité perçue influence le niveau d’engagement de l’individu dans une activité, ses efforts, ses prises de décisions ou encore sa persévérance.

Le questionnaire post test comprenait une évaluation quantitative de la motivation des étudiants ainsi que des questions ouvertes sur les aspects positifs et les difficultés rencontrées.

La motivation a été évaluée à l’aide des échelles de mesure de l’intérêt et de l’utilité perçue du questionnaire Intrinsic Motivation Inventory (IMI) [7]. Le questionnaire IMI est basé sur la théorie de l’autodétermination (TAD) permettant d’étudier les facteurs de motivation des individus. La TAD postule que les individus cherchent continuellement à se réaliser par la satisfaction de trois besoins psychologiques : l’autonomie, la relation sociale et la compétence. La satisfaction de ces besoins est la cause et la conséquence de la motivation des individus et, dans le cadre de l’apprentissage, détermine l’engagement des apprenants. La motivation est intrinsèque lorsqu’elle est directement liée à l’un des besoins psychologiques ou elle peut résulter d’un processus d’internalisation lorsqu’un motivateur externe (par exemple une note) est ramené à l’un des besoins. Dans le questionnaire IMI, l’échelle de mesure de l’intérêt évalue la motivation intrinsèque de l’étudiant tandis que l’échelle de mesure de l’utilité perçue estime le degré d’internalisation.

Après avoir rempli un questionnaire pré test, les groupes ont utilisé successivement les quatre dispositifs, dans un ordre aléatoire, puis ils ont rempli un questionnaire post test. Avant d’utiliser un nouveau dispositif, un animateur présentait au groupe les objectifs et le fonctionnement dudit dispositif.

Résultats

Nous décrivons ci-après les données quantitatives obtenues via les deux questionnaires : le SEP-TIC, l’intérêt et l’utilité perçue des dispositifs et le contrôle des connaissances.

Pour 75% des étudiants, le SEP-TIC est supérieur à 34, sur une échelle de 0 à 50, et les valeurs sont concentrées entre 34 et 36. Le SEP-TIC relativement élevé et regroupé autour de la moyenne est cohérent avec le profil des étudiants : ces derniers sont issus d’une même formation impliquant une utilisation importante des TIC.

Environ la moitié des mesures de l’intérêt et de l’utilité perçue des dispositifs sont comprises entre 13 et 17, sur une échelle allant jusqu’à 20. Un test de corrélation (R de Spearman) montre que les deux mesures sont corrélées (p = 0,002238) : un intérêt élevé pour les dispositifs va de pair avec une utilité perçue élevée également. Les résultats de ces deux mesures semblent indiquer que les dispositifs ont suscité l’engagement des étudiants durant les activités d’apprentissage.

Concernant le contrôle des connaissances, 75% des notes obtenues lors du questionnaire pré test sont inférieures à 3,12 sur 20 et la meilleure note est de 7,5. Après avoir utilisé les dispositifs, la moyenne des notes gagne environ cinq points, 50% des notes sont supérieures à 8,12 et la meilleure est de 15. Ces notes sont individuelles et nous ne constatons pas de corrélation entre les étudiants d’un même groupe.

Nous n’avons pas trouvé de différences dues au genre et les tests effectués ne montrent pas de corrélation de l’intérêt, de l’utilité perçue et du SEP-TIC avec la note obtenue au questionnaire post test. Le SEP-TIC ne semble pas avoir eu d’influence sur l’engagement des étudiants, représenté par l’intérêt et l’utilité perçue.

Le tableau 3 synthétise les réponses des étudiants aux questions ouvertes sur les aspects appréciés et les difficultés rencontrées avec les dispositifs d’apprentissage.

Tableau 3 : synthèse des commentaires des étudiants à propos des dispositifs d’apprentissage avec objets connectés

Parmi les aspects appréciés, l’autonomie, la manipulation d’objets et l’utilisation d’OC sont citées ensemble : « La manipulation libre, l’utilisation des applications » (9F) [8], « Le fait que l’on puisse manipuler par nous-même, utiliser des applications à l’aide de nos smartphones » (48C). Ces aspects étant les plus fréquemment cités, ils pourraient expliquer l’engagement des étudiants constatés avec les échelles de mesure.

Le lien entre la théorie et la pratique a été apprécié sous deux angles différents. D’abord, les étudiants notent que les dispositifs traitent les concepts théoriques avec des objets du quotidien. Ensuite, ce n’est pas tant la manipulation en autonomie qui est appréciée que la possibilité d’observer en temps réel les conséquences des manipulations et de pouvoir les comparer à la théorie. Toutefois, nous verrons que ce point peut aussi être un frein à l’apprentissage.

Le travail par groupe a amené les étudiants à collaborer pour traiter les questions associées à chaque dispositif : « Le fait qu’on ait pu partager des connaissances avec mon binôme et réaliser ses propres expérimentations » (44I). Pour mener leurs observations et expérimentations, les étudiants ont dû échanger leurs connaissances et partager leurs hypothèses avant de conduire leurs observations et expérimentations.

Une partie des difficultés rencontrées par les étudiants est liée aux ressources dont ils disposaient pour s’aider et au temps imparti pour la réalisation des activités. Les étudiants pointent l’ambiguïté des consignes et les problèmes matériels et logiciels. Les autres difficultés proviennent des conditions d’apprentissage posées par les dispositifs, en particulier l’autonomie et la confrontation de la théorie au réel.

Les étudiants ont pointé le manque d’accompagnement pour utiliser les dispositifs et pour choisir les observations et les expérimentations à effectuer : « Difficulté dans la démarche à adopter, par où commencer... » (8H). Les animateurs et les feuilles d’activités devaient assurer une forme de guidage pour limiter la surcharge cognitive et éviter que l’autonomie devienne contre-productive (Kirschner et al., 2006). Les résultats montrent que ces solutions n’ont pas permis d’éviter les effets négatifs de l’autonomie. La confrontation entre les résultats attendus, en théorie, et les résultats obtenus, en pratique, a été une source de difficultés pour les étudiants. Certains étudiants, notamment lorsqu’il s’agissait de calculer un résultat, cherchent à « coller » à la théorie sans y parvenir parfaitement : « Trouve[r] la valeur théorique similaire de nos valeurs pratiques » (33A). Nous revenons sur ce point dans la section suivante.

Discussion

Les résultats de l’expérimentation, en particulier la progression des connaissances, suggèrent que le modèle D-R-I peut effectivement rendre intelligibles les grandeurs photométriques. Ce modèle constitue une piste de recherche à approfondir pour analyser le rôle des OC dans la médiation des savoirs scientifiques. Cependant, la portée des résultats de l’expérimentation est limitée par la taille de l’échantillon et l’absence d’une comparaison avec une autre méthode d’apprentissage. D’autres études doivent être menées pour établir les effets du modèle D-R-I sur l’apprentissage et les facteurs d’influence.

Nous avons vu que le modèle D-R-I donne lieu à deux formes d’hybridation de la formation aux sciences : l’expérimentation in situ et le laboratoire à distance. La multiplication des OC, la diversité des capteurs combinée à leurs coûts moindres rendent la prise de mesure accessible. Cette possibilité permet de faire sortir les expériences scientifiques de la salle de classe, d’individualiser les manipulations à effectuer et de collecter des mesures authentiques.

À propos des dispositifs d’apprentissage naissant avec le Web 2.0, Dohn (2009) affirmait que peu importe leur aspect innovant, ces dispositifs s’inscrivent toujours dans des pratiques existantes. De même, les usages des OC sont à rapprocher des pratiques visant à illustrer la science avec des expériences et en utilisant des objets du quotidien. La fondation La Main à la pâte et les sites lesdebrouillards.com et culturesciencesphysique.ens-lyon.fr proposent des activités et des expérimentations pour rendre la science accessible et attractive. Les OC sont de nouveaux matériaux d’expérience pour illustrer et favoriser la compréhension de concepts scientifiques.

Néanmoins, l’utilisation des OC pose de nouvelles conditions à la médiation des savoirs scientifiques, car il ne s’agit pas simplement de disposer d’un OC pour que l’expérimentation et la science deviennent accessibles. Nous faisons plusieurs observations à partir des travaux présentés plus haut et de l’expérimentation.

L’objet connecté comme instrument de mesure

Faire de l’OC un « laboratoire de poche » (Chevrier, 2016) requiert des connaissances dans plusieurs domaines. L’identification des concepts que les capteurs d’un smartphone peuvent illustrer nécessite des connaissances en physique. La conception d’un dispositif d’apprentissage demande des connaissances en électronique et en informatique pour récupérer les données des capteurs et les présenter à l’apprenant. De plus, le mode de récupération des données captées peut varier d’une marque d’OC à l’autre et aboutir à des mesures différentes. Par exemple, la mesure de l’éclairement est calculée à partir du capteur de la caméra pour l’iPhone et du capteur de luminosité pour les smartphones Android.

Il existe des applications mobiles gratuites pour voir les mesures d’un capteur particulier (p. ex. la luminosité ambiante avec Light Meter Free (iOS)) ou plusieurs (par exemple l’accéléromètre, le GPS, le gyroscope et le magnétomètre avec Phyphox ou SPARKvue [9]). La difficulté est de choisir parmi les nombreuses applications gratuites, dont la fiabilité des mesures et l’utilisabilité varient, parfois à cause de publicités intempestives. Aussi, les connaissances en informatique restent nécessaires pour adapter des applications, éviter les publicités ou personnaliser la visualisation des données.

L’utilisation d’OC comme instruments d’observation et d’expérimentation implique des adaptations qui ont des conséquences sur la médiation des savoirs.

Adapter les savoirs scientifiques à l’objet connecté

2Le recours aux OC pour la médiation des savoirs scientifiques est conditionné par les capteurs accessibles et les concepts scientifiques qu’ils permettent d’explorer. Les travaux des physiciens publiés dans la revue « The Physics Teacher » [10] informent sur l’étendue des possibilités, mais s’adressent à un public expert. Également, des relais proposent des sélections d’applications, des tutoriels et des scénarios pédagogiques complets pour utiliser les OC dans la formation aux sciences. L’Institut français de l’éducation [11] (IFE) propose des tutoriels avec des vidéos explicatives et des sélections d’applications. La plateforme OpenTP développée par des chercheurs de l’Université de Paris-Saclay a pour but de favoriser l’utilisation du smartphone et des microcontrôleurs lors des travaux pratiques de physique [12].

Les ressources proposées par les relais et les dispositifs conçus pour notre expérimentation impliquent une transposition didactique visant à adapter les savoirs à enseigner aux conditions d’apprentissage (Reuter et al., 2013). S’agissant d’OC, la transposition didactique comprend un travail supplémentaire de gestion des différences entre les modèles d’OC et entre les applications. Par exemple, l’accéléromètre de l’iPhone ne fait pas la différence entre la gravité et l’accélération ce qui signifie qu’il mesure au repos une accélération g de 9,81 m/s au lieu de 0.0. Cela doit être pris en compte lors de la transposition didactique afin de ne pas induire en erreur l’apprenant, par exemple, en donnant davantage d’explications sur l’iPhone ou en identifiant une application corrigeant le comportement de l’iPhone (Hochberg et al., 2018).

La transposition didactique est d’autant plus importante que l’un des objectifs de la médiation des savoirs scientifiques avec des OC est l’autonomie. Les résultats de notre expérimentation montrent qu’il s’agit d’un aspect critique : les apprenants doivent pouvoir mener en autonomie des observations et des expérimentations. Ainsi, les éléments de guidage doivent prendre en compte la diversité des équipements des apprenants.

Quel apprentissage des savoirs scientifiques ?

Dans le cadre de l’apprentissage de savoirs scientifiques, l’autonomie implique l’adoption d’une démarche scientifique pour émettre des hypothèses, les tester et les ajuster. Si les mesures des capteurs sont exploitables dans un cadre pédagogique, elles sont sujettes à une incertitude (par exemple une mauvaise manipulation) provoquant des divergences entre les valeurs théoriques obtenues par le calcul et les valeurs pratiques données par les capteurs. Les résultats de l’expérimentation montrent que ces différences entre la théorie et la pratique ont mis en difficulté les apprenants.

Il nous semble que ces difficultés sont liées au rapport qu’entretiennent les apprenants avec les savoirs scientifiques. L’étude menée par (Maurines, Gallezot, Ramage et Beaufils, 2013) montre que les élèves tendent à avoir une « image empirico-inductive et réaliste ‘naïve’ des sciences ». Dans l’enseignement, la faible place accordée à la réalité humaine, sociale et culturelle de la construction des savoirs scientifiques conduit à leur objectivation. Pourtant, « Toute connaissance, même la plus physique, subit une détermination sociologique. Il y a dans toute science, même la plus physique, une dimension anthropo-sociale » (Morin, 2008, p. 30).

L’accessibilité de l’observation et de l’expérimentation apportée par les OC favorise un rapport aux savoirs scientifiques élaboré du point de vue de leur construction. Les apprenants doivent adopter une démarche proche de celle des chercheurs afin de redécouvrir un savoir scientifique, comprendre son origine et son lien avec l’expérience sensible quotidienne. Ce changement dans la manière d’étudier les savoirs scientifiques peut être la source de difficultés pour une partie des apprenants.

Limites institutionnelles

L’utilisation des OC rencontre également des limites institutionnelles. Les institutions sont prises entre des injonctions à l’enseignement des fondamentaux et un besoin de modernisation en développant la formation « par » et « aux » technologies numériques (Cormerais, Le Deuff, Lakel et Pucheu, 2017). Si des initiatives ont lieu pour favoriser les usages éducatifs des TIC, il existe un décalage entre cette volonté et la réalité scolaire (Bano et al., 2018). Plusieurs facteurs peuvent freiner l’utilisation d’OC dans un cadre pédagogique (Tsinakos, 2013 ; Yu, Lee et Ewing, 2014) :

– ressources financières limitées ;
– mesures politiques inefficaces ;
– manque de compétences numériques ;
– manque de ressources matérielles ;
– opinions concernant les effets des appareils sur le bien-être et la santé ;
– l’utilisation dans un cadre scolaire d’appareils dont les fonctions premières relèvent du loisir.

L’expérimentation in situ et le laboratoire à distance contournent l’obstacle financier en s’appuyant sur les équipements des apprenants et sur les faibles coûts des capteurs et des microcontrôleurs. La période d’apprentissage qui serait nécessaire à l’utilisation des équipements prêtés par l’institution s’en trouve réduite. Cependant, l’utilisation des équipements personnels des apprenants accentue les problématiques liées à la sécurité du réseau institutionnel et aux données qui circulent sur ce réseau. La gestion d’une flotte d’équipements « étrangers » à l’institution nécessite des changements (Stavert, 2013) : au niveau de l’infrastructure (par exemple connectivité, prise), des systèmes informatiques (par exemple chiffrage des données, partage des ressources), au niveau politique (par exemple encadrement des usages, sensibilisation aux problèmes de sécurité) et requiert des ressources humaines pour la maintenance des équipements.

Conclusion

Dans cet article, nous avons examiné la manière dont les OC peuvent servir la médiation des savoirs scientifiques et comment ils contribuent à l’hybridation de la formation.

La multiplication et l’accessibilité d’appareils intégrant des capteurs entraînent un passage de la rareté à l’abondance de la mesure, ce qui a des répercussions sur la formation aux sciences. Selon le modèle D-R-I, l’apprentissage est produit par les interactions entre les données captées par l’OC et les sens humains. Ce modèle permet deux formes d’hybridation de la formation aux sciences : l’expérimentation in situ et le laboratoire à distance. Loin de constituer de véritable rupture, ces hybridations s’inscrivent dans des pratiques existantes en apportant l’individualisation et la pratique en dehors des murs de l’institution des expériences scientifiques pédagogiques.

Afin d’étudier les effets, les contraintes et les enjeux du modèle D-R-I pour la médiation des savoirs scientifiques, nous avons conçu des dispositifs d’apprentissage pour comprendre les grandeurs photométriques et mené une expérimentation. La conception de dispositifs d’apprentissage selon le modèle D-R-I requiert des connaissances en physique, en informatique et en électronique. De plus, la présentation des savoirs scientifiques doit être adaptée aux spécificités des différentes marques d’OC et à la diversité des applications. Les résultats de l’expérimentation montrent que le modèle D-R-I permet de rendre intelligibles les grandeurs photométriques. Cependant, des éléments de guidage sont nécessaires pour développer l’autonomie des apprenants et favoriser l’adoption d’une démarche scientifique.

Nos travaux futurs étudieront les effets du modèle D-R-I sur l’apprentissage, notamment en comparant à d’autres méthodes d’apprentissage. Il s’agira également d’interroger la conception des dispositifs pour accompagner l’autonomie des apprenants et réduire les difficultés liées au rapport entre théorie et pratique.

Bibliographie

Des DOI sont automatiquement ajoutés aux références par Bilbo, l’outil d’annotation bibliographique d’OpenEdition.

Les utilisateurs des institutions qui sont abonnées à un des programmes freemium d’OpenEdition peuvent télécharger les références bibliographiques pour lequelles Bilbo a trouvé un DOI.

Astolfi, J.-P., Darot, É., Ginsburger-Vogel, Y. et Toussaint, J. (2008). Introduction. Didactique des sciences et formation des enseignants. Dans J.-P. Astolfi, É. Darot, Y. Ginsburger-Vogel et J. Toussaint (dir.), Mots-clés de la didactique des sciences. Repères, définitions, bibliographies (p. 5-13). Bruxelles : De Boeck.

Bachelard, G. (1993). La formation de l’esprit scientifique. Paris : VRIN.

Bandura, A. (1997). Self-efficacy  : The exercise of control. New York : Freeman.
DOI : 10.1891/0889-8391.13.2.158

Bano, M., Zowghi, D., Kearney, M., Schuck, S. et Aubusson, P. (2018). Mobile learning for science and mathematics school education  : A systematic review of empirical evidence. Computers & Education, 121, 30-58.
DOI : 10.1016/j.compedu.2018.02.006

Bennett, J., Lubben, F. et Hogarth, S. (2007). Bringing science to life  : A synthesis of the research evidence on the effects of context-based and STS approaches to science teaching. Science Education, 91(3), 347-370.
DOI : 10.1002/sce.20186

Bouchereau, A. (2018). Appréhender la réalité de l’Internet des Objets dans le cadre de l’apprentissage humain. Dans Actes du SemDoc IRIS 2018. Metz, France : Carnets des jeunes chercheurs du CREM.

Bouchereau, A. et Roxin, I. (2018). Internet des Objets pour l’apprentissage humain. Internet des Objets, 2(1).
DOI : 10.21494/ISTE.OP.2018.0217

Bouquet, F., Dauphin, C., Bernard, F. et Bobroff, J. (2019). Low-cost experiments with everyday objects for homework assignments. Physics Education, 54(2).
DOI : 10.1088/1361-6552/aaf6d6

Charlier, B., Deschryver, N. et Peraya, D. (2006). Apprendre en présence et à distance. Distances et savoirs, 4(4), 469-496.

Charnet, C. (2016). Et si le numérique changeait la pédagogie universitaire  : La transmission des savoirs. Dans P. Bonfils, P. Dumas et L. Massou (dir.), Numérique et éducation  : Dispositifs, jeux, enjeux, hors jeux (p. 125-144). Nancy : Presses universitaires de Nancy.

Chevrier, J. (2016). Des smartphones pour faire des expériences de physique au lycée et à l’université. Récupéré le 25 juin 2019 de : https://hal.archives-ouvertes.fr/hal-01176253

Cormerais, F., Le Deuff, O., Lakel, A. etPucheu, D. (2017). L’école et l’avenir de la culture digitale. Dans V. Liquète, B. Le Blanc et G. Rouet (dir.), Les élèves, entre cahiers et claviers (p. 87-95). Paris : CNRS.

Cox, M. (2012). Informatique et apprentissage des sciences  : Tendances, dilemmes et conséquences pour l’avenir. RDST. Recherches en didactique des sciences et des technologies, (6), 23-52.

Déro, M. et Heutte, J. (2008). Impact des TIC sur les conditions de travail dans un établissement d’enseignement supérieur  : Auto-efficacité, flow et satisfaction au travail. Dans M. Sidir, E. Bruillard et G.‑L. Baron (dir.), Journées communication et apprentissage instrumenté en réseau -JOCAIR’2008. Hermès-Lavoisier.

Dohn, N. (2009). Web 2.0  : Inherent tensions and evident challenges for education. International Journal of Computer-Supported Collaborative Learning, 4, 343-363.

Dourish, P. et Bell, G. (2011). Divining a digital future  : Mess and mythology in ubiquitous computing. Cambridge : MIT Press.

González, M. Á. et González, M. Á. (2016). Smartphones as experimental tools to measure acoustical and mechanical properties of vibrating rods. European Journal of Physics, 37(4), 045701.
DOI : 10.1088/0143-0807/37/4/045701

Harward, V. J., Del Alamo, J. A., Choudhury, S. V., De Long, K., Hardison, J., Lerman, S. R., … Zych, D. (2004). iLab  : A Scalable Architecture for Sharing Online Experiments. Proceedings of the International Conference on Engineering Education, 1-9. Gainesville, Florida.

Hochberg, K., Kuhn, J. et Müller, A. (2018). Using Smartphones as Experimental Tools. Effects on Interest, Curiosity, and Learning in Physics Education. Journal of Science Education and Technology, 27(5), 385-403.
DOI : 10.1007/s10956-018-9731-7

Hofstadter, D. et Sander, E. (2013). L’Analogie, cœur de la pensée. Paris : O. Jacob.

Kirschner, P. A., Sweller, J. et Clark, R. E. (2006). Why Minimal Guidance During Instruction Does Not Work  : An Analysis of the Failure of Constructivist, Discovery, Problem-Based, Experiential, and Inquiry-Based Teaching. Educational Psychologist, 41(2), 75-86.

Kontra, C., Lyons, D. J., Fischer, S. M. et Beilock, S. L. (2015). Physical Experience Enhances Science Learning. Psychological Science, 26(6), 737-749.

Maurines, L., Gallezot, M., Ramage, M.-J. et Beaufils, D. (2013). La nature des sciences dans les programmes de seconde de physique-chimie et de sciences de la vie et de la Terre. RDST. Recherches en didactique des sciences et des technologies, 7.

Mehmood, R., Alam, F., Albogami, N. N., Katib, I., Albeshri, A. et Altowaijri, S. M. (2017). UTiLearn  : A Personalised Ubiquitous Teaching and Learning System for Smart Societies. IEEE Access, 5, 2615-2635.

Miorandi, D., Sicari, S., De Pellegrini, F. et Chlamtac, I. (2012). Internet of things  : Vision, applications and research challenges. Ad Hoc Networks, 10(7), 1497-1516.
DOI : 10.1016/j.adhoc.2012.02.016

Morel, P.-M. (1998). Démocrite. Connaissance et apories. Revue Philosophique de la France et de l’Étranger, 188(2), 145‑163.

Morin, E. (2008). La Méthode. Paris : Seuil.

Papert, S. (1994). L’Enfant et la machine à connaitre  : Repenser l’école à l’ère de l’ordinateur. Paris : Dunod.

Piaget, J. (1969). Psychologie et pédagogie. Paris : Denoël.

Pramanik, P. K. D., Pal, S. et Choudhury, P. (2018). Beyond Automation  : The Cognitive IoT. Artificial Intelligence Brings Sense to the Internet of Things. Dans A. K. Sangaiah, A. Thangavelu et V. Meenakshi Sundaram (dir.), Cognitive Computing for Big Data Systems Over IoT (vol. 14, p. 1-37). Cham : Springer International Publishing.

Qin, Y., Sheng, Q. Z., Falkner, N. J. G., Dustdar, S., Wang, H. et Vasilakos, A. V. (2016). When things matter  : A survey on data-centric internet of things. Journal of Network and Computer Applications, 64, 137-153.
DOI : 10.1016/j.jnca.2015.12.016

Reuter, Y., Cohen-Azria, C., Daunay, B., Delcambre, I. et Lahanier-Reuter, D. (2013). Transposition didactique. Dans Y. Reuter, C. Cohen-Azria, B. Daunay, I. Delcambre, et D. Lahanier-Reuter (dir.), Dictionnaire des concepts fondamentaux des didactiques (p. 221-226). Bruxelles : De Boeck.

Roschelle, J., Martin, W., Ahn, J. et Schank, P. (dir.) (2017). Cyberlearning Community Report : The State of Cyberlearning and the Future of Learning With Technology. Menlo Park CA : SRI International.

Roxin, I. et Bouchereau, A. (2017a). Écosystème de l’Internet des Objets. Dans N. Bouhaï et I. Saleh, Internet des Objets  : Évolutions et Innovations (p. 33-62). Londres : ISTE Éditions.

Roxin, I. et Bouchereau, A. (2017b). Introduction aux technologies de l’écosystème de l’Internet des Objets. Dans N. Bouhaï et I. Saleh, Internet des Objets  : Évolutions et Innovations (p. 63-106). Londres : ISTE Éditions.

Serres, M. (2007). Les nouvelles technologies  : Révolution culturelle et cognitive. Conférence présentée à Lille, France. Récupéré le 25 juin 2019 de : https://www.youtube.com/watch?v=ZCBB0QEmT5g.

Stavert, B. (2014). Bring Your Own Device (BYOD) in Schools. 2013 Literature Review (p. 33). NSW Department of Education and Communities. Récupéré le 25 juin 2019 de : https://education.nsw.gov.au/policy-library/related-documents/BYOD_2013_Literature_Review.pdf

Suárez, Á., Specht, M., Prinsen, F., Kalz, M. etTernier, S. (2018). A review of the types of mobile activities in mobile inquiry-based learning. Computers & Education, 118, 38-55.
DOI : 10.1016/j.compedu.2017.11.004

Swarat, S., Ortony, A. et Revelle, W. (2012). Activity matters  : Understanding student interest in school science. Journal of Research in Science Teaching, 49(4), 515-537.
DOI : 10.1002/tea.21010

Thames, L., Abler, R., Hyder, A., Wellman, R. et Schaefer, D. (2011). Architectures and Design Methodologies for Scalable and Sustainable Remote Laboratory Infrastructures. Dans A. K. M. Azad, M. E. Auer et V. J. Harward (dir.), Internet Accessible Remote Laboratories  : Scalable E-Learning Tools for Engineering and Science Disciplines (p. 254‑275). Hershey (USA) : IGI Global.

Tsinakos, A. (2013). State of mobile learning around the world. Dans A. Tsinakos et M. Ally (dir.), Global Mobile Learning Implementations and Trends (p. 4-44). China Central Radio & TV University Press.

Vygotski, L. S. (1997). Pensée et langage. Paris : La Dispute.

Yu, C., Lee, S. J. et Ewing, C. (2014). Mobile Learning  : Emerging Trends, Issues, and Challenges in Teaching and Learning. Dans E-Learn : World Conference on E-Learning in Corporate, Government, Healthcare, and Higher Education (p. 2126-2136).