• Aucun résultat trouvé

Analyse des activités de dessin en Python (phase 3)

Dans le document Vanda LUENGO (Page 32-37)

4.2. Analyses des activités

4.2.4. Analyse des activités de dessin en Python (phase 3)

La figure 4 permet de voir que les élèves peuvent utiliser des boutons pour générer les instructions afin d’éviter d’avoir à tout taper au clavier. Ils doivent malgré tout adapter les paramètres de ces instructions à leurs besoins.

Comme le montre la figure 14, la première séquence de puzzles a toujours un bon taux de succès avec 82 % et une bonne participation (nous avons perdu des traces suite à un problème technique). C’est un résultat intéressant qui montre que les élèves ont bien transposé leurs compétences d’un langage visuel à un langage textuel. Les puzzles impliquant séquence et répétition sont toujours difficiles (puzzles 8 et 9) avec un taux de succès à peine supérieur à 50 %. Les boucles imbriquées sont également un point difficile. Le puzzle 10 est un tutoriel. Le puzzle 11 présenté en figure 6d atteint seulement 18 % de taux de succès avec un faible nombre d’essais. Le dernier puzzle correspond à une activité où les élèves peuvent dessiner librement. Il n’y a donc pas de condition de validation. Le graphe montre qu’un bon nombre d’essais ont été réalisés par les élèves bien qu’on soit sur la modalité textuelle.

Figure 14 • Résultats de la 3e phase (dessin en Python) L’étude des programmes produits montre les difficultés liées à la syntaxe qui apparaissent avec le langage textuel. On retrouve notamment dans les programmes non validés l’oubli du nombre d’itérations dans les répétitions ou des parenthèses enlevées par erreur dans les passages de paramètre.

5. Conclusion

Cet article porte sur l’apprentissage des concepts fondamentaux et des compétences de la PI par des élèves de 8-10 ans. Nous avons principalement travaillé sur la notion de motif et de traitement répétitif. Nous considérons en effet que la capacité d’identification de motifs caractéristiques et leur description synthétique constitue l’une des compétences cruciales de la PI.

Pour cela, nous avons conçu une séquence pédagogique pour initier les élèves aux notions d’instruction, de séquence et de répétition. Cette séquence leur permet de pratiquer ces compétences avec différents langages (libre, blockly et textuel) et sous différentes modalités (débranchées et en ligne).

Cette séquence a évolué depuis nos premières expérimentations en 2014 et nous avons un nombre croissant de classes impliquées. Nous cherchons également à améliorer nos instruments de mesure pour vérifier l’impact sur les élèves (pré et post tests et analyse des activités).

Les résultats de l’expérimentation de 2018 sont encourageants.

L’analyse statistique des tests montre l’impact significatif de la séquence pédagogique et nous avons une augmentation significative des élèves qui identifient les motifs répétitifs et sont capables de les synthétiser sous forme de répétitions. Il semble également qu’une fois que les élèves ont acquis cette compétence pour des motifs de longueur 2 (2 instructions dans le corps de la boucle), ils sont capables de généraliser à des motifs plus longs.

L’analyse des programmes produits montre également une bonne utilisation de la répétition dans la mesure où elle est généralement paramétrée correctement (bonne évaluation du nombre d’itérations nécessaires). La difficulté à appréhender les motifs de longueur supérieure à un se retrouve dans des programmes non optimaux où le motif est partiellement pris en compte. Comme on peut s’y attendre le passage à Python représente une difficulté supplémentaire avec des difficultés liées au respect de la syntaxe du langage.

Les résultats de l’analyse des activités sont à prendre avec précaution dans la mesure où, bien sûr, ils sont aidés par les étudiants voire les professeurs ou des parents. Avec un étudiant pour 4 à 6 élèves, on peut toutefois espérer que cela n’a pas un impact trop fort sur les résultats. Ce type d’activité peut raisonnablement être reproduit en classe sous forme d’ateliers avec des petits groupes d’élèves. Une fois les consignes comprises, les activités débranchées peuvent être réalisées en quasi-autonomie (activité collaborative). Les activités numériques, quant à elles, peuvent être réalisées sur tablette ou ordinateur et la plate-forme gère les rétroactions ainsi que l’avancée dans les parcours.

Les élèves reçoivent un diplôme à la fin de la journée qui donne l’adresse de la plate-forme ainsi que leur code d’identification. Nous avons observé environ 300 accès dans les jours suivants et jusqu’à deux mois après (date de la récupération des données). Toutes les séquences ont été utilisées y compris le dessin en Python pour laquelle il y a eu 271 essais. Ces éléments sont encourageants et montrent la motivation des élèves.

REMERCIEMENTS

Nous remercions l’association France-IOI pour la mise à disposition de la plate-forme. Ce travail est partiellement soutenu par les projets Interreg Dig-e-Lab (https://dig-e-lab.eu/) et Teach Transition (https://teachtransition.eu).

RÉFÉRENCES

Aggarwal, A., Gardner-McCune, C. et Touretzky, D. S. (2017). Evaluating the effect of using physical manipulatives to foster computational thinking in elementary school. Dans M. E Caspersen (dir.), Proceedings of the 48th ACM SIGCSE Technical Symposium on Computer Science Education (SIGCSE 2017) (p. 9-14). ACM.

https://doi.org/10.1145/3017680.3017791

Baratè, A., Ludovico, L. A. et Malchiodi, D. (2017). Fostering computational thinking in primary school through a LEGO®-based music notation. Procedia Computer Science, 112, 1334-1344. https://doi.org/10.1016/j.procs.2017.08.018

Brackmann, C. P., Román-González, M., Robles, G., Moreno-León, J., Casali, A. et Barone, D. (2017). Development of computational thinking skills through unplugged activities in primary school. Dans E. Barendsen, P. Hubwieser (dir.), Proceedings of the 12th Workshop on Primary and Secondary Computing Education (WiPSCE 2017) (p. 65-72). ACM. https://doi.org/10.1145/3137065.3137069

Brennan, K. et Resnick, M. (2012). New frameworks for studying and assessing the development of computational thinking. Dans Annual American Educational

Research Association meeting (AERA 2012).

https://web.media.mit.edu/~kbrennan/files/Brennan_Resnick_AERA2012_CT.pdf Ching, Y.-H., Hsu, Y.-C. et Baldwin, S. (2018). Developing computational thinking with educational technologies for young learners. TechTrends, 62(6), 563-573.

https://doi.org/10.1007/s11528-018-0292-7

Drot-Delange, B., Pellet, J. P., Delmas-Rigoutsos, Y. et Bruillard, É. (2019). Pensée informatique : points de vue contrastés. Sticef, 26(1), 39-61.

Gouws, L., Bradshaw, K. et Wentworth, P. (2013). Computational thinking in educational activities. Dans J. Carter (dir.), Proceedings of the 18th ACM conference on Innovation and technology in computer science education (ITiCSE 2013) (p. 10-15). ACM.

Grover, S., Cooper, S. et Pea, R. (2014). Assessing computational learning in K-12.

Dans Proceedings of the 2014 conference on Innovation and technology in computer

science education (ITiCSE 2014) (p. 57-62). ACM.

https://doi.org/10.1145/2591708.2591713

Knochel, A. D. et Patton, R. M. (2015). If art education then critical digital making.

Computational thinking and creative code. Studies in Art Education, 57(1), 21-38.

https://doi.org/10.1080/00393541.2015.11666280

Papert, S. (1972). Teaching children thinking. Programmed Learning and Educational Technology, 9(5), 245-255. https://doi.org/10.1080/1355800720090503

Rich, K. M., Strickland, C., Binkowski, T. A., Moran, C. et Franklin, D. (2017). K-8 learning trajectories derived from research literature: Sequence, repetition, conditionals. Dans J. Tenenberg (dir.), Proceedings of the 2017 ACM Conference on International Computing Education Research (ICER 2017) (p. 182-190). ACM.

https://doi.org/10.1145/3105726.3106166

Sabitzer, B., Demarle-Meusel, H. et Jarnig, M. (2018). Computational thinking through modeling in language lessons. Dans Proceedings of the 2018 IEEE Global Engineering Education Conference (EDUCON) (p. 1913-1919). IEEE.

https://doi.org/10.1109/EDUCON.2018.8363469

Seiter, L. et Foreman, B. (2013). Modeling the learning progressions of computational thinking of primary grade students. Dans Proceedings of the 9th Annual International ACM Conference on International Computing Education Research (ICER 2013) (p. 59-66). ACM. https://doi.org/10.1145/2493394.2493403

Snow, E., Tate, C., Rutstein, D. et Bienkowski, M. (2017). Assessment design patterns for computational thinking practices in exploring computer science. SRI International.

https://pact.sri.com/downloads/AssessmentDesignPatternsforComputationalThin king%20PracticesinECS.pdf

Weintrop, D., Beheshti, E., Horn, M., Orton, K., Jona, K., Trouille, L. et Wilensky, U. (2016). Defining computational thinking for mathematics and science classrooms. Journal of Science Education and Technology, 25(1), 127-147.

https://doi.org/10.1007/s10956-015-9581-5

Wing, J. M. (2006). Computational thinking. Communications of the ACM, 49(3), 33-35. https://doi.org/10.1145/1118178.1118215

Liens entre performance, assiduité

Dans le document Vanda LUENGO (Page 32-37)