Traitement des données

5.1. Étude quantitative des résultats des prétests et post-tests

Notre objectif principal consiste à évaluer l’impact de la situation d’apprentissage sur l’évolution conceptuel d’une situation d’apprentissage basée sur la simulation, la collaboration et les technologies mobiles. Pour ce faire, nous avons procédé dans un premier temps à l’analyse et la comparaison des résultats aux prétest et post-test pour chaque groupe : expérimental et de contrôle. Nous avons ainsi utilisé le logiciel SPSS pour calculer les valeurs moyennes, les médianes et les écarts-types. Dans un deuxième temps nous avons effectué le test de Wilcoxon afin de vérifier si les résultats sont dus au hasard. Nous avons ensuite utilisé une analyse ANOVA à un seul facteur pour comparer l’évolution des résultats du groupe expérimental et ceux du groupe de contrôle.

Nous avons ultérieurement opté pour une analyse plus détaillée des résultats du groupe expérimental en traitant les scores et les réponses de chaque sujet individuellement et pour chaque question.

5.2. Étude qualitative des entrevues

Les enregistrements de toutes les entrevues sont écoutés et retranscrits. Pour l’analyse des contenus des entrevues, nous avons utilisé le logiciel QDA Miner. Les entrevues sont ensuite lues et les passages intéressants sont mis en relief. Notons que nous avons choisi de faire des entrevues à tous les sujets de force variée pour des fins exploratoires. Nous avons effectué la transcription complète des entrevues des 14 sujets. Au total, environ 14 heures d’entretiens qui sont retranscrits sous forme de texte. L’analyse de ce matériau, quant à elle, est réalisée à l’aide d’un logiciel de traitement de données qualitatives, QDA Miner. C’est un logiciel convivial d'analyse de données qualitatives permettant de coder des données textuelles (des segments d’entrevues, mots, phrases, paragraphes, etc.), d'annoter, d'extraire et de réviser des données et des documents codés. QDA Miner conserve tous les documents, les schèmes de codes, les codes et les notes dans un ensemble de fichiers appelé « projet ». Les projets de QDA Miner sont composés de plusieurs cas. Un cas est l'unité d'analyse de base d'un projet. Il représente habituellement un individu, une organisation ou un groupe. Dans cette recherche, nous considérons que chaque cas contient les informations associées à un seul sujet interviewé et par conséquent notre fichier projet est composé de 14 cas. Le système de codes, qui correspondent aux mots-clés les plus importants de la problématique et du cadre théorique, peut être hiérarchisé. C’est-à-dire que les codes peuvent être insérés les uns dans les autres sous forme de catégories, de rubriques et de sous-rubriques. Dans ce projet, nous avons utilisé quatre catégories : Conceptions, Collaboration, Simulation et Mobilité. Le nombre de sous catégories, de rubriques, des sous rubriques et le nombre de niveaux de la hiérarchisation sont désignés au fur et à mesure que l’analyse des données progresse.

L’analyse des entrevues nous permet de dégager les principales conceptions des sujets sur la lumière, de l’effet photoélectrique et des concepts connexes et d’identifier le rôle de la collaboration, de la simulation et de la mobilité dans notre environnement d’apprentissage proposé.

5.3. Traitement des enregistrements vidéos

En plus de l’analyse des tâches qui nous fournit la durée des tâches de l’activité, MORAE nous permet également d’effectuer une analyse des marqueurs qui nous offre la distribution des types ou des scores des marqueurs. Chaque marqueur est associé à une action d’un sujet ou de plusieurs sujets au cours de l’activité, chaque action étant elle-même associée à son tour à une composante ou à des composantes de l’apprentissage collaboratif. Les enregistrements de toutes les actions et des conversations des sujets sont codés par le chercheur et à l’aide du logiciel MORAE Manager via une grille pour des fins d’analyse. L’annexe IX donne un aperçu de la grille que nous avons utilisée pour coder et analyser les enregistrements vidéo par MORAE Manager. Elle contient 19 types de marqueurs utilisés, chaque marqueur correspondant à une ou des actions (ou interventions), associées à leur tour à une ou des composantes de l’apprentissage collaboratif (voir chapitre II) : Clarification/explication (CE); Partage du travail collaboratif (PTC); Recherche des informations (RI); Construction de connaissances (CC); Gestion de groupe/équipe (GG); Conflit (conflit); Compromis (Compromis); Encouragement (ENC); Socialisation (SOC); Interactions (INT); nous distinguons aussi entre interactions apprenant-interface (INT-AI), interactions apprenant-contenu (INT-AC), interactions apprenant-apprenant (INT-AA) et interactions apprenant-professeur (INT-AP). Prenons par exemple le marqueur A (voir Annexe IX), qui correspond à l’action 1 « Tenir compte de l'écoulement du temps/respecter les échéances », il est associé à la composante « Gestion de groupe/équipe (GG) ».

Nous nous sommes arrêtés à chaque action en la visualisant plusieurs fois et avec prudence et réflexion profonde avant de l’attribuer à un marqueur. Nous avons repéré 2 136 marqueurs qui désignent le nombre total des interventions (échange verbal, action, participation ou geste). De même, nous repérons le début et la fin de chaque tâche pour calculer la durée des tâches de l’activité. En plus de l’attribution des marqueurs aux actions et le repérage de temps initial et final, la fiabilité des résultats peut être influencée par une éventuelle intimidation chez les étudiants causée par la présence de la caméra et la période de codage (un peu longue). Une fois codés tous les enregistrements, nous avons opté pour

le logiciel MORAE pour les analyser. En effet, l’utilisation de ce logiciel nous offre la possibilité de tracer le cheminement des sujets conduisant à la réalisation de la tâche. MORAE permet aussi de créer facilement des graphiques afin de déterminer la fréquence des marqueurs des tâches. À partir de la distribution des types de marqueurs, nous avons ainsi déduit la distribution des composantes de l’apprentissage collaboratif. Le traitement est fait pour une équipe ou pour l’ensemble des équipes, pour une tâche ou l’ensemble des tâches. Ces informations sont très intéressantes parce qu’elles donnent une idée objective des stratégies utilisées au cours de l’exécution de la tâche et de la collaboration et les interactions entre les sujets.

5.4. Traces : logs, papiers

Les questionnaires de prévisions nous permettent d’identifier les conceptions chez les sujets sur la lumière avant l’activité et à propos des différents facteurs qui influencent l’effet photoélectrique. Nous les avons ainsi comparées aux conceptions chez les sujets après l’activité. Les actions enregistrées par le programme (logs) nous ont donné une idée sur la fréquence de l’usage des différents facteurs influençant l’effet photoélectrique (intensité, longueur d’onde ou la nature du métal). Cet enregistrement nous a également offert des informations sur la fréquence de l’utilisation de ces facteurs par chaque sujet et sur l’évolution dans le temps des différentes actions effectuées par le sujet pendant son apprentissage. Ceci nous a permis de suivre le cheminement d’apprentissage de chaque sujet et de le comparer à ses performances. Ces traces (papiers et logs) servent d’appui pour l’analyse des résultats des sujets aux prétests et post-tests et aux entrevues effectuées.