EIAO ET MODÉLISATION : DES REPÈRES
Éric Bruillard
1. INTRODUCTION
Selon la formule d'Alan Kay (1984), un ordinateur est un métamédium, dans le sens où il est capable de simuler les autres machines ; c'est, en quelque sorte, une machine à construire des machines. Albertini (1983) parle de l'informatique comme métatechnique, séparant nettement l'aspect matériel et ses utilisations possibles, tout comme la roue, l'imprimerie, l'énergie. Que l'on s'accorde ou non avec les formulations précédentes, force est de constater que l'ordinateur est un formidable instrument de modélisation.
À la fin des années soixante, suite au rejet des thèses béhavioristes et à l'apport d'une vision de nature plus constructiviste sur l'apprentissage et grâce aux nouvelles problématiques introduites par l'intelligence artificielle, de nombreux courants de recherche autour des usages éducatifs possibles de l'ordinateur vont intégrer cet aspect modélisation. Sans entrer dans les détails11, nous allons rapidement en retracer quelques étapes. Les diverses références fournies devraient permettre au lecteur intéressé d'approfondir les aspects qu'il souhaite.
LOGO ET MICROMONDES
La genèse de LOGO a déjà été maintes fois décrite (Papert 1980 ; 1993, p.171 ; Ross 1986 ; Lawler 1987...). L'origine se trouve dans la possibilité entrevue par Wallace Feurzeig au début des années soixante d'utiliser des langages de programmation de type conversationnel pour améliorer l'enseignement des mathématiques. L'idée de Feurzeig était de saisir l'opportunité de la programmation interactive pour communiquer des intuitions mathématiques puissantes aux étudiants. Après des essais
11 Un historique plus complet est relaté dans un livre actuellement en préparation par
encourageants avec un langage destiné aux ingénieurs, Feurzeig pensa obtenir de bien meilleurs résultats avec un langage spécifiquement conçu pour cet objectif. Au sein du laboratoire privé BBN (Bolt, Beranek and Newman, Inc.), sous l'impulsion de D.Bobrow et C.Solomon, il travailla alors avec Papert pour concevoir un tel langage.
Rapidement, au but initial limité aux mathématiques et au fait de s'intéresser à des apprenants de plus en plus jeunes, s'ajoutèrent des objectifs d'apprentissage d'aptitudes de pensée plus générales à l'aide de la programmation. S'appuyant sur les idées de Dewey, Montessori et Piaget, Papert pensait que les enfants apprennent en faisant et en réfléchissant à ce qu'ils font (Papert 1970, p.61). Il s'agissait alors d'arriver à les motiver suffisamment en essayant de les engager de manière profonde dans des activités de nature expérimentale (anticiper un résultat, être surpris, deviner une loi générale...). La fameuse tortue fut conçue dans cet esprit, à partir d'un robot conçu par Grey Walter. Cet apport fondamental, dû à Papert, provint de la volonté de trouver un moyen adapté aux enfants pour, en quelque sorte, capturer dans une forme computationnelle quelque chose de physique analogue au fait de marcher et de dessiner (Papert 1993, p.175) . L'idée était que la programmation en Logo pouvait conduire les apprenants à une réflexion plus explicite et mieux articulée sur leurs propres processus cognitifs et en cela affecter favorablement leur développement cognitif. Une telle hypothèse, selon Lawler (1987), s'appuyait sur trois importantes caractéristiques de LOGO :
1. la capacité de créer de nouvelles procédures d'une façon interactive
2. la capacité pour l'enfant de simuler le mouvement de la tortue avec les mouvements de son propre corps et d'assimiler ainsi des connaissances sur la géométrie tortue à partir de ses propres connaissances sensori-motrices
3. le fait que ces procédures, parce que l'apprenant les crée lui-même, représentent concrètement ses propres pensées.
Papert va alors introduire la notion de micromonde. Si l'origine de ce mot remonte en fait à Winograd et son programme de manipulation de cubes SHRUDLU, dans le contexte de l'usage éducatif des ordinateurs, il a d'abord été proposé par Minsky et Papert dans un rapport interne (Minsky et Papert, 1972), puis popularisé par Papert (1980). L'idée essentielle sous-jacente à la notion de micromonde est de créer un environnement, respectant différentes contraintes de construction, avec lequel d'autres personnes pourront exercer leur créativité. Bien que cette notion de micromonde soit centrale dans l'approche LOGO, elle est relativement mal cernée. Il s'agit, selon Lawler (op.cit.) de mondes virtuels pour l'action
créative, dont les objets ont des propriétés communes à la fois avec les
objets formels de la science et les objets plus concrets de l'expérience sensible. Papert (1987) les décrit comme des objets qui d'une certaine façon
sont semblables à ceux avec lesquels on travaille dans le monde réel, et d'une autre façon sont semblables à des objets abstraits. Ce sont des objets
transitionnels12 qui aident à manipuler les objets abstraits, des passerelles entre les apprentissages intuitifs et formels. Dans le cas des mathématiques, Thompson (1987) précise qu'un micromonde fournit une sémantique
dynamique à un système formel, formulation raccourcie en accord avec les
précédentes. D'un point de vue opératoire, les micromondes désignent des mondes artificiels dans lesquels on agit sur des objets, dont le comportement respecte certaines contraintes de fidélité et de cohérence.
En fait, les micromondes se fondent sur l'idée de l'existence de modèles mentaux permettant de donner du sens aux activités et sur la possibilité de faire évoluer ces modèles par expérience dans les environnements proposés. Un modèle mental est vu ici comme une représentation dont les objets symboliques se comportent d'une manière similaire aux objets dans les situations où ils sont représentés. D'après Greeno (1990), de tels modèles mentaux permettent de développer un raisonnement génératif à propos de nouvelles situations ayant une structure significative.
L'idée sous-jacente aux micromondes consiste à tenter d'établir un lien sémantique fort entre le formel (ou l'abstrait) et le réel (simulé ou de référence) en garantissant la conservation du sens grâce aux connaissances de l'apprenant sur le fonctionnement des objets réels. La figure 1 présente schématiquement les différents éléments constitutifs d'un micromonde transitionnel.
Le monde réel ou de référence et le monde formel sont reliés par un processus de modélisation ou d'exemplification. Les objets visibles à l'interface se comportent d'une manière cohérente avec le modèle formel sous-jacent et leur aspect externe, c'est-à-dire à l'interface, rappelle les objets du monde réel. Les micromondes qui vont être développés suivront de manière plus ou moins fidèle le schéma qui vient d'être présenté.
Il semble important de signaler que le langage LOGO ne fut pas le seul candidat pour offrir des possibilités d'expression et d'exploration à de jeunes apprenants. Ainsi, le langage SMALLTALK, développé au sein du groupe de recherche sur l'apprentissage à Xerox Parc, a joué un rôle très important notamment dans le développement des interfaces graphiques et des langages à base d'objets. Alan Kay et Adèle Goldberg (Kay & Goldberg 1977 ; Goldberg, 1979) imaginent un dispositif qu'ils désignent sous le nom de Dynabook. Sorte d'ordinateur-carnet (notebook) et qualifié de médium dynamique pour la pensée créative, le Dynabook cristallise les rêves de Kay et Goldberg de conception d'un médium dynamique personnel. Ils le
12 Voir l'analyse de Monique Linard, 1990, pp.151-160. En particulier nous ne
considérons pas l'interprétation psychanalytique de la notion d'objet transitionnel que l'on peut consulter dans le même ouvrage.
comparent à une flûte, instrument qui est la propriété de son utilisateur et répond instantanément et de manière cohérente à ses souhaits. Le travail autour du Dynabook va conduire à l'élaboration de nombreux concepts essentiels en informatique, notamment l'idée de programmation par la spécification de contraintes, utilisé dans le programme de simulation nommé Thinglab (Borning 1977).
Monde réel ou de référence Monde formel ou abstrait Modélisation Exemplification Interface Représentation externe Représentation interne Modèle mental (apprenant)
Figure 1 : structure d'un micromonde transitionnel WHY, SOPHIE ET LE RAISONNEMENT QUALITATIF
Les différents travaux autour des systèmes WHY et SOPHIE, développés dans le cadre dans ce que l'on appelait à l'époque l'intelligence artificielle appliquée à l'enseignement assisté par ordinateur (IA in CAI), vont mettre en évidence l'importance des modèles pour l'apprentissage. En dehors des articles spécialisés précisés dans la suite de ce texte, ces deux systèmes sont présentés dans des ouvrages de référence : Barr et Feigenbaum (1982) et surtout Wenger (1987), synthèse très complète sur les tuteurs intelligents.
WHY (Collins, 1977 ; Stevens et al. 1982) traite de l'étude des causes des chutes de pluie. Son fonctionnement est basé sur le dialogue socratique. Le système demande à l'étudiant de proposer différentes causes pouvant expliquer les chutes de pluie, de rechercher les causes principales et annexes puis de formuler une règle générale. Tant que la règle proposée est fausse ou incomplète, le système fournit un contre-exemple et demande à l'apprenant de modifier cette règle en conséquence jusqu'à ce qu'une règle correcte et suffisamment générale soit trouvée. WHY utilise une représentation des connaissances sous forme de scripts, c'est-à-dire de suites
ordonnées d'événements correspondant aux différentes étapes temporelles ou causales dans les processus agissant sur la chute des pluies.
Des expérimentations vont mettre en évidence l'insuffisance de la représentation des connaissances à base de scripts, à la fois pour expliquer le processus de chute des pluies et pour diagnostiquer et corriger les conceptions erronées des apprenants. L'analyse de protocoles d'enseignants va montrer que les dialogues peuvent être analysés comme un processus d'interaction dans lequel le tuteur cherche à « déboguer » les connaissances de l'apprenant en diagnostiquant et en corrigeant ses incompréhensions conceptuelles. Une analyse de ces conceptions erronées conduit alors à l'idée que représenter des connaissances sur des processus physiques nécessite de multiples points de vue. A la représentation initiale à base de scripts, doit s'ajouter la représentation des relations fonctionnelles entre les divers éléments qui interviennent. Ces points de vue multiples, c'est-à-dire la connaissance du tuteur sur le domaine, vont déterminer la structure de but du dialogue et le processus de correction (diagnostic d'erreur et remédiation).
Ainsi, une recherche sur un modèle d'enseignement (le dialogue de type socratique) a finalement abouti à la nécessité d'analyser en profondeur les conceptions des apprenants, conduisant à modifier à la fois les stratégies d'enseignement et la représentation des connaissances du domaine. Au-delà de WHY, les recherches sur les modèles mentaux et les points de vue multiples se sont d'ailleurs poursuivis avec succès.
À la suite d'un système à initiative mixte dans le domaine de la météorologie (Brown et al. 1973), Brown et Burton introduisent l'idée d'environnement d'apprentissage réactif (Brown et al. 1982), dans le cadre du projet SOPHIE (SOPHisticated Instructional Environment). L'objectif est d'entraîner les apprenants au diagnostic de pannes dans le domaine des circuits électroniques, en travaillant à l'aide d'un laboratoire simulé sur ordinateur. SOPHIE introduit un défaut dans un des composants et la tâche de l'élève est d'isoler ce composant défectueux en effectuant des séries de mesures. L'environnement est réactif dans le sens où il ne fait que répondre aux actions et sollicitations de l'apprenant et ne prend jamais l'initiative. On suppose qu'avant d'utiliser le système, l'étudiant a une connaissance suffisante de l'électronique pour faire la tâche qui lui est demandée et qu'il va apprendre en travaillant minutieusement puis en testant des hypothèses relatives aux causes de dysfonctionnement du circuit électronique. Pour les auteurs, la technologie rend ainsi les expérimentations plus faciles (en fournissant des instruments adaptés) et plus sûres (dans un environnement simulé, il n'y a pas de catastrophe à redouter !) pour les étudiants et leur permet d'apprendre à partir de leurs erreurs.
La recherche autour de SOPHIE s'est étalée sur plus de cinq ans et a conduit à l'élaboration de trois versions successives (SOPHIE I, SOPHIE II et SOPHIE III). Notons que, dès la première implantation, les auteurs ont intégré une interface en langue naturelle très efficace pour communiquer avec l'élève. Les raisons qui ont poussé les concepteurs à introduire des modifications sont intéressantes13.
SOPHIE I combine un modèle mathématique du circuit et un module interactif permettant l'analyse et la critique du travail de l'étudiant. En fait, à partir des mesures déjà effectuées par l'apprenant, le système peut évaluer, d'un strict point de vue logique, les hypothèses qu'il formule ou la demande d'une nouvelle mesure. L'élève expérimente librement et choisit les mesures qu'il désire effectuer. Si le système peut lui fournir des retours sur la validité logique de ses propositions, il ne possède pas de connaissance directe sur le diagnostic de pannes et ne prend aucune initiative. Les concepteurs s'aperçoivent qu'il ne suffit pas de laisser l'élève expérimenter pour qu'il apprenne efficacement.
Ils décident de doter leur nouvelle version de capacités d'expertise accrue afin de fournir à l'étudiant une information précise sur les fautes qu'il a commises et d'en faire un environnement plus prescriptif en ajoutant un système d'EAO classique pour préparer l'apprenant au travail avec le laboratoire simulé et en planifiant des séquences d'activités. L'expert intégré dans le système est capable de résoudre les tâches de diagnostic données à l'apprenant, en rendant compte de son comportement. Ainsi, l'apprenant peut alternativement expérimenter par lui-même et observer le comportement de cet expert artificiel.
De nouvelles expérimentations mettent en évidence l'incapacité du système à exploiter les erreurs des apprenants. En effet, d'une part l'environnement est simplement réactif et ne peut prendre l'initiative d'explorer les incompréhensions ou suggérer d'autres approches et, d'autre part, l'expertise implantée dans le système ne permet pas de rendre compte des raisonnements causaux utilisés par les experts humains. Le développement de SOPHIE III conduit à des réflexions très semblables à celles des auteurs de WHY. L'expertise du système semble encore insuffisante pour satisfaire les demandes des apprenants vis-à-vis d'explications causales de nature qualitative. L'une des conclusions (Brown & al. op.cit., p.279) est que l'on ne sait pas véritablement ce que signifie le fait comprendre le fonctionnement d'un dispositif complexe. En particulier, on ne connaît pas les modèles mentaux des experts concernant le fonctionnement d'un système, ni comment ces modèles sont appris du fait qu'ils ne sont certainement pas explicitement enseignés. A partir de là émerge l'idée de réseau causal, traduisant l'ensemble des relations de
causalité des différentes parties de la structure d'un système physique. Ce réseau est, d'après les auteurs, un modèle mental que l'on peut, métaphoriquement parlant, « faire tourner mentalement » (runnable in the
mind's eye).
Un dernier exemple, celui de GUIDON (Clancey, 1983), système d'enseignement conçu à partir du système expert MYCIN conçu pour le diagnostic des organismes causes d'infection, va dans le même sens que les précédents. Ce système a une importance historique essentielle (Baron, 1984). Il a permis de montrer que des systèmes experts, avant tout conçus pour leurs capacités d'expertise, ne sont pas a priori de bons systèmes d'enseignement. Ceci n'est pas lié à des lacunes dans les stratégies d'enseignement mais aux types mêmes de connaissances implantées dans le système, qui sont suffisantes pour les experts et peu satisfaisantes pour les débutants qui ont besoin de modèles (de type causal) expliquant les diverses règles d'expertise acquises par expérience
Ainsi, pour une finalité éducative, les simulations quantitatives et les systèmes experts ont montré leurs limites, dues pour l'essentiel à leur incapacité à fournir un compte rendu complet de la causalité qui sous-tend les inférences. Cela a conduit au développement de la raisonnement qualitatif à propos des systèmes physiques (Bobrow, 1984).
3. EXTENSIONS DE LA NOTION DE MICROMONDE
Comme nous l'avons vu, l'approche micromonde consiste souvent en une tentative de sauvegarde du sens d'une activité en travaillant de manière conjointe dans un univers concret et un univers abstrait. Cette approche nécessite de pouvoir créer des objets de transition et de les manipuler d'une manière particulière. Un relâchement des contraintes permet d'étendre cette notion à d'autres types d'environnement, qu'on peut appeler des multimondes.
3.1. Les multimondes
En dehors du Logo traditionnel, la plupart des micromondes développés s'appuient sur ce que l'on peut nommer le paradigme des deux mondes (ou plus généralement des multimondes). On met en relation deux mondes fermés, l'un étant en rapport avec l'abstraction (mathématiques), l'autre avec la réalité (le monde physique) En mathématiques, il s'agit souvent d'un monde géométrique et d'un monde algébrique (représentation graphique des fonctions, systèmes d'équations linéaires...). Le travail s'effectue dans plusieurs cadres. Il s'agit d'exploiter le fait que certains concepts interviennent dans divers domaines ou divers cadres physique, géométrique, numérique, graphique...Néanmoins, les concepts fonctionnent différemment selon les cadres et les correspondances sont incomplètes. On parle donc plus d'interprétation (par exemple, interprétation géométrique d'une
propriété algébrique), des modes d'action spécifiques sont attachés à chacun des mondes permettant d'en modifier un et de visualiser l'effet sur l'autre.
La connexion entre la représentation symbolique des fonctions et leur représentation graphique est un domaine clé. Yerushalmy (1991) a ainsi étudié la perception qu'ont les étudiants du concept de fonction. Elle conclut, entre autres, que la relation entre les manipulations algébriques et la représentation visuelle ne s'opère pas spontanément. Au niveau des résultats, l'usage de représentations multiples peut aider les élèves à comprendre des concepts importants, mais cela ne résout pas les problèmes de manipulation algébrique.
Les deux exemples suivants illustrent ce concept de multimondes.
Le premier, nommé le monde de Tarski (Tarski's World), conçu et développé par deux logiciens de Stanford (Barwise et Etchemendy ; Greeno, 1990) est un jeu qui consiste à interpréter des formules dans un monde représenté concret. Sa finalité est de faire comprendre la signification logique, c'est-à-dire le lien entre des expressions et les choses correspondantes. Il est basé sur deux composantes, la première (appelée les
phrases de Maigret !) contient des expressions de logique du premier ordre,
la seconde est une représentation visuelle d'un monde de formes géométriques de différentes dimension situées sur une grille (appelé le
monde de Bolzano) constituant le modèle sur lequel portent les expressions
logiques. Dans des activités différentes les apprenants construisent des expressions correspondant à des modèles ou des modèles correspondant à des expressions.
En physique, the Envisioning Machine conçu par Jeremy Roschelle (Greeno 90) consacrée aux concepts de vitesse et d'accélération, utilise deux fenêtres, appelée le Monde Observable et le Monde Newtonien dans lesquels un objet (une balle) se déplace suivant les principes de Newton. Dans le monde Newtonien, on associe deux flèches : la première a pour origine le centre du cercle (elle représente la vitesse), la seconde a pour origine l'extrémité de la première (elle représente l'accélération). L'apprenant peut modifier directement ces deux flèches et observer les trajectoires correspondantes. Les concepts sont représentés par des flèches (des vecteurs) qui ont des effets sur les mouvements : les étudiants manipulent des symboles qui se comportent physiquement.
3.2. Le raisonnement qualitatif en physique
L'usage des micromondes en physique a ses racines d'une part dans les travaux sur les préconceptions et ce que l'on appelle la physique naïve, et, d'autre part, dans le développement du raisonnement qualitatif, à partir des développements autour de WHY et SOPHIE. Il s'agit non seulement de simuler les phénomènes d'un domaine mais, en plus, de générer des explications sur le comportement étudié. Les premiers travaux, autour de
STEAMER et QUEST, sont abondamment décrits dans Wenger (op.cit., p.79-100). De nombreuses réalisations les ont suivis : étude des circuits électriques (White et Frederiksen, 1987), laboratoire de physique (Kamsteeg et Bierman 1988), optique géométrique (Reimann, 1988), chocs élastiques, le système DiBi (Stumpf et al. 1988), le laboratoire électronique ELAB (Bocker & al. 1989), Alternate Reality Kit (Smith 1986), etc.
À la suite de ses travaux sur QUEST (White & Fredericksen 1987) dédié à l'étude des circuits électriques, Barbara White (White 1993) prône une approche de l'enseignement scientifique via des progressions à travers des modèles causaux de complexité croissante initialement présentés aux apprenants à un niveau d'abstraction intermédiaire. Cette approche rejoint celle des micromondes transitionnels puisqu'il s'agit pour les étudiants, par interaction avec des micromondes donnant corps à ces modèles, de se créer des modèles conceptuels pouvant leur permettre de comprendre et d'expliquer le comportement de systèmes physiques puis de les amener à se représenter mentalement les mécanismes de causalité implicites dans les abstractions telles que F=mg. Ainsi, les modèles doivent permettre de donner du sens aux abstractions de niveau supérieur (et aux formalismes mathématiques associés) ainsi qu'aux situations réelles. D'après White, il s'agit d'aider l'apprenant à construire un modèle causal par expérimentation avec une vue physique.
White classe les modèles selon trois critères :
(a) le degré de complexité (nombre d'objets et de processus représentés) (b) le type de raisonnement employé (causal ou basé sur des contraintes) (c) le niveau d'abstraction (la distance sémantique entre la forme
représentée et ce qu'elle représente).
Son choix se porte sur des modèles initiaux d'un faible niveau de complexité utilisant un raisonnement causal correspondant à un mécanisme simple à un niveau d'abstraction intermédiaire. Pour elle, les approches traditionnelles se centrent sur des représentations abstraites et négligent des formes de représentation visuelles et linguistiques plus accessibles.
L'aspect modélisation est très important et White dresse une liste dix propriétés des modèles (figure 2) qui lui paraissent essentielles pour garantir leur utilité du point de vue cognitif et du point de vue de l'apprentissage.
3.3. Les simulations actives
L'idée de simulation active est une synthèse entre les activités dans les micromondes et celles couramment développées dans les simulations. Des exemples concernant l'apprentissage de l'informatique ont été développés au Centre Mondial de l'Informatique. Trois environnements ont ainsi été créés : le microprocesseur (Jean-Luc Méheust et Gérard Weidenfeld), l'interpréteur Logo (Nicole Rocland et Eric Bruillard) et la simulation
d'arbre (Isabelle Péreira). Ces environnements exploratoires ont été conçus
sur des modèles voisins et sont destinés à l'apprentissage des connaissances informatiques de base. Ils cherchent à tirer parti de métaphores familières et à proposer un modèle simple de principes généraux de fonctionnement dans un environnement de résolution de problèmes.
(1) Modéliser uniquement les concepts et processus essentiels à la compréhension des phénomènes du domaine.
(2) Représenter les phénomènes dans une forme simplifiée
(3) Afficher des représentations alternatives reliant les représentations abstraites à des représentations dynamiques plus intuitives des phénomènes physiques
(4) Permettre aux étudiants de décomposer le comportement d'un système physique en une suite d'événements causaux discrets. (5) Incorporer des représentations visuelles aidant les étudiants à voir
les relations causales dans le domaine
(6) Introduire des mécanismes locaux basés sur des objets discrets et leurs interactions
(7) Fournir une théorie causale unifiée s'appliquant à une grande variété de contextes
(8) Donner corps à un structure de connaissance puissante pouvant être utilisée pour résoudre de nombres types de problèmes
(9) Pouvoir les modifier pour les transformer dans des modèles plus sophistiqués.
(10) Aider les étudiants à apprendre sur le comportement des systèmes physiques en général.
Figure 2 : propriétés des modèles selon White (1993)
Dans le cas de l'interpréteur LOGO (Bruillard et Rocland, 1986 ; Bruillard et Péreira, 1987), l'objet est dans un premier temps de comprendre la manière dont les programmes sont interprétés et, dans un deuxième temps, d'explorer les possibilités de ce type d'interprète.
La simulation est construite au-dessus de LOGO. et intègre un interprète LOGO réel pour son propre fonctionnement. Il est possible de comparer la simulation et le LOGO sous-jacent en faisant tourner des programmes soit directement soit par l'intermédiaire de la simulation. La fidélité de la simu-lation est vérifiée par ce type de comparaisons. On peut s'en écarter en acceptant dans la simulation des programmes autrement refusés et explorer des modes de fonctionnement particuliers.
Dans ce fonctionnement, on construit en quelque sorte un résolveur de type boîte de verre (c'est-à-dire capable d'expliquer ou de donner à voir son fonctionnement) comme sur-couche d'un résolveur de type boîte noire. La
simulation offre une matérialisation, un cadre d'interprétation visuel et concret d'un processus abstrait. Elle permet le lien avec un monde formel réel mais non accessible. On cherche à diminuer la complexité en se centrant sur des aspects particuliers sans tenir compte de phénomènes pouvant être imbriqués. Les détails réels du fonctionnement de l'interpréteur sont inutiles, une représentation, non pas fidèle sur le plan du fonctionnement, mais conforme au plan des entrées-sorties est ce qui est recherché.
Figure 3 : l'interpréteur LOGO
Divers modes d'intervention sont prévus, correspondant à des formes de programmation à différents niveaux :
• découverte des constituants de l'environnement, i.e. la situation telle qu'elle se présente et les primitives permettant de la modifier. Dans le cas de l'interpréteur, diverses boîtes représentent des piles et des buffers, un réseau de communication entre ces boîtes symbolise les transferts possibles entre ces éléments, les primitives permettent d'effectuer ces transferts.
• résolution de problèmes en mode pas à pas par activation d'une
séquence de commandes. Par exemple, une phrase Logo est proposée par le système ou donnée par l'utilisateur, et ce dernier doit faire fonctionner le dispositif pour l'"exécuter". Il peut contrôler
visuellement l'effet des primitives invoquées. Un mode CACHE est également proposé dans lequel l'utilisateur ne connaît pas les éléments de la phrase Logo qu'il manipule (ils sont symbolisés par des carrés) et
doit effectuer le travail en se basant uniquement sur les effets des primitives sur la simulation.
• écriture d'un algorithme général de résolution. C'est une étape de généralisation et de programmation, l'utilisateur doit réaliser une procédure permettant l'exécution de n'importe quelle phrase Logo. À tout moment, des aides variées sont accessibles : un mode
démonstration, un mode permettant le retour en arrière afin de restaurer une
situation antérieure, un mode cinéma permettant de revoir le déroulement des opérations à partir d'un instant donné.
L'environnement autorise aussi un travail spécifique autour des erreurs. Il est possible d'introduire des phrases syntaxiquement fausses et d'en observer l'effet sur la simulation, afin de voir à quel moment du cycle d'interprétation l'erreur est détectée et le contexte auquel est associé le message d'erreur fourni. Cette activité effectuée en mode CACHE prouve ainsi que la machine n'effectue ni analyse sémantique de la phrase proposée ni recherche des intentions de l'utilisateur (croyance naïve de beaucoup de débutants), mais qu'il s'agit uniquement d'un dysfonctionnement à un moment donné dans un processus totalement automatisé.
Il faut bien voir que dans la simulation d'interpréteur Logo, il ne s'agit pas uniquement de réécrire Logo en Logo, comme c'est classique dans ce type de langage (e.g. LISP en LISP, Abelson et Sussman, 1985, ou PROLOG en PROLOG, Shapiro & Sterling 1986), mais de concrétiser un processus abstrait qui est celui du fonctionnement du véritable interprète du langage LOGO. Cette réification s'appuie sur des objets de transition simples (des boîtes et des fils). Le modèle sous-tendant l'interpréteur peut lui-même être changé pour intégrer certains fonctionnements particuliers de Logo (comme le traitement des opérateurs infixes ou la primitive SI) ou explorer diverses tolérances (suppression des caractères spéciaux). On a une double forme de complexification : niveau d'intervention sur un modèle déterminé (exploration, pas à pas, algorithme), changement du modèle pour intégrer d'autres contraintes techniques (c'est notamment le cas de la détection de la récursivité terminale avec des opérateurs commutatifs, qui n'est pas intégré dans les interprètes existants). Ce type d'environnement exploratoire se rapproche des micromondes à complexité croissante (Fisher, 1988).
3.4. Éléments de classification
À partir des différents éléments que l'on a introduit, on peut se risquer à une classification des environnements d'apprentissage, allant des outils aux simulations, grosso modo des activités essentiellement axées vers l'expression à celles plus axées vers l'exploration, tous permettant des activités de résolution de problèmes.
Les outils permettant de modéliser des situations sont très nombreux. Il n'y a pas de contrainte particulière sur la structure de ces outils. C'est le cas des programmes classiques disponibles sur un ordinateur depuis le milieu des années quatre-vingt : traitements de textes, tableurs, bases de données, grapheurs, gestionnaires de plans, etc. Il peut s'agir aussi de programmes plus spécialisés comme des logiciels de calcul formel ou des systèmes experts. Dans un cadre éducatif, par opposition aux tuteurs, la machine ne contrôle pas l'adéquation entre les outils utilisés et l'objectif poursuivi. Dans les micromondes, on peut ranger les outils de construction géométrique, les micromondes transitionnels, les multimondes et les simulations actives. Notons que lorsqu'on cherche plutôt à favoriser des activités d'exploration en vue d'apprentissages précis, on est amené à définir un ensemble structuré d'activités ou une suite progressive de modèles.
Outils Micromondes Simulations
Progiciels Langages de programmation Résolveurs Outils de construction géométrique Micro-mondes transitionnels Multi-mondes Simulations actives Avec Accès au modèle ou aux paramètres Figure 4 : classification des environnements d'apprentissage
4. APPRENTISSAGE PAR CONSTRUCTION ET/OU EXPLORATION DE MODELES
À la suite des micromondes, l'idée de fournir aux apprenants des outils d'apprentissage par exploration va se développer. La notion de modèle mental apparaît alors au cœur du problème et deux questions centrales émergent (ESRC, 1988) :
(1) De quelles façons l'interaction avec des outils intégrant des représentations d'un domaine peut faciliter l'apprentissage de ce domaine ? (2) Le fait de représenter et d'explorer les conséquences de leur propre modèle mental constitue-t-il une aide pour les apprenants ?
Du point de vue des différents outils permettant un apprentissage par la découverte, on distingue généralement deux grandes classes : les outils d'expression, c'est-à-dire de modélisation et les outils d'exploration. Dans les deux cas, des activités de résolution de problèmes peuvent être proposées (par exemple, construire un objet particulier, obtenir un état particulier dans une simulation, détecter la cause d'un dysfonctionnement...). Trois types de modèles peuvent être construits (figure 5), les modèles quantitatifs, les modèles semi-quantitatifs et les modèles qualitatifs.
Le quantitatif travaille sur des grandeurs mesurables. On peut créer et/ou explorer des relations entre ces grandeurs. Le qualitatif travaille sur des
catégories et des grandeurs non mesurables (souvent un choix parmi un nombre fini de possibles). Dans le semi-quantitatif, le raisonnement porte sur des grandeurs dont on cherche essentiellement le signe et pas la valeur, c'est-à-dire on s'intéresse à la direction et non à la grandeur des effets d'une partie d'un système sur une autre. On cherche à savoir si, par exemple, quand une grandeur donnée augmente, une autre augmente ou diminue (ou reste constante).
Expression Exploration
Quantitatif Systèmes de modélisation Tableurs
Simulations scientifiques
Semi-quantitatif
STELLA14 Alternate Reality Kits
Certaines simulations Qualitatif Systèmes experts
Générateurs d'histoire Jeux d'aventure
Systèmes d'aide à la décision Simulations non quantitatives Figure 5 : différentes classes de modèles (ESRC, 1988)
La modélisation faisant partie intégrante des programmes scolaires en Grande-Bretagne, une recherche coopérative a été lancée. Elle a d'abord conduit à la réalisation d'un système nommé IQON pour créer des modèles semi-quantitatifs. Les résultats obtenus (Miller et al. 1993) indiquent notamment que des enfants entre 11 et 14 ans pensent plus facilement en termes d'objets et d'événements qu'en termes de variables et qu'ils peuvent s'attaquer à des tâches de modélisation d'une complexité raisonnable. Ils peuvent comprendre des modèles qu'on leur donne à explorer plus complexes que ceux qu'ils sont eux-mêmes capables de construire.
Si les outils permettant à des apprenants jeunes de créer des modèles sont relativement récents, la littérature sur les environnements de découverte est abondante. L'un des écueils de cette forme d'apprentissage est le manque de soutien que l'on peut fournir à l'apprenant qui suit des démarches personnelles et peut avoir des difficultés à atteindre son but (ce problème se retrouve de manière analogue dans la définition d'outils de navigation intégrés dans les hypertextes). Laisser complètement l'apprenant assumer toutes les décisions ne semble pas donner de résultats vraiment satisfaisants. Le problème central est en fait d'arriver à combiner la résolution de problèmes et la motivation de l'apprentissage par la découverte avec un guidage effectif. Les systèmes doivent ainsi d'une part fournir des outils aux
14 STELLA (Structural Thinking, Experiential Learning Laboratory with Animation ;
Withfield, 1988) est un logiciel interactif pour la production de modèles mathématiques. Il semble bien adapté à l'enseignement de la modélisation.
utilisateurs mais d'autre part les aider dans leurs tâches. Cette assistance va de la simple rétroaction, visuelle et/ou langagière jusqu'à un suivi en pas à pas sur un mode préceptoral en passant par des formes d'aides interactives de type passif (c'est-à-dire fournies à l'initiative de l'apprenant) ou plus actives (décidées par le système). Toutefois, trouver la meilleure forme de guidage reste une tâche délicate.
5. CONCLUSION
Ce repérage rapide dans la littérature montre que les activités d'élaboration et d'exploration de modèles jouent sans conteste un rôle très important dans l'apprentissage de nombreux domaines. L'ordinateur constitue certainement un instrument important pour cela et offre de multiples potentialités. Toutefois, construire et explorer des modèles est une activité complexe, guider efficacement l'apprenant dans de telles tâches est loin d'être trivial.
REFERENCES
ABELSON H. et SUSSMAN G.J. (1985). Structure and Interpretation of Computer Programs, M.I.T. Press.
ALBERTINI J.M. (1983). Vers une informatique de formation dans Education permanente, 70-71, 1983, pp.51-72 (repris dans Albertini (1992), pp.128-140).
ALBERTINI J.M. (1992). La pédagogie n'est plus ce qu'elle sera, Le Seuil, Presses du CNRS, 303 p.
BARON M. (1984). D'un "S.E." à un "S.E.I.A.O." : les enseignements d'un cas intéressant : GUIDON ; notes de lecture dans colloque d'intelligence artificielle, Aix-en-Provence, Laforia, Paris, pp.27-49. BARR A., Feignebaum E.A.(1982). The Handbook of Ariticial Intelligence,
Volume II, William Kaufman, California, 428p.
BOBROW D.G. (1984). Qualitative Reasoning about Physical Systems: An Introduction, Artificial Intelligence, 24, pp.1-5
BÖCKER H.D., Herczeg J., Herczeg M. (1989). ELAB - An Electronics Laboratory, in Proceedings of the 4th International Conference on AI and Education, Amsterdam, IOS, p.15-24.
BORNING A. (1977). Thinglab--An Object-Oriented System for Building Simulations Using Constraints in Proceedings IJCAI 77, pp.497-498. BROWN J.S., BURTON R., de KLEER J. (1982). Pedagogical, natural
language and knowledge engineering techniques in SOPHIE I, II and III in Sleeman D., Brown J.S., (Eds.) Intelligent Tutoring Systems, pp.13-24
BROWN J.S., BURTON R., ZDYBEL F. (1973). A model-driven question-answering system for mixed-initiative Computer-Assisted Instruction, IEEE Transactions on Systems, Man and Cybernetics, SMC-3(3), pp.247-255.
BRUILLARD E. et ROCLAND N. (1986). Simulation d'interpréteur Logo. Rapport interne Centre Mondial de l'informatique, Paris, 120p..
BRUILLARD E., PEREIRA I. (1987). Quelques problèmes d'apprentissage avec LOGO et PROLOG, Actes du congrès EAO 87, Cap d'Agde, mars 1987.
CLANCEY W.J. (1983). The Epistemology of a Rule-Based Expert System, a Framework for Explanation, Artificial Intelligence, 20, pp.215-251.
COLLINS A. (1977). Processes in Acquiring Knowledge in Anderson, R.C., Spiro, R.J., Montague, W.E. (eds) Schooling and the Acquisition of Knowledge, LEA, Hillsdale.
ESRC (1988). Tools for Exploratory Learning. Information Technology in Education Research Program, Department of Psychology, University of Lancaster, october 1988, 14 p.
FEURZEIG W. (1969). Programming languages as a conceptual framework for teaching mathematics, BBN, Report n°1889.
FEURZEIG W. (1986). Algebra Slaves and Agents in a Logo-Based Mathematics Curriculum in Instructional Science 14, pp.229-254. FEURZEIG W., Papert S.(1968). Programming-languages as a conceptual
framework for teaching mathematics in Bresson F. & de Montmollin M. (eds.). La recherche en enseignement programmé, tendances actuelles, Actes colloque OTAN, Nice mai 1968, Dunod, collection «Sciences du comportement», n°8, Dunod, pp.233-248.
FISCHER G. (1988). Enhancing Incremental Learning Processes With Knowledge-Based Systems in H.Mandl, A.Lesgold (eds), Learning Issues for ITS, Springer-Verlag, p.138-163.
GOLDBERG A. (1979). Educational Uses of a Dynabook, Computer & Education, Vol.3, pp.247-266.
GREENO J.G. (1990). Productive Learning Environments in International Conference on ARCE, Tokyo, juillet 90, pp.1-11.
HOYLES C., NOSS R. & SUTHERLAND R. (1989). Designing a LOGO-based microworld for ratio and proportion, Journal of Computer Assisted Learning, 5, pp.208-222.
HOYLES C., NOSS R. (1993). Deconstructing Microworlds, in Ferguson D.L. (ed.), Advanced Educational Technologies for Mathmatics and Science, NATO, ASI series F, vol.107, pp.414-438.
KAMSTEEG P.A. & BIERMAN J. (1988). An object-oriented prolog and its use in a simulated laboratory for physics, Summer University Le Mans.
KAY A. (1984). Pour la Science, Numéro spécial, Les logiciels.
KAY A., GOLDBERG A. (1977). Personal Dynamic Media, Computer, mars 77, pp.31-41.
LABORDE C, LABORDE J.-M. (1991). Micromondes intelligents et environnement d'apprentissage in XIIIèmes journées francophones sur l'informatique, pp.157-177.
LAWLER R.W.(1987). Learning Environments : now, then, and someday in Lawler and Yazdani (eds.) Artificial Intelligence and Education, Vol 1: Learning Environments & Tutoring Systems, Ablex, p.1-25.
LINARD M. (1990). Des machines et des hommes. Apprendre avec les nouvelles technologies. Editions universitaires, Paris, 240 p.
MILLER R., OGBORN J., BRIGGS J., BROUGH D., BLISS J., BOOHAN R., BROSNAN T., MELLAR H., SAKONDIS B. (1993). Educational Tools for computational Modelling, Computers & Education, 21, n°3, pp.205-261.
PAPERT S. (1970). Teaching children thinking in IFIP World Conference on Computer Education 1970, Invited Papers, Amsterdam, Tome I, pp.61-66.
PAPERT S. (1980). Mindstorms, Children, computers and powerful ideas (Jaillisement de l'esprit), Flammarion.
PAPERT S. (1985). Computer criticism vs. technocentric thinking in LOGO 85, Theoretical Papers, MIT, pp.53-67.
PAPERT S. (1987). Microworlds: Transforming Education in Lawler and Yazdani (eds.) Artificial Intelligence and Education, Vol 1: Learning Environments & Tutoring Systems, Ablex, p.79-94.
PAPERT S. (1993). The children's machine. Rethinking school in the age of the computer. Basic Books, NY, 242 p.
REIMANN P. (1988). Learning by discovery in a microworld for geometrical optics, Summer University Le Mans.
ROSS P. (1986). Modelling as a method of learning physical science and Mathematics in Designing Computer-Based Learning Material, Bork A. & Weinstock (eds.), NATO ASI Series, Vol.F23, Springer Verlag, pp.95-118.
SMITH R.B. (1986). The Alternate Reality Kit: An Animated Environment for Creating Interactive Simulations, Proceedings of the 2nd IEEE Computer Society Workshop on Visual Languages, Dallas, p.99-106. SOLOMON C. (1986). Computer Environments for Children. A reflection
on Theories of Learning and Education, MIT Press, 183 p.
STERLING L. et SHAPIRO E. (1986). The Art of Prolog. M.I.T. Press. STEVENS A., COLLINS A., GODIN S.E. (1982). Misconceptions in
students' understanding in Sleeman D., Brown J.S., (Eds.) Intelligent Tutoring Systems, pp.13-24
STUMPF M., OPWIS K., SPADA H. (1988). Knowledge Acquisition in a Microworld for Elastic Impacts : the DiBi System, Summer University Le Mans.
TALL D. (1993). Interrelationships Between Mind and Computer: Processes, Images Symbols in Ferguson D.L. (ed.), Advanced Educational Technologies for Mathmatics and Science, NATO, ASI series F, vol.107, pp.385-413
THOMPSON P.W. (1987). Mathematical Microworlds and Intelligent Computer-Assisted Instruction, pp.83-109.
WENGER E. (1987). Artificial Intelligence and Tutoring Systems, Computational and Cognitive Approaches to the Communication of Knowledge, Morgan Kaufmann, 1987, 486p.
WHITE B.Y. (1993). Intermediate Abstractions and Causal Models: a Microworld-Based Approach to Science Education in AIED 93, pp.26-33.
WHITE B.Y.,FREDERIKSEN J.R. (1987). Qualitative Models and Intelligent Learning Environments in Lawler and Yazdani (eds.), Artificial Intelligence and Education, Vol 1, Ablex, p.281-305.
WITHFIELD A.H. (1988). STELLA and its impact on the teaching of mathematical modelling in Lovis F. et Tagg E.D. (eds.) Computers in Education, Elsevier, IFIP, pp.299-304.
YERUSHALMY M. (1991). Student perceptions of aspect of algebraic function using multiple representation software, Journal of Computer Assisted Learning, 7, pp.42-57.
YERUSHALMY M. (1993). Understanding concepts in algebra using linked representation tools in Ferguson D.L. (ed.), Advanced Eudcational Technologies for Mathematics and Science, NATA ASI, F, Vol. 107, pp.497-524.
