Lier l’apprentissage automatique aux normes scientifiques de nouvelle génération
11 mai 2021
Les Next Generation Science Standards (NGSS®) appellent à un apprentissage multidimensionnel qui met l’accent sur l’intégration des pratiques scientifiques à la compréhension conceptuelle des idées fondamentales pour mieux préparer les élèves au monde d’aujourd’hui. L’aspect le plus important de la mise en œuvre du NGSS en classe est son accent sur l’apprentissage multidimensionnel des sciences et l’engagement de la pratique enseignante qui soutient les élèves. Au fur et à mesure que les élèves naviguent dans la vie quotidienne, ils développent naturellement des connaissances intuitives et des schémas de raisonnement qui façonnent leur apprentissage, y compris l’apprentissage des sciences. À mesure que les élèves vivent ces expériences, il est tout aussi important que les enseignants soient capables d’interpréter les réponses écrites des élèves façonnées par ces expériences. Une conséquence de ce besoin a pris la forme d’une étude récente financée par la National Science Foundation, Student Reasoning Patterns in Next Generation Science Standards Assessment (SPIN-NGSS), que je dirige avec mes collègues de l’ETS dans le but de développer des outils automatisés. Ces outils sont destinés à aider les enseignants à interpréter les données issues d’évaluations alignées sur ces normes afin de révéler les schémas de raisonnement des élèves, contribuant ainsi à refléter des faiblesses particulières du raisonnement des élèves.
S’appuyer sur ce que les élèves apportent en classe
Les élèves apportent en classe des idées, des compétences de raisonnement et des expériences de vie diverses. En ce qui concerne la compréhension du monde scientifique, les expériences de la petite enfance ont pu amener les enfants à développer des compétences de raisonnement causal qu’ils appliquent largement. S’appuyer sur les expériences quotidiennes des élèves peut être un moyen efficace d’approfondir les idées et stratégies de raisonnement existantes que les enfants ont pu développer. Les schémas de raisonnement des élèves reflètent une diversité d’idées intuitives et peuvent être considérés comme des tremplins vers une compréhension scientifique sophistiquée. Cependant, les élèves peuvent parfois apporter en classe des idées que l’enseignant considère inexactes et reçoivent ensuite des instructions avec des concepts précis. Cette stratégie de remplacement peut amener les élèves à mémoriser les connaissances scolaires mais à retomber sur leurs idées fausses lorsqu’on leur demande d’expliquer des phénomènes scientifiques.
Schémas de raisonnement des élèves dans l’apprentissage et les évaluations scientifiques de nouvelle génération
La recherche a identifié des « styles de raisonnement » distincts chez les scientifiques qui impliquent les trois dimensions de connaissances requises par le NGSS, à savoir : les idées fondamentales disciplinaires (DCI), les pratiques scientifiques et d’ingénierie (SEP) et les concepts transversaux (CCC). Il existe moins de documentation des schémas de raisonnement des élèves dans l’apprentissage multidimensionnel. Avec davantage d’évaluations alignées sur le NGSS disponibles, il existe des opportunités de mener des recherches sur les caractéristiques du raisonnement des élèves.
Dans le cadre de notre projet de subvention, mes collègues de l’ETS et moi avons utilisé des données d’évaluation existantes alignées sur le NGSS pour identifier les schémas de raisonnement typiques des élèves. Par exemple, lors de l’explication d’un concept spécifique à la science, nous avons constaté que certains étudiants se concentraient uniquement sur la description des observations et des données, tandis que d’autres ne fournissaient que des principes scientifiques sans se référer aux données ou aux preuves. Enfin, nous avons constaté que certains étudiants tentaient d’intégrer à la fois les données et les principes scientifiques dans leur raisonnement. Diagnostiquer ces schémas de raisonnement est utile pour générer des retours personnalisés afin de combler les lacunes dans le raisonnement des élèves. Dans les classes de sciences, les enseignants ont besoin d’aide pour identifier les schémas de raisonnement des élèves.
Diagnostic automatisé des schémas de raisonnement des élèves
Pour aider les enseignants à mieux répondre aux méthodes de raisonnement des élèves, notre équipe a développé des modèles d’apprentissage automatique pour automatiser le diagnostic des schémas de raisonnement des élèves en fonction des caractéristiques clés liées aux dimensions NGSS. Ces modèles fournissent à la fois une étiquette de motif de raisonnement et des preuves dans les réponses des élèves associées au schéma. Dans ce processus, les experts en contenu ont d’abord codé un ensemble de réponses des élèves. Ensuite, des experts en traitement du langage naturel (NLP) ont utilisé les codes humains pour entraîner les ordinateurs à développer des modèles automatisés. Une approche de classification en deux étapes a été appliquée. La première phase de classification identifie les parties des réponses liées aux dimensions NGSS. Le deuxième classificateur classe automatiquement des réponses entières avec un motif de raisonnement. L’équipe continue de valider nos modèles et conçoit un outil de retour automatisé pour échaffrager l’apprentissage multidimensionnel dans les classes de sciences. SPIN-NGSS comble le manque de diagnostic des schémas de raisonnement des élèves en reliant l’apprentissage automatique à l’apprentissage NGSS. Les produits de SPIN-NGSS ont le potentiel d’améliorer l’utilisation par les enseignants des évaluations scientifiques afin de faciliter l’apprentissage des élèves grâce à un retour d’information individualisé et immédiat.
Lei Liu est chercheur principal gestionnaire à l’ETS et chercheur principal de la subvention SPIN-NGSS NSF. Les co-chercheurs principaux du projet de subvention SPIN-NGSS sont Dante Cisterna (développeur associé de recherche, ETS), Aoife Cahill (chercheuse principale responsable de l’ETS) et Matthew Johnson (directeur principal de la recherche, ETS).
Regardez la vidéo de l’équipe de projet qui met en avant leurs réalisations, présentée lors du STEM for All Video Showcase 2021.
Ce document est basé sur un travail soutenu par la National Science Foundation dans le cadre de la subvention #2000492. Toutes les opinions, conclusions, conclusions ou recommandations exprimées dans ce document sont celles de l’auteur ou des auteurs et ne reflètent pas nécessairement les vues de la National Science Foundation.