L'enseignement des STIM de l'avenir

Jochen Kuhn explique comment les technologies éducatives modernes facilitent l'enseignement et l'apprentissage des matières STIM, et comment l'eye tracking permet d'en étudier les effets.

Jochen Kuhn est titulaire de la chaire d'enseignement de la physique à la LMU de Munich, en Allemagne. Ses sciences de l'éducation se concentrent actuellement sur l'apprentissage avec des représentations multiples dans l'éducation STEM et l'enseignement de la physique par le biais d'environnements et de technologies d'apprentissage basés sur le multimédia (smartphones, tablettes, AR/VR, etc.). Cela comprend la formation des enseignants en STEM, l'apprentissage avec et sur l'intelligence artificielle (IA) dans les écoles et les universités, et l'examen basé sur l'Eye tracking des processus d'apprentissage et de résolution de problèmes.

Quelle est la vision globale de votre recherche ?

Aujourd'hui encore, la physique est perçue par de nombreux étudiants comme artificielle et peu pertinente dans le monde de tous les jours. Le contenu est considéré comme "sec" et abstrait, avec de nombreuses relations et processus purement théoriques et invisibles.

Nous développons et étudions des approches visant à combler ces tensions entre l'abstrait et le phénoménologique, ainsi qu'entre le quotidien et le spécifique à une discipline, par l'utilisation d'environnements d'apprentissage multimédia. En utilisant des visualisations multimédias, ce que l'on appelle des représentations externes multiples, les étudiants apprennent avec et sur des outils cognitifs dont ils ont également besoin dans la vie de tous les jours (par exemple, l'interprétation de diagrammes et de graphiques) pour leur permettre de construire ces ponts eux-mêmes. À cette fin, nous mettons également en œuvre des technologies modernes dans les environnements d'apprentissage afin d'améliorer l'éducation des élèves (et des enseignants) avec et à propos de ces médias. La raison en est que nous pouvons nous attendre à ce que les technologies modernes soient utilisées dans notre vie quotidienne à l'avenir.

Bien entendu, nous voulons savoir comment et avec quelles représentations les étudiants réussissent à apprendre la physique, à concevoir des expériences ou à résoudre des problèmes physiques. Nous ne nous intéressons donc pas seulement au résultat de l'apprentissage ou de la résolution de problèmes, mais aussi au processus lui-même, car il nous permet de mieux comprendre comment nous pouvons aider, encourager ou stimuler les élèves pour qu'ils apprennent avec succès.

Ce soutien à l'apprentissage doit être individualisé et personnalisé, afin que différents étudiants puissent accéder au même contenu d'apprentissage par le biais de différents types de représentations, avec différentes stratégies et de différentes manières. Par conséquent, prédire la réussite de l'apprentissage grâce à des techniques d'apprentissage automatique est également un aspect essentiel de notre recherche sur les représentations et les technologies d'apprentissage de pointe.

Qu'est-ce qui vous a poussé à entreprendre ce voyage et qu'est-ce qui vous motive à continuer ?

Il existe de nombreuses façons de concevoir de bons cours de physique. Cependant, l'apprentissage avec des représentations multiples offre des options complètes, statiques et dynamiques grâce à l'utilisation du multimédia et de technologies d'apprentissage innovantes. Ces options continueront à se multiplier - pour les sciences de l'éducation et la recherche - en particulier dans le sillage de la numérisation.

En outre, grâce à ce type de développement et de recherche de technologies d'apprentissage innovantes avec des concepts liés au contenu, la génération actuelle et future peut également acquérir des compétences socialement pertinentes, telles que la maîtrise des données ou la maîtrise de l'IA, et ainsi changer la société elle-même.

Ainsi, les options multiples et l'importance pour le développement social ont été à l'origine du choix de l'apprentissage avec des représentations multiples utilisant des technologies d'apprentissage innovantes et de pointe.

Quel est le principal résultat de votre travail jusqu'à présent ?

Il n'y a pas un seul résultat important, mais plutôt la prise de conscience que l 'éducation risque d'être en retard sur les besoins et les exigences de la société dans certains domaines en raison de la forte dynamique de la numérisation. Cela signifie que l'éducation doit avoir la possibilité de suivre l'évolution de la société.

Quand on sait qu'il a fallu plus d'une décennie, surtout en Allemagne, pour qu'un support quotidien comme une tablette trouve plus ou moins systématiquement sa place dans les salles de classe, on se dit qu'il faut de nouvelles opportunités pour les développements futurs.

Dans le domaine des sciences de l'éducation en particulier, nous devons nous efforcer d'anticiper et d'étudier très tôt les prochaines technologies de la vie quotidienne qui pourraient avoir un effet similaire à celui des smartphones et des tablettes. Ainsi, lorsque la prochaine génération de technologies d'apprentissage sera introduite, nous disposerons déjà de concepts d'enseignement testés de manière empirique et nous n'aurons pas besoin d'attendre pour commencer à les développer.

Les politiques doivent créer des cadres et des programmes pour permettre ces développements et recherches de pointe en étroite collaboration avec les écoles dans les salles de classe.

D'une part, il est important d'impliquer toutes les institutions axées sur les sciences de l'éducation et de l'éducation dans un tel processus. D'autre part, les enseignants doivent également être formés pour mettre en œuvre les nouvelles approches et technologies dans leurs classes de manière significative et ciblée.

Comment vos travaux ont-ils bénéficié de l'utilisation de l'eye tracking dans vos expériences ?

Outre les écrans montés sur la tête (HMD) pour la réalité augmentée (AR) et la réalité virtuelle (VR), nous estimons que les systèmes basés sur l'eye tracking, entre autres, feront partie de ces technologies éducatives de nouvelle génération (EDTech) ou seront mis en œuvre dans celles-ci.

Par exemple, lors de l'apprentissage, de la résolution de problèmes ou de l'expérimentation de représentations multiples, nous utilisons des systèmes d'eye tracking de différents types (fixes, mobiles, intégrés dans des HMD VR/AR) pour étudier les stratégies visuelles des apprenants afin de distinguer les stratégies d'apprentissage réussies de celles qui ne le sont pas.

En outre, nous pouvons utiliser les données du regard pour former des algorithmes d'IA afin de prédire si un problème sera résolu avec succès ou non, en utilisant les stratégies visuelles des apprenants déjà pendant le processus d'apprentissage. Cela nous permet de fournir un soutien personnalisé avant qu'ils ne choisissent une stratégie ou une solution incorrecte - et sans aucune évaluation supplémentaire, en se basant uniquement sur la stratégie visuelle et en la personnalisant complètement.

Là encore, il est important de former et de perfectionner les enseignants à l'utilisation de ces systèmes basés sur le regard.

D'après votre point de vue actuel et votre vaste expérience de l'eye tracking, que conseilleriez-vous à ceux qui envisagent de l'adopter dans le cadre de leurs recherches ?

Tout d'abord, il convient de s'interroger sur le rôle que les analyses d'eye tracking doivent jouer dans la recherche.

S'il n'est pas prévu que l'eye tracking soit la principale méthode de recherche, je conseillerais d'étudier les questions connexes plutôt en coopération avec des partenaires de recherche expérimentés afin d'acquérir de l'expérience plutôt que d'investir dans du matériel dont le bénéfice n'est pas clair.

Toutefois, si les méthodes d'Eye tracking doivent devenir un répertoire standard du groupe de recherche, je suggérerais d'investir dès le départ des ressources matérielles et humaines suffisantes exclusivement pour cette ligne de recherche.

Informations connexes

Voici une sélection de publications récentes rendant compte des travaux qui ont fait appel à la technologie de l'Eye tracking :

Becker, S., Küchemann, S., Klein, P., Lichtenberger, A. et Kuhn, J. (2022). Les modèles de regard améliorent la prédiction de la réponse : More than correct or incorrect . Physical Review Physics Education Research, 18(020107) .

Dzsotjan, D., Ludwig-Petsch, K., Mukhametov, S., Ishimaru, S., Küchemann, S. et Kuhn, J. (2021). Le pouvoir prédictif des données d'Eye tracking dans un environnement d'apprentissage AR interactif . Adjunct Proceedings of the 2021 ACM International Joint Conference on Pervasive and Ubiquitous Computing and Proceedings of the 2021 ACM International Symposium on Eye tracker portable Computers, septembre 2021, 467-471.

Klein, P., Becker, S., Küchemann, S. et Kuhn, J. (2021). Test de compréhension des graphiques en cinématique : Item objectives confirmed by clustering eye movement transitions . Physical Review Physics Education Research , 17 (1), 013102.

Kumari. N., Ruf, V., Mukhametov, S., Schmidt, A., Kuhn, J. et Küchemann, S. (2021). Analyse des données d'Eye tracking mobile à l'aide de la détection d'objets via YOLOv4 . Sensors, 21 (22), 7668. MDPI AG.

Pour en savoir plus sur le laboratoire du professeur Kuhn, veuillez consulter sa page web.