Psychologie cognitive pour l'enseignant/Bien utiliser les exemples

Un livre de Wikilivres.
Sauter à la navigation Sauter à la recherche


Dans les grandes lignes, il existe essentiellement deux méthodes pour apprendre des concepts. La première est l'induction, l'abstraction d'une catégorie à partir de catégories moins générales, en extrayant les propriétés communes à différents exemples. La seconde est la déduction, qui consiste à dériver une catégorie en spécialisant une catégorie plus générale, en ajoutant des propriétés à un concept déjà connu. Nous avons vu qu'il est souvent préférable de procéder par déduction, pour éviter le phénomène d'assimilation oblitératrice. Nous avons vu aussi qu'il est préférable de varier l'apprentissage lors de l'encodage, afin de multiplier les indices de récupération, de même que mettre l'accent sur les différences. Donner des exemples variés est donc un bon moyen pour relier un concept abstrait à de nombreux indices de récupération. Reste que pour bien faire, varier les exemples demande de suivre quelques règles relativement simples mais très importantes. Dans ce chapitre, nous allons parler du bon usage des exemples et contre-exemples.

Représentation mentale des catégories[modifier | modifier le wikicode]

Depuis les années 2000, de nombreuses observations semblent indiquer que ces catégories peuvent s'apprendre par plusieurs mécanismes, localisés dans des régions distinctes du cerveau. Mais cela ne veut pas dire que tous les systèmes d'apprentissage des catégories sont utiles en contexte scolaire. Pour les concepts et catégories, il existerait deux grands mécanismes de catégorisation et d’apprentissage des catégories :

  • un système qui gère des règles verbalisables, des définitions ;
  • un système qui se base sur la similarité avec des exemples connus.
Exemple de la généralisation du prototype du concept d'arbre.

Le premier système va simplement induire et appliquer des définitions. Apprendre de nouvelles catégories avec ce système demande d'induire une règle à partir d'exemples ou de recevoir une définition claire et précise via un apprentissage déductif. Le second système va mémoriser des exemples et potentiellement utiliser leur similarité pour abstraire une catégorie. Ce calcul de similarité entre deux entités est souvent très rapide et inconscient, contrairement à l'utilisation de définitions et de règles. L'apprentissage de catégories avec ce système se fait par induction à partir d'exemples.

Si l’élève a vu peu d’exemples d'un concept, le cerveau le représentera comme un simple ensemble d’exemples qui contient les exemplaires déjà rencontrés. Lors de la catégorisation, l'entité à classer est comparée aux exemples mémorisés et classée dans la catégorie liée à l'exemple le plus similaire. Il n’y a aucune abstraction, ce qui fait que la catégorisation est peu performante.

Mais à force de voir des exemples, le cerveau va progressivement dégager leurs propriétés communes et en abstraire une catégorie. A ce stade, les catégories sont représentées par un objet idéal, qui définit à quoi doit ressembler un objet de la catégorie, appelé le prototype. Ainsi, une chaise sera un meilleur exemple de meuble qu'un rideau, vu qu'il est plus proche de ce prototype idéal. Une armoire sera assez proche du prototype et sera considérée comme un meuble, mais moins qu'une chaise. Lorsqu'on veut savoir si un objet appartient à une catégorie, on le compare à son prototype : plus celui-ci est proche, plus on considérera que l'objet appartient à la catégorie.

Pour donner un exemple, on peut citer l’expérience de Lupyan (2012). Dans celle-ci, il a demandé à un premier groupe de cobayes de dessiner un triangle, tandis qu'un second groupe devait dessiner une figure à trois côtés. Dans le groupe triangle, le triangle a été dessiné avec une base horizontale dans 82% des cas et il était isocèle dans 91% des cas. Mais dans le groupe "trois côtés", ces deux proportions sont de 50% seulement ! De même, les participants ont tendance à surévaluer l'inclinaison d'un triangle quand on leur dit qu'il s'agit d'un triangle, comparé à un groupe test dans lequel on dit aux participants que la figure est un polygone à trois côtés.

Les difficultés de l'abstraction[modifier | modifier le wikicode]

Lors de l'abstraction d'un prototype, le cerveau va se baser sur la fréquence des propriétés dans les exemples présentés. Le problème est que le cerveau ne peut pas vraiment faire la différence entre les propriétés qui permettent de classer avec quasi-certitude un objet dans la catégorie et celles qui viennent d'une simple ressemblance. En effet, deux objets peuvent être très similaires sans pour autant appartenir à la même catégorie. Par exemple, un dauphin ou une baleine ont beau ressembler fortement à des poissons, ce sont des mammifères. Le cerveau n'apprend pas à faire la différence entre les propriétés essentielles, partagées par tous les membres de la catégorie, et les propriétés facultatives qui sont fréquentes chez certains membres de la catégorie mais pas chez tous. Prenons l'exemple d'un élève à qui on souhaite apprendre ce qu'est un carré. D'ordinaire, on présente des exemples de carrés à l'horizontale, les carrés des exemples étant rarement penchés. Si on présente un carré penché à un élève il ne le classera pas comme un carré, vu que les exemples rencontrés n'étaient pas penchés ; l'élève considèrera que la propriété "pas penché" est une propriété essentielle du concept de carré.

De plus, il arrive que deux élèves construisent des compréhensions différentes d'un même concept à partir d'exemples identiques. Par exemple, essayez de déduire quelle est la règle à partir des exemples suivant : 1, 3, 7, 5, 9, etc. Vous avez certainement pensé qu'il s'agissait des nombres impairs, mais cette suite est aussi cohérent avec les règles comme "nombres à un chiffre", "nombres impairs à un chiffre", ou "entiers", ou bien d'autres encore. C'est tout le problème de l'induction à partir d'exemples : un ensemble d'exemples est souvent compatible avec plusieurs interprétations, mais une seule de ces interprétations est compatible avec le concept à communiquer. Ces fautes de communication proviennent d'exemples mal choisis et ont peu de chances d'arriver avec des définitions. Les définitions ne sont ni plus ni moins que des ensembles de propriétés essentielles et elles n'engendrent donc pas ce problème. Mais les définitions ne permettent pas une catégorisation rapide, contrairement aux prototypes. En effet, elles ne mettent pas en œuvre le processus inconscient de catégorisation par similarité mais un système de catégorisation conscient qui utilise la mémoire de travail. Faire un bon usage de ces deux processus de catégorisation est donc une bonne chose.

Atténuer les problèmes de l'induction[modifier | modifier le wikicode]

Pour éviter ces problèmes, il existe diverses techniques qui visent à diminuer l'ambiguïté inhérente à l'induction. Le professeur peut faciliter l'abstraction des points communs et différences en choisissant des suites d'exemples qui n'ont qu'une seule interprétation possible. Il existe une méthode pédagogique à la pointe de ce genre de procédés : le Direct Instruction d'Engelmann (à ne pas confondre avec les autres formes de *direct instruction*, comme la pédagogie explicite, qui n'utilisent absolument pas ces techniques d'apprentissage des concepts). Cette méthode se fonde sur des scripts pédagogiques qui décrivent les exemples et contre-exemples à donner aux élèves, ainsi que leur ordre de présentation. L'existence de ces scripts tient au fait que créer soit-même une séquence d'exemples qui ne donne pas lieu à de telles confusions est très difficile et demande souvent des années de travail : les créateur du Direct Instruction ont préféré créer eux-même de telles séquences. Dans ce qui va suivre, nous en verrons surtout les grandes lignes et les recommandations les plus importantes.

Varier les exemples[modifier | modifier le wikicode]

Dans tous les cas, plus on donne d'exemples et de contre-exemples variés, plus l'élève aura une représentation fidèle de la catégorie. Une représentation fidèle est par nature une représentation abstraite, générale, qui correspond à un grand nombre d'objets, ceux qui appartiennent effectivement à la catégorie. Or, on a vu il y a quelques chapitres que cette abstraction se développait par un enseignement varié, qui exploite un même concept dans un grand nombre d'exemples et de situations. Nous avions vu que varier permettait de favoriser la création de connaissances abstraites, de relier plus facilement chaque concept à un grand nombre d'indices. C'est ainsi que l'on peut interpréter la formation d'un prototype abstrait, comme la formation d'un concept relié à de plus en plus d'exemples et de propriétés, favorisant son rappel face à des exemplaires variés. L'abstraction de catégories ne fait pas exception à la règle, et varier les exemples présentés est ainsi un très bon choix. Par varier, on veut dire que les exemples donnés doivent être le moins similaires possibles. En effet, plus deux exemples d'une même catégorie sont similaires, plus ils partagent de propriétés facultatives. La similarité minimale entre deux membres d'une même catégorie est obtenue quand les deux exemples ne partagent que des propriétés essentielles.

Dans une de ses expériences datée de 1979, John Bransford et ses collègues de la Vanderbilt University au Tennessee ont cherché à savoir si varier les exemples avait un effet sur la capacité à transférer la catégorie dans de nouvelles situations. Un premier groupe devait apprendre des concepts avec des exemples similaires, tandis que l'autre groupe recevait des exemples très différents. Dans un test ultérieur, portant sur un contexte d'utilisation jamais vu auparavant lors des exemples, les chercheurs ont vérifié quel était le pourcentage de réussite des deux groupes : 84% dans le second groupe contre 64% dans le premier.

Une autre méthode pour varier l'apprentissage est d'utiliser des contre-exemples. Ceux-ci permettent de réfuter les règles ou prototypes mal-formés, induits par erreur. Si l'élève a induit une règle ou un prototype qui prend à tort un contre-exemple comme un membre de la catégorie, il sait qu'il devra le réviser lors de la présentation d'un contre-exemple. Expérimentalement, on constate que l'apprentissage est nettement meilleur quand les exemples et contre-exemples sont mélangés.

Distribuer les exemples[modifier | modifier le wikicode]

Mais outre le fait de varier les exemples, il faut aussi les voir dans un certain ordre. Durant longtemps, les scientifiques pensaient cependant qu'amasser les exemples était une bonne solution, dans le sens où cela permettait de juxtaposer des exemples similaires, facilitant ainsi l'extraction de leurs similarités/points communs. Par exemple, supposons que je dispose de neuf exemples d’une même catégorie, qui peuvent être groupés en trois paquets A, B et C selon leurs similarités. Intuitivement, on pourrait penser qu’il vaut mieux présenter les exemples dans cet ordre : A1, A2, A3, B1, B2, B3, C1, C2, C3.

Mais dans le chapitre précédent, on a vu que l'apprentissage des concepts devait mettre l'accent sur leurs différences, ce que le séquencement vu plus haut ne permet pas de faire car il met l'accent sur les similarités entre exemples. De plus, on a vu au chapitre précédent que la distribution de l'apprentissage permettait un meilleur apprentissage. Or, dans le type de séquencement précédent, les exemples similaires sont amassés les uns après les autres et non distribués. Cela va plutôt dans le sens d'une distribution des exemples, des exemples similaires devant être le plus éloignés possibles (dit autrement, des exemples consécutifs soient les plus dissemblables possibles). Par exemple, dans l'exemple ci-dessus, il vaudrait mieux utiliser un ordre du style A1, B1, C1, A2, B2, C2, A3, B3, C3. Tout l'enjeu est de mettre l'accent sur les différences entre exemples, pour faciliter l'induction d'une catégorie.

Quelques études récents vont dans le sens de la deuxième possibilité. On peut notamment citer l'étude "Learning concepts and categories : is spacing the ennemy of induction ?" de Kornell et Bjork. Dans cette étude, des étudiants devaient apprendre à reconnaitre le style de peintures de divers artistes peu connus. Cette étude a comparé deux groupes. Le premier voyait les tableaux appartenant à un même peintre les uns à la suite des autres, tandis que l'ordre des tableaux était complètement mélangé pour le second. C'est ce dernier qui avait les meilleurs résultats à long terme. Cette étude a été reproduite depuis, notamment par Kang et Pashler dans leur étude "discriminating painting styles : Spacing is advantageous when it promotes disciminative contrast". D'autres études du même genre ont montré que l'apprentissage distribué favorisait l'apprentissage de classifications d'oiseaux.

Quand on fait intervenir des contre-exemples, les choses deviennent plus compliquées. Il est ainsi déconseillé de voir tous les exemples ensembles, suivis par les contre-exemples : les prototypes ou règles mal induits seront alors réfutés plus tôt ou n'auront pas le temps de se former. Plutôt que de présenter les exemples par blocs, suivis des contres-exemples, il vaut mieux alterner exemples et contre-exemples, intercaler chaque contre-exemple entre deux exemples : il ne faut pas que les contre-exemples soient regroupés. De plus, chaque contre-exemple doit être le plus semblable aux exemples qui l'entourent : cela permet à l'élève de nettement mieux distinguer les propriétés essentielles des propriétés facultatives.

Résumé[modifier | modifier le wikicode]

Pour résumer, une bonne utilisation des exemples et contre-exemples demande de :

  • présenter une série d'exemples les uns à la suite des autres à un rythme assez rapide ;
  • faire précéder les exemples par une définition, une règle ou une procédure quand c'est possible : celle-ci permet de donner des indications sur ce qui est pertinent dans la série d'exemples, ce qui est commun aux différents exemples, facilitant l'abstraction d'une règle ;
  • construire une suite d'exemples/contre-exemples qui n'a qu'une seule interprétation possible et ne peut permettre d'induire qu'une seule et unique règle ;
  • varier le plus possible les exemples présentés ;
  • rendre le plus dissimilaires possible des exemples consécutifs ;
  • utiliser des contre-exemples très similaires au concept à apprendre ;
  • intercaler les contre-exemples entre deux exemples et éviter les contre-exemples consécutifs ;
  • rendre le plus similaires possible un exemple et un contre-exemple consécutifs.

Références[modifier | modifier le wikicode]