Titre de l'écran-titre (visionné le 6 septembre 2023) / Afin des adapter au rythme des technologies numériques, plusieurs institutions offrent aux apprenants la possibilité de suivre un cours avec un environnement numérique d'apprentissage. Lorsque ces derniers apprennent dans un tel environnement, ils vont laisser des traces numériques qui peuvent être collectées et analysées. Pour cela, certains chercheur sont proposé des modèles de l'analytique de l'apprentissage, mais qui ne sont pas ou peu au profit de l'apprenant. Par exemple, leur modèle analytique ne favorisent pas un apprentissage autorégulé de l'apprenant sur l'environnement numérique d'apprentissage. La question est de savoir comment utiliser les traces d'apprentissage collectées sur l'environnement numérique d'apprentissage pour aider les apprenants à réussir ? Nous avons donc proposé un modèle analytique DP2A pour détecter la performance d'autorégulation sur l'environnement numérique d'apprentissage, avec l'analytique de l'apprentissage (Learning Analytics, LA) et l'apprentissage automatique supervisé. En effet, ce modèle permet de classifier les performances d'autorégulation des apprenants en deux groupes : les apprenants autorégulés et les apprenants non autorégulés. Cette classification a été effectuée en utilisant les classificateurs SVM et KNN, avec et sans ajustement des hyperparamètres de base. L'évaluation des classificateurs a montré que le classificateur SVM avec ajustement des hyperparamètres de base a bien prédit la classe d'autorégulation d'un apprenant, avec un taux de classification de 99%. Compte tenu de la performance de ce classificateur, il est approprié pour rendre optimal notre modèle DP2A dans la détection de la performance d'autorégulation des apprenants sur l'environnement numérique d'apprentissage. Il serait envisageable à l'avenir d'intégrer le classificateurs SVM avec ajustement des hyperparamètres de base pour détecter la performance d'autorégulation et éventuellement générer des conseils personnalisés à l'apprenant sur sa stratégie d'autorégulation. / Many institutions offer learners the opportunity to take a course in a digital learning environment in order to keep pace with digital technologies. When they learn in this kind of environment, they will leave digital traces that can be collected and analyzed. Some researchers have proposed models of learning analytics, but they have had little or no benefit to the learner. For example, their analytic model does not promote self-regulated learner learning in the digital learning environment. The question is how can we use the learning traces collected in the digital learning environment to help learners succeed? Consequently, we proposed a DP2A analytic model to detect self-regulatory performance in the digital learning environment, using Learning Analytics (LA) and supervised machine learning. Indeed, this model allows classifying learners' self-regulation performance into two groups: self-regulated learners and non-self-regulated learners. The classification was performed using the SVM and KNN classifiers, with and without adjustment of the basic hyperparameters. Evaluation of the classifiers showed that the SVM classifier with basics hyperparameters adjustment predicted a learner's self-regulation class well, with a classification rate of 99%. Considering the performance of this classifier, it is appropriate to make our DP2A model optimal for detecting learner's self-regulation performance in the digital learning environment. In the future, it would be conceivable to integrate the SVM classifiers with adjustment of the basic hyperparameters to detect the self-regulation performance and eventually generate personalized advice to the learner on his self-regulation strategy.

Les classes inversées et renversée se sont depuis peu fait une place parmi les dispositifs pédagogiques. La classe inversée est un pari qui mise sur le fait que les étudiants joueront le jeu, et qu’ils parviendront à « construire leurs apprentissages » notamment pendant le temps à distance, où ils travaillent « en autonomie ». Or l’autonomie présentée comme un objectif à atteindre, serait plutôt un prérequis. Cependant, elle est aussi un des besoins fondamentaux, au coeur de la motivation humaine. Toute la question est donc de savoir quelle part d’autonomie il faudrait laisser aux apprenants en classes inversées, pour susciter la motivation sans nuire à l’apprentissage. En classe renversée, il s’agit de savoir comment faire pour que les étudiants parviennent à gérer la charge cognitive occasionnée par ce dispositif très engageant. Après avoir exposé les théories et modèles de la motivation et de l’apprentissage autorégulé, nous nous intéresserons à l’apprentissage en tant qu’activité cognitive et métacognitive, en particulier dans le champ de la recherche informationnelle. La thèse montre que l’autoévaluation est susceptible d’enclencher la dimension cognitive, motivationnelle et autorégulatoire de l’apprentissage en classes inversées et renversée. / Flipped and reversed classrooms recently came up among instructional designs. In flipped classrooms, students are expected to be fully engaged, even during remote time when they work on their own in an autonomous fashion. But autonomy rather seems to be a prerequisite although presented as a goal. However, autonomy is also one of the human basic needs according to current motivation’s models. Therefore, the question is to determine what proportion of autonomy should beleft to students in flipped classrooms to stimulate motivation without negative effect on learning. In the reversed classroom, which is cognitively a very engaging design, the main concern is to determine how it is possible to help students managing both motivation and the cognitive load. We first present theories and models of motivation and self-regulated learning, then we address the learning process as a cognitive and metacognitive activity. Our research takes place in the field of information seeking. There, we will show that self-assessment is likely to trigger the cognitive, motivational and self-regulatory dimensions of learning, in flipped and reversed classrooms.

Il est aujourd’hui reconnu que la réussite des étudiants à l’université repose sur leurs capacités à autoréguler leur apprentissage, c’est-à-dire à 1) fixer des objectifs adaptés à la tâche, 2) déployer des stratégies d’apprentissage efficaces et 3) vérifier régulièrement si ces objectifs ont été atteints. Or, lorsqu’ils apprennent des documents complexes, ceux-ci ont tendance à traiter passivement l’information et à surestimer la qualité de leur apprentissage. Cette thèse vise à déterminer si le fait d’insérer des tests d’entraînement au sein d’un document multimédia amène les étudiants à traiter plus activement les informations. Pour ce faire, nous avons réalisé quatre expériences au cours desquelles des étudiants recevaient ou non des tests d’entraînement pendant qu’ils apprenaient un cours de neurosciences. Afin d’évaluer les effets des tests sur l’activité cognitive et métacognitive des participants, nous avons combiné un questionnaire d’estimation de l’apprentissage à un protocole de verbalisation. Nos résultats montrent que les participants qui bénéficient de tests estiment plus précisément la qualité de leur apprentissage et obtiennent de meilleures performances que les participants non testés. Par ailleurs, ces meilleures performances s’expliquent par un déploiement de stratégies d’apprentissage plus adaptées à l’exigence de la tâche. Enfin, ces effets bénéfiques disparaissent lorsque l’exigence des tests d’entraînement diffère de celles de l’évaluation finale. L’ensemble de nos résultats permet de mieux comprendre les mécanismes sous-tendant l’effet des tests sur l’apprentissage ainsi que d’identifier les conditions qui favorisent leur efficacité. / It is generally accepted that students need to effectively self-regulate their learning to succeed in university, that is to 1) establish appropriate goals, 2) use effective learning strategies and 3) frequently monitor if their goals have been met. Unfortunately, when students learn complex document, they tend to process the information in a passive way and be overconfident regarding the quality of their learning. The purpose of this thesis is to study if inserting regular practice tests in a multimedia document can promote a more active learning. To pursue this thesis’ aim, four experiments were conducted whereby students were exposed to a neuroscience course and were provided with or not, different types of practice tests. We used a judgment of learning questionnaire and a think aloud protocol to assess the impact of practices tests on cognitive and metacognitive processes. Results showed that, compared with control groups, participants in the practice testing groups were significantly less overconfident in their ability to recall recently learned information and performed better on a post-test questionnaire. Furthermore, enhanced learning performance was explained by the use of more efficient learning strategies. However, when test requirement mismatched those of the final test, practice tests brought none of these beneficial effects and was therefore unhelpful for students learning. Overall, the studies’ results gave us a better insight into the psychological mechanism underlying the testing effect on learning and identify the conditions that favor it.