Depuis le « Plan Informatique Pour Tous » de 1985, les technologies numériques ne cessent d'occuper une place grandissante dans l'enseignement : manuels numériques, logiciels de géométrie dynamique, learning games, e-learning, blended learning, MOOC, classes inversées, robotique éducative, etc.L'ambition de nos travaux est de montrer que certaines de ces technologies peuvent contribuer à améliorer les apprentissages, en dynamisant les contenus, en accentuant la motivation des étudiants, en proposant des dispositifs adaptés à la formation à distance, en personnalisant les parcours pédagogiques.Les enjeux autour de ces questions sont importants. La nécessité de motiver les étudiants et de personnaliser les apprentissages apparaît de plus en plus clairement. Ce sont des atouts majeurs pour lutter contre le décrochage scolaire et pour l'égalité des chances.Objectifs de nos travaux antérieurs à 2011 :— Ludifier et animer des contenus afin de les rendre plus motivants et plus explicites.— Visualiser des concepts en manipulant des objets numériques.— Virtualiser des objets d'apprentissage pour s'affranchir de contraintes matérielles afin de faire travailler des méthodes, de dépasser des difficultés de manipulation et des situations de handicap.— Fournir des outils d'interactivité, de visualisation, de calcul formel et de géométrie pour des environnements informatiques d'apprentissage (plateformes d'enseignement à distance, logiciels).— Fournir des outils de monitoring des activités des utilisateurs afin de suivre au mieux leur progression, afin de pouvoir les suivre au plus près dans leurs cheminements, de leur fournir des retours adaptés et des parcours personnalisés, de les rendre plus autonomes.— Expérimenter des objets à la fois numériques et tangibles tels que les robots pour évaluer leur impact dans les apprentissages.— Repenser les manuels scolaires en les accompagnant de dispositifs numériques.Ces travaux ont trouvé un prolongement ciblé, fortement ancré recherche, dans des travaux plus récents.Objectifs de nos travaux postérieurs à 2011 :— Optimiser et personnaliser en profondeur les apprentissages en faisant appel à l'intelligence artificielle et à des algorithmes de machine learning.— Introduire des objets tangibles, tels que les robots, que les élèves peuvent manipuler, voire programmer, pour éclairer différemment les apprentissages et proposer une approche concrète pour construire de nouveaux concepts. / Since the "Plan Informatique Pour Tous" in 1985, digital technologies occupy an increasingly importance in education: digital textbooks, dynamic geometry software, learning games, e-learning, blended learning, MOOC, flipped classrooms, educational robotics, etc.The aim of our work is to show that some of these technologies can contribute to improve learning, boosting learning contents, emphasizing student motivation by proposing devices suitable for distance learning and personalizing learning paths.The stakes of these issues are important. The need to motivate students and personalize learning is more and more crucial. These are major assets to reduce dropout and promote equal opportunities.Objectives of our work before 2011:- Gamify contents to make them more motivating.- Visualize concepts by using digital objects.- Virtualize learning objects in order to reduce physical constraints to work methods, to overcome handling difficulties and disability situations.- Provide tools for interactivity, visualization, computer algebra and geometry for computer environments learning (distance learning platforms, software).- Provide tools for monitoring user activity in order to better track their progress, to follow them with precision, to making them more autonomous.- Experiment with objects both digital and tangible such as robots, to assess their impact in learning.- Build new textbooks by accompanying them with digital devices.This work was continued in recent and more research-driven work.Objectives of our work from 2011:- Optimize and personalize learning by using artificial intelligence and machine learning algorithms.- Use tangible objects such as robots, that students can manipulate and program, to approach learning differently to provide concrete environment to build new concepts.

Thèse numérisée par la Direction des bibliothèques de l'Université de Montréal.

La présente recherche doctorat intitulée « Styles d'apprentissage et rendement académique dans les formations en ligne » est une recherche descriptive de type mixte, conjuguant à la fois des données qualitatives et quantitatives. La question spécifique de recherche s'énonce de la manière suivante : Quelles correspondances établir entre style d'apprentissage et rendement académique, chez des apprenants adultes, en situation d'apprentissage dans un contexte spécifique de formation en ligne? <br />Le cadre qui a servi à l'analyse des données qualitatives et quantitatives de la recherche comprend trois dimensions principales : l'apprentissage dans les formations en ligne, les styles d'apprentissage et le rendement académique. Ces dimensions sont à mettre directement en relation avec les théories andragogiques et plus spécifiquement avec la théorie de l'apprentissage expérientiel. Les questions et les hypothèses de travail qui ont été élaborées sont basées sur le croisement de ces différentes dimensions. <br />Les données quantitatives ont été recueillies auprès de 105 répondants issus de trois cours obligatoires (INF 5100, INF 9002 et INF 9003) du certificat en Informatique Appliquée à l'organisation (IAO - 4380) de la Télé-Université. Deux questionnaires ont été soumis aux répondants : un questionnaire de données socio-démographiques et d'habiletés techniques et un questionnaire d'identification des styles d'apprentissage : le Learning Style Questionnaire, version française abrégée (LSQ-Fa) de Fortin, Chevrier, Théberge, Leblanc et Amyot (2000). De plus, joints à ces données quantitatives, il convient également de prendre en compte 72 résultats de rendement académique. Les données qualitatives ont été recueillies auprès d'un échantillon de 15 répondants, suite à la passation d'entretiens semi-dirigés d'une durée d'environ 1 heure. Cet échantillon a été élaboré selon la méthode des quotas. <br /><br />L'analyse des données quantitatives nous a permis de déterminer : 1) les caractéristiques de l'échantillon (caractéristiques démographiques; sociales et professionnelles et les habiletés techniques); 2) les styles d'apprentissage (style d'apprentissage bruts; styles d'apprentissage uniques et composés; analyse des principales composantes; rôle joué par l'indice de préférence); 3) les correspondances possibles entre : styles d'apprentissage et genre; styles d'apprentissage et catégorie socio-professionnelle; styles d'apprentissage et domaine d'étude; styles d'apprentissage et terrain de recherche; et finalement style d'apprentissage et rendement académique. <br />Dans un second temps, nous avons procédé à l'analyse des données qualitatives afin de confirmer, infirmer et compléter les données quantitatives et afin de déterminer : 1) la perception des répondants quant à leur propre style d'apprentissage et 2) le sens donné par les répondants à leur propre situation d'apprentissage en ligne. L'analyse de contenu a été retenue comme méthode de travail pour le traitement des données qualitative. Nous avons procédé à l'analyse du contenu latent en ne retenant que les unités de sens porteuse d'informations relatives à la question de recherche.