Évaluation des compétences
en pensée computationnelle
chez les élèves du collège en fonction
du niveaux scolaires et du genre

Mohamed Taib Mohtadi, Mohamed Droui
 

Résumé
Cette étude vise à évaluer la pensée computationnelle (PC) des élèves du collège en se concentrant sur quatre compétences clés : le repérage des régularités, la pensée algorithmique, la décomposition et l'abstraction. En utilisant, comme instrument de mesure, le « Computational Thinking Test » (CTt) conçu par Román-González et al. en 2017, 455 élèves répartis sur trois niveaux scolaires (1AC, 2AC et 3AC) ont été évalués pour analyser leurs performances en PC, les corrélations entre leurs compétences en PC et leurs niveaux scolaires d'un côté et leur genre d'un autre.

Les résultats révèlent que le score global de la PC est lié au niveau scolaire, montrant une évolution des compétences en fonction du niveau. Les élèves présentent une compétence élevée en repérage des régularités, avec plus de 88 % de réussite, mais une compétence relativement faible en abstraction, avec seulement 26,52 % de réponses correctes. De plus, bien que les garçons aient montré une légère tendance à répondre légèrement plus souvent que les filles, aucune différence significative n'a été observée en termes de compétences en PC entre les genres.

Mots clé : Pensée computationnelle, Pensée algorithmique, Abstraction, Décomposition, repérage des régularités.

Introduction

   La pensée computationnelle est devenue un pilier essentiel de l'éducation, offrant aux élèves des outils cognitifs pour résoudre des problèmes, analyser des informations. Au cœur de cette compétence se trouvent quatre composantes clés : le repérage des régularités, la pensée algorithmique, la décomposition et l'abstraction. L'évaluation de ces compétences chez les élèves du collège revêt une importance particulière, non seulement pour comprendre leur niveau actuel de compétence, mais également pour orienter les stratégies éducatives visant à renforcer ces capacités cruciales.

   Cette contribution vise à apporter un éclairage significatif sur le développement des compétences de pensée computationnelle à travers les différents niveaux scolaires du cycle collégial et mettre en lumière les tendances dans la maîtrise de chaque compétence de la PC susmentionnées.

   En plus de l'étude des corrélations éventuelles entre le genre et les performances dans les compétences de pensée computationnelle

   Dans cet article, nous présentons le concept de la pensée computationnelle et l'instrument d'évaluation de la PC que nous avons utilisé pour mesurer les compétences de la PC chez les élèves du collège. Ensuite, nous présentons les résultats et leur analyse statistique ainsi qu'une conclusion.

La pensée computationnelle

   L'expression « pensée computationnelle » a été initiée par Wing (2006), attirant énormément l'intérêt de la communauté éducative. Il a déclaré que « la pensée informatique implique la résolution de problèmes, la conception de systèmes et la compréhension du comportement humain, en s'appuyant sur les concepts fondamentaux de l'informatique », arguant que « Penser comme les informaticiens » serait bénéfique pour tout le monde, et pas seulement pour les professionnels ou les scientifiques.

   Wing (2008) a prédit que la PC deviendrait un élément crucial des compétences futures des apprenants d'ici le milieu du siècle. Bien que l'idée de développer la PC soit en vogue, elle a été introduite pour la première fois dans l'enseignement primaire et secondaire par Papert (1980). Fondamentalement, la PC implique la reconnaissance des aspects informatiques du monde et l'utilisation d'outils et de techniques informatiques pour comprendre les processus et les systèmes naturels et artificiels (Furber, 2012).

   De nombreuses définitions ont été proposées. Dans Corradini et al. (2017b) les auteurs sont partis de cinq des définitions les plus importantes pour découvrir les éléments constitutifs de la PC. Juškevičienė & Dagienė (2018) ont schématisé bon nombre des définitions proposées depuis Papert en 1980 jusqu'en 2017.

   Plus précisément, la PC est définie comme la capacité à résoudre des problèmes, à concevoir des systèmes et à comprendre le comportement humain en utilisant des concepts informatiques (Wing, 2008). DiSessa (2000) a souligné que la PC peut être vue comme une nouvelle forme d'alphabétisation dans divers sujets et contextes (Weintrop et al., 2016).

   La PC englobe un éventail de compétences analytiques qui appartiennent au domaine de l'informatique, mais qui sont applicables à de nombreux aspects de la vie quotidienne. Parmi ces compétences figurent la pensée algorithmique, l'utilisation de l'abstraction et la décomposition pour résoudre des problèmes complexes et l'application du raisonnement heuristique pour parvenir à des solutions, comme souligné par Wing (2006 ; 2011).

   Bebras est une initiative internationale visant à promouvoir la pensée computationnelle parmi les élèves de tous âges en organisant annuellement des défis nécessitant les compétences en résolution de problèmes, notamment la capacité de décomposer des tâches complexes en composants plus simples, la conception d'algorithmes, la reconnaissance de régularités et l'abstraction. Elle propose une définition plus simple « La pensée informatique implique l'utilisation d'un ensemble de compétences et de techniques de résolution de problèmes que les ingénieurs en génie logicielle utilisent pour écrire des programmes et développer des applications. » (bebras, 2023) 

   Dans leur aide-mémoire publié en 2022 (Bebras, 2022) destiné aux auteurs pour les aider à concevoir les tâches des défis, on retrouve les composantes de la PC dressées dans le tableau 1.

Tableau 1 : Composantes de la pensée computationnelle (Bebras,2022).

   Étant donné que notre outil de mesure présente des questions à choix multiples, la compétence « évaluation » est inhérente à tous les éléments du test. Les participants sont sollicités pour évaluer l'ensemble des options proposées pour chaque question, ce qui rend difficile sa mesure de manière distincte. Par conséquent, nous avons exclu cette compétence de nos analyses.

Évaluation de la Pensée computationnelle

   Pour atteindre les objectifs de cette recherche, il est impérieusement nécessaire de disposer d'un outil validé et spécialement conçues pour évaluer le développement de la pensée computationnelle (Grover & Pea, 2013 ; Lee et al., 2011 ; Poulakis & Politis, 2021 ; Román-González et al., 2019).

   Plusieurs outils d'évaluation des PC ont été élaborés, ils ne sont pas toujours correctement caractérisés (Relkin et al., 2023). Dans leur analyse, ils révèlent que sur les 96 études des outils d'évaluation des PC examinés, seuls 45 % ont fourni des indications sur leur fiabilité et seuls 18 % ont rapporté des preuves de validité. Les travaux antérieurs ont permis de déterminer les éléments de la pensée computationnelle pouvant être évalués (Werner et al., 2012) et de démontrer l'applicabilité de la théorie des réponses aux items pour mesurer leurs propriétés psychométriques en PC (Chen et al., 2017 ; Kong et Lai, 2022).

   Depuis un certain temps, des instruments d'évaluation de la PC existent, comme en témoignent des études antérieures (Chen et al., 2017 ; Fraillon et al., 2018 ; Werner et al., 2012). Une méthode couramment utilisée pour évaluer la PC consiste à recourir à des exercices de codage, conçus pour stimuler la même logique et le même raisonnement que ceux impliqués dans les tâches de programmation. Néanmoins, les évaluations basées sur le codage présentent l'inconvénient de nécessiter une préalable connaissance d'un langage de codage, ce qui peut entraîner une confusion entre la capacité de codage et les compétences en PC (Yadav et al., 2017). De plus, des recherches menées auprès des enfants du collège ont suggéré que le codage peut devenir une compétence automatique, ce qui rend les exercices de codage potentiellement moins efficaces pour évaluer la PC (Werner et al., 2014).

   Ces dernières années, les activités débranchées (évaluations qui ne nécessitent pas de connaissances spécifiques en programmation) ont été utilisées dans le contexte de l'évaluation des compétences en PC chez les enfants des écoles primaires et supérieures. Code.org (http://www.code.org) propose une ressource en ligne pour enseigner la programmation informatique aux enfants des écoles primaires, et utilise des activités débranchées comme évaluation dans ses quiz de fin de cours.

   Le défi « Bebras » (http://www.bebras.org) destiné aux jeunes de 8 à 18 ans utilise également des évaluations débranchées. Les participants reçoivent des points pour avoir résolu des tâches de différents niveaux de complexité et de difficulté. Il ne s'agit cependant pas d'une évaluation validée et ne convient pas non plus à une utilisation courante en classe (Dagiene et Stupurienė, 2016).

   L'un des outils d'évaluation débranchés les plus sophistiqués et les mieux validés à ce jour a été développé par Román-González et al. (2017). Le « test de pensée informatique » (CTt) a été conçu pour identifier les élèves du collège « doués en informatique » parmi les élèves espagnols (âgés de 12 à 15 ans). Il s'agit d'un test à choix multiples de 28 items couvrant les concepts informatiques de séquences, de boucles, de conditions et d'opérateurs Il a été constaté que le CTt est administré en ligne, permettant une administration collective (Román-González et al., 2018). En résumé, le CTt offre une évaluation fiable et valide de la PC qui ne nécessite pas de familiarité avec une plate-forme technologique particulière.

1. Méthodologie de recherche

   Cette étude vise à évaluer le niveau de compétence en pensée computationnelle des élèves du collège en analysant statistiquement les résultats obtenus au moyen du CTt.

1.1. Objet d'étude

   Au total, 458 élèves de trois collèges privés de la région de Casablanca-Settat ont participé à cette étude, dont 155 élèves de 1AC, 153 de 2AC et 150 élèves de 3AC. les participants sont répartis aléatoirement par groupes comme indiqué dans le tableau 2.

Tableau 2 Répartition des participant au concours.

   Pour analyser les résultats des performances des élèves du collège en pensée computationnelle, cette étude compare les scores des élèves dans le test de la pensée computationnelle CTt que nous avons traduit et adapté pour les besoins et le contexte de la présente étude.

   Afin d'assurer la validité et la fiabilité des résultats de la recherche, nous avons décidé d'exclure du traitement statistique les élèves qui n'ont pas résolu au moins 3 tâches. Il y avait 13 de ces candidats. Ainsi, dans cet article, nous analysons les performances en pensée computationnelle d'un ensemble de données de 445 participants. Les élèves ont résolu 16 tâches pendant 1 heure.

1.2. Outil d'évaluation de la pensée computationnelles

   Notre méthode d'évaluation des compétences en pensée computationnelle des élèves du collège repose sur le CTt, que nous avons adapté pour les besoins spécifiques de cette étude. Une traduction en français des tâches proposées dans le CTt originel a été réalisée, étant la langue d'apprentissage des élèves.

   Cette étude se concentre sur l'analyse de quatre compétences de la pensée computationnelle : repérage des régularités, décomposition, pensée algorithmique et abstraction. Pour ce faire, nous avons réduit le nombre d'items à 16, répartis de manière égale entre les quatre dimensions sélectionnées, avec 4 items dédiés à chaque compétence.

   Certaines questions du questionnaire originel (Q3, Q7, Q11, Q16 et Q19) ont été exclues de notre outil d'évaluation, car elles évaluent la compétence en « Débogage », une composante qui n'est pas étudiée dans cette recherche.

   De plus, les questions Q10, Q12 et Q21, mesurant la composante "pensée algorithmique", ont été examinées et, constatant leur similitude, nous avons décidé de supprimer les questions Q12 et Q21 pour éviter la redondance.

   Nous avons également constaté que la question Q20 englobait les questions Q17 et Q18. Par conséquent, nous avons choisi de retirer ces deux dernières.

   Enfin, les questions Q22, Q23, Q24, Q26 et Q28 présentent des similitudes dans leur évaluation de la composante « La décomposition ». Ainsi, nous avons éliminé les questions Q23, Q24 et Q28 pour éviter la redondance dans notre instrument d'évaluation.

   Voici la répartition des questions dans les catégories de compétences de la pensée computationnelle étudiées tableau 3.

Tableau 3 : Répartition par catégories de compétences des items du test CTt adapté.

   Ci-dessous des exemples des items de chaque catégorie de compétences de la pensée computationnelle retenues dans le cadre de cette étude.

Catégorie « Repérage des régularités »

Catégorie « pensée algorithmique »

Catégorie « Décomposition »

Catégorie « Abstraction »

1.3. Méthodes d'analyse de la recherche

Comme le test d'évaluation de la pensée computationnelles est un formulaire en ligne sous Google Forms, les réponses des participants sont collectées automatiquement dans un tableau (Google sheets).

   Les résultats du test ont été analysés en fonction des moyennes de groupe, de l'analyse par quartile et de l'analyse du rendement en comparant la moyenne statistique descriptive selon le genre, le niveau scolaire et la maîtrise des compétences de la pensée computationnelle au sein de chaque groupe.

   Pour la comparaison de la moyenne, un t-test d'échantillon indépendant a été effectué en fonction du genre et de niveau scolaire, et la différence moyenne a été analysée au niveau de p<0,05 selon les résultats du test d'égalité de variance de Levene pour vérifier l'hypothèse d'homogénéité des variances, une condition essentielle pour notre analyses statistiques ANOVA (Analyse de la Variance).

2. Analysez les résultats

   Dans cette étude, les résultats du test de la pensée computationnelle chez les élèves du collège sont analysés en fonction des quatre compétences de la pensée computationnelle (Repérage de régularités, pensée algorithmique, décomposition et abstraction), du genre et du niveau scolaire.

   La fiabilité du test a été jugée acceptable avec une valeur de α de Cronbach, pour l'ensemble des items de 0,705.

   Comme nous avons quatre catégories d'items qui visent à évaluer un aspect spécifique de la pensée computationnelle, chacune étant composée de quatre items différents, nous avons donc calculé l'alpha de Cronbach pour évaluer la cohérence interne de chaque catégorie d'items individuellement. Cela a donné les résultats suivants tableau 4 :

Tableau 4 : coefficients de cohérence interne de chaque catégorie de compétences.

2.1. Analyse des résultats du test par niveau scolaire

   Les résultats du test pour les élèves collégiens des trois groupes sont analysés comme le montre le tableau 5. Le taux de réponses correctes fait référence au pourcentage de questions auxquelles on a répondu correctement parmi l'ensemble des questions.

Tableau 5 statistiques descriptives des résultats et
taux de réussite par catégorie de compétences.

   Globalement, le niveau de la pensée computationnelle est élevé chez les élèves de la population qui ont participé à cette enquête puisque le taux du score général est de 88,15%. Cependant en analysant les moyennes obtenues dans chaque compétence de la pensée computationnelle par niveau, on retient les constations suivantes :

Le score global de la pensée computationnelle est corrélé au niveau scolaire des élèves

   L'analyse ANOVA (voir Tableau 6) montre que le comportement des élèves en « repérage des régularité » est identique quel que soit leur niveau scolaire (p=0,454>0,05). Tandis que les trois autres compétences de la PC varient en croissance selon le niveau scolaire de l'élève (Sig<0,05 pour les trois compétences).

Tableau 6 comportement des élèves en « repérage des régularité » tous niveaux confondus.

   Les résultats de l'analyse des compétences inhérentes à la pensée computationnelle des trois groupes testés sont les suivants (Tableau 7).

   Pour l'analyse, la moyenne et l'écart type de chaque élément ont été obtenus, et comme chaque élément est plus que suffisant, la moyenne de réponses correctes par rapport à chaque élément est présentée séparément.

Tableau 7 : statistiques descriptives des scores globaux
par catégorie de compétences tous niveaux confondus.

• Les participants au test de la pensée computationnelle présentent une compétence élevée en ce qui concerne le « repérage des régularités », avec un pourcentage de réponses correctes atteignant 88,15 %. En revanche, leur compétence en « abstraction » est relativement faible (seulement 26,52 % de réponses correctes).

• Le pourcentage de réussite des participants du niveau 1AC (147 élèves) est de 47,41 % de réponses correctes.

• Le pourcentage de réussite des participants du niveau 2AC (148 élèves) est de 56,50 % de réponses correctes.

• Le pourcentage de réussite des participants du niveau 3AC (147 élèves) est de 59,38 %de réponses correctes.

2.2. Analyse des performances des élèves en pensée computationnelle par genre

   Aux fins de l'analyse, la moyenne et les écarts types par sexe ont été obtenus, et les résultats ont été présentés en détail à des fins de comparaison en fonction des compétences de la PC. De la même manière, puisqu'il y a plus que quelques réponses pour chaque élément d'évaluation et chaque groupe.

   Dans l'analyse par genre, les résultats du tableau 8 ont montré que les garçons étaient légèrement plus susceptibles de répondre aux questions que les filles, avec une moyenne de 8,82 pour les garçons et 8,64 pour les filles cette différence n'est pas statistiquement significative (p<0,05).

Tableau 8 Analyse de la variance des compétences
de la pensée computationnelle par genre.

   L'analyse ANOVA montre que la probabilité de signification des quatre compétences de la PC est >0,01 d'où on peut conclure que le genre au niveau des classes du collège n'a aucun effet sur les compétences de la pensée computationnelle.

Conclusion

   En conclusion, cette étude avait pour objectif d'évaluer la pensée computationnelle des élèves du collège en mesurant leurs performances au niveau de quatre compétences à savoir le repérage des régularités, 'la pensée algorithmique, la décomposition et l'abstraction.

   Les résultats obtenus à partir de l'instrument « Computational Thinking Test » qu'on avait adapté pour les 455 élèves répartis sur trois niveaux scolaires ont révélé plusieurs tendances significatives.

   Le score global de la pensée computationnelle est corrélé au niveau scolaire des élèves, démontrant une évolution des compétences en fonction du niveau.

   Les compétences en pensée algorithmique, décomposition et abstraction varient en croissance selon le niveau scolaire tandis que la compétence 'repérage des régularités' est assez développée chez l'ensemble des élèves et reste constante quel que soit leur niveau scolaire,

   Les élèves ont affiché un niveau élevé de compétence en repérage des régularités, dépassant les 88 % de réponses correctes, alors que la compétence en abstraction demeure relativement faible, avec seulement environ 26,52 % de réponses correctes.

   Par ailleurs, bien que les garçons aient montré une légère tendance à répondre légèrement plus souvent que les filles, cette différence n'a pas été statistiquement significative. De plus, l'analyse ANOVA indique que le genre n'a aucun effet sur les compétences de la pensée computationnelle parmi les différents niveaux des classes du collège.

   Ces conclusions suggèrent que l'amélioration des compétences en pensée computationnelle chez les élèves du collège nécessiterait peut-être une attention particulière sur le développement de l'abstraction tout en capitalisant sur la solidité déjà démontrée dans le repérage des régularités. Les résultats soulignent également que les différences de genre ne semblent pas influencer les compétences en pensée computationnelle parmi les élèves du collège, encourageant ainsi une approche éducative égalitaire pour tous.

   Pour résumer, cette étude fournit des indications précieuses pour orienter les efforts visant à renforcer la pensée computationnelle chez les élèves du collège, mettant en lumière des domaines spécifiques nécessitant une attention plus ciblée pour favoriser un développement équilibré de ces compétences essentielles.

Mohamed Taib Mohtadi,
École Supérieure de l'éducation et de la formation
Université Hassan Premier-Settat
Laboratoire LAVETE

Mohamed Droui
École Supérieure de l'Éducation et de la Formation d'Oujda, Maroc

Cet article est sous licence Creative Commons Attribution 4.0 International. https://creativecommons.org/licenses/by/4.0/deed.fr

Références bibliographiques

Bebras, 2022, extrait de
https://www.bebras.org/sites/default/files/Computational_Thinking_Cheat_Sheet.pdf

Bebras, 2023, extrait de (https://bebras.org).

Chen, G., Shen, J., Barth-Cohen, L., Jiang, S., Huang, X. & Eltoukhy, M.(2017). Assessing elementary students'computational thinking in every day reasoning and robotics programming. Computers in Education, 109,162-175.
https://doi.org/10.1016/j.compedu.2017.03.001

Code.org (2019). Retrieved from https://code.org

Corradini, I., Lodi, M. & Nardelli, E. (2017b). Conceptions and Misconceptions about Computational Think-ing among Italian Primary School Teachers. Proceedings of the 2017 ACM Conference on International Computing Education Research, 136-144.
https://doi.org/10.1145/3105726.3106194.

Dagiene, V. & Stupurienė, G. (2016). Bebras–a sustainable community building model for the concept based learning of informatics and computational thinking. Informatics in education, 15(1), 25-44.
https://doi.org/10.15388/infedu.2016.02

DiSessa, A. A. (2000). Changing minds : Computers, learning, and literacy. Cambridge : MIT Press.

Fraillon, J., Ainley, J., Schulz, W., Duckworth, D. & Friedman, T. (2018). International Computer and Information Literacy Study : ICILS 2018 : technical report.

Furber, S. (2012). Shutdown or restart ? The way forward for computing in UK schools. London : The Royal Society.

Grover, S. & Pea, R. (2013). Computational Thinking in K–12 : A Review of the State of the Field. Educational Researcher, 42(1), 38-43.
https://doi.org/10.3102/0013189X12463051

Juškevičienė, A. & Dagienė, V. (2018). Computational Thinking Relationship with Digital Competence. Informatics in Education, 17(2), 265-284.
https://doi.org/10.15388/infedu.2018.14

Kong, S., Lai, M. (2022). Validating a computational thinking concepts test for primary education using item response theory : An analysis of students' responses, Computers & Education, Volume 187,104562,ISSN 0360-1315,
https://doi.org/10.1016/j.compedu.2022.104562.

Lee, I., Martin, F., Denner, J., Coulter, B., Allan, W., Erickson, J., Malyn-Smith, J. & Werner, L. (2011). Computational thinking for youth in practice. ACM Inroads, 2(1), 32-37.
https://doi.org/10.1145/1929887.1929902.

Papert, S. (1980). Mindstorms : children, computers, and powerful ideas. New York : Basic Books.
Extrait de https://dl.acm.org/citation.cfm?id=1095592.

Poulakis, E., Politis, P. (2021). Computational Thinking Assessment : Literature Review, In book : Research on E-Learning and ICT in Education, DOI : 10.1007/978-3-030-64363-8_7.

Relkin, E., Johnson, SK., Bers, MU. (2023). A normative analysis of the TechCheck computational thinking assessment in : Educational Technology & Society.
https://scholar.google.com/scholar?oi=bibs&cluster=15795940551518906431&btnI=1&hl=en

Román-González, M., Moreno-León, J. & Robles, G. (2019). Combining assessment tools for a comprehensive evaluation of computational thinking interventions. In Computational thinking education (p. 79-98). Springer, Singapore.
https://link.springer.com/chapter/10.1007/978-981-13-6528-7_6

Román-González, M., Pérez-González, J. C., Moreno-León, J. & Robles, G. (2018). Can computational talent be detected ? Predictive validity of the Computational Thinking Test. International Journal of Child-Computer Interaction, 18,47-58.
https://doi.org/10.1016/j.ijcci.2018.06.004 .

Román-González, M., Pérez-González, J.-C. & Jiménez-Fernández, C. (2017). Which cognitive abilities underlie computational thinking ? Criterion validity of the Computational Thinking Test. Computers in Human Behavior, 72, 678-691.
https://doi.org/10.1016/j.chb.2016.08.047.

Weintrop, D., Beheshti, E., Horn, M., Orton, K., Jona, K., Trouille, L & Wilensky, U. (2016). Defining Com-putational Thinking for Mathematics and Science Classrooms. Journal of Science Education and Technology, 25(1), 127-147.
https://doi.org/10.1007/s10956-015-9581-5.

Werner, L., Denner, J. & Campe, S. (2014). Using computer game pro-gramming to teach computational thinking skills. Learnin Education And Games, 37. Retrieved from :
https://dl.acm.org/citation.cfm?id=2811150

Werner, L., Denner, J., Campe, S. & Kawamoto, D. C. (2012). The fairy performance assessment : measuring computational thinking in middle school. Proceedings of the 43rd ACM Technical Symposium on Computer Science Education, 215-220.
https://doi.org/10.1145/2157136.2157200.

Wing, J. M. (2006). Computational thinking. Communications of the ACM, 49(3), 33-35.

Wing, J. M. (2008). Computational thinking and thinking about computing. Philosophical Transactions. Series A, Mathematical, Physical, and Engineering Sciences, 366(1881), 3717-3725. Doi :
http://dx.doi.org/10.1098/rsta.2008.0118.

Wing, J. M. (2011). Research notebook : Computational thinking – What and why. The Link Magazine, 20-23.

Yadav, A., Good, J., Voogt, J. & Fisser, P. (2017). Computational think-ing as an emerging competence domain. InTechnical and vocation-al education and training (Vol. 23, p. 1051-1067).
https://doi.org/10.1007/978-3-319-41713-4_49