La fonctionnalité de recherche est en construction.
La fonctionnalité de recherche est en construction.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Open Access
Investigating the Efficacy of Partial Decomposition in Kit-Build Concept Maps for Reducing Cognitive Load and Enhancing Reading Comprehension
Open Access
Étude de l'efficacité de la décomposition partielle dans les cartes conceptuelles de construction de kits pour réduire la charge cognitive et améliorer la compréhension en lecture

Nawras KHUDHUR, Aryo PINANDITO, Yusuke HAYASHI, Tsukasa HIRASHIMA

  • Vues en texte intégral

    255

  • Citer
  • Free PDF (1.3MB)

Résumé:

Cette étude examine l'efficacité d'une approche de décomposition partielle dans les tâches de recomposition de cartes conceptuelles afin de réduire la charge cognitive tout en conservant les avantages des approches de recomposition traditionnelles. Des recherches antérieures ont démontré que la recomposition de la carte conceptuelle, impliquant le réarrangement de concepts et de liens non connectés, peut améliorer la compréhension en lecture. Cependant, cette tâche impose souvent une charge importante sur la mémoire de travail des apprenants. Pour relever ce défi, cette étude propose une approche de recomposition partielle dans laquelle les apprenants sont chargés de recomposer seulement une partie de la carte conceptuelle, réduisant ainsi l'espace du problème. L'approche proposée vise à réduire la charge cognitive tout en conservant les avantages de la tâche de recomposition traditionnelle, c'est-à-dire l'effet d'apprentissage et la motivation. Pour étudier les différences de charge cognitive, d'effet d'apprentissage et de motivation entre la décomposition complète (l'approche traditionnelle) et la décomposition partielle (l'approche proposée), nous avons mené une expérience (N = 78) où les participants ont été divisés en deux groupes de « décomposition complète » et « décomposition partielle ». Le groupe de décomposition complète s'est vu confier la tâche de recomposer une carte conceptuelle à partir d'un ensemble de nœuds et de liens conceptuels non connectés, tandis que le groupe de décomposition partielle a travaillé avec des nœuds et des liens partiellement connectés. Les résultats expérimentaux montrent une réduction significative de la charge cognitive intégrée de la recomposition de la carte conceptuelle dans différentes dimensions, tandis que l'effet d'apprentissage et la motivation restent similaires entre les conditions. Sur la base de ces résultats, il est recommandé aux enseignants d’incorporer des cartes conceptuelles partiellement déconnectées dans les tâches de recomposition afin d’optimiser la gestion du temps et de maintenir la motivation des apprenants. En mettant en œuvre cette approche, les instructeurs peuvent conserver les ressources cognitives et allouer l'énergie et le temps économisés à d'autres activités qui améliorent le processus d'apprentissage global.

Publication
IEICE TRANSACTIONS on Information Vol.E107-D No.5 pp.714-727
Date de publication
2024/05/01
Publicisé
2024/01/11
ISSN en ligne
1745-1361
DOI
10.1587/transinf.2023EDP7145
Type de manuscrit
PAPER
Catégories
Technologie educative

1. Introduction

La compréhension écrite est la capacité de comprendre un texte et de créer une représentation mentale des connaissances acquises à partir du texte lu [1]. La compréhension écrite nécessite une compréhension structurée du texte et la capacité de transformer la tâche de lecture de la reconnaissance de phrases en la construction de propositions, puis en compréhension du thème, elle nécessite donc un engagement élevé et des compétences élevées en traitement de texte [2].

La carte conceptuelle [3] est une méthode qui fournit une telle manipulation pour soutenir l'organisation des connaissances. La carte conceptuelle est une notation graphique pour représenter et organiser les connaissances. Il a une structure hiérarchique montrant les relations conceptuelles du sujet. La carte conceptuelle se compose de concepts sous forme de nœuds et d'expressions relationnelles sous forme de liens. Un lien relie les concepts entre eux pour créer une unité de connaissances significative appelée proposition. Ainsi, une proposition est constituée d'un concept de départ ― le concept source, connecté à un autre concept ― le concept cible, via une phrase relationnelle ― un lien. De nombreuses études ont étudié les effets et les bénéfices de la cartographie conceptuelle sur la compréhension en lecture [4]-[6]. La carte conceptuelle donne au lecteur la possibilité de relier différents éléments de connaissances quel que soit leur ordre dans la transcription. Il aide également les lecteurs à établir des liens entre leurs connaissances antérieures et les nouvelles connaissances qu'ils acquièrent en lisant, ce qui constitue une partie importante du processus de compréhension en lecture [3], [7].

En général, la cartographie conceptuelle a été présentée sous deux formes : construire une carte conceptuelle à partir de zéro, c'est-à-dire une carte conceptuelle ouverte, et construire une carte conceptuelle à partir de nœuds et de liens prédéfinis, c'est-à-dire une carte conceptuelle fermée (CCM) [8], [9]. Dans une activité de cartographie conceptuelle ouverte, les apprenants commencent avec une toile vide et progressent pour construire leur carte conceptuelle. Au contraire, dans une activité CCM, les apprenants utilisent un ensemble fini de concepts et de liens pour construire leur carte conceptuelle.

La carte conceptuelle Kit-Build (ou Kit-Build), qui adopte l'approche CCM, restreint davantage l'activité de cartographie conceptuelle à un ensemble de composants de carte conceptuelle fournis par des experts ou des enseignants [10], [11] visant à faciliter une compréhension commune. Dans l’approche Kit-Build, les experts du domaine ou les enseignants créent une carte conceptuelle (carte experte) d’un sujet d’apprentissage et les apprenants recomposent la carte experte en utilisant l’ensemble fini de concepts et de liens générés par la décomposition de la carte experte – le kit. La décomposition de la carte conceptuelle est par nature réalisée en déconnectant toutes les connexions entre les liens et les nœuds conceptuels de la carte experte. L'approche de décomposition complète (FD) d'une carte conceptuelle Kit-Build fait référence à cette méthode de décomposition. La figure 1 b) montre cette manière traditionnelle de générer un kit à partir d'une carte experte.

Fig. 1  Un exemple de carte experte et les deux approches de décomposition.

Dans l'approche Kit-Build, les apprenants sont capables de se concentrer sur la reconnaissance de composants donnés et sur les relations entre eux puisqu'ils ne sont pas obligés de créer eux-mêmes des composants (nœuds et liens). On s’attend donc à ce que cela favorise la compréhension structurelle. Une étude précédente a montré la supériorité de la recomposition de la carte conceptuelle Kit-Build par rapport à la méthode de synthèse pour soutenir la compréhension en lecture [12]. Il a été confirmé que Kit-Build est aussi efficace que la cartographie conceptuelle ouverte en compréhension écrite et le surpasse même dans la tâche de rétention sur une période de deux semaines [13].

Dans les études de la carte conceptuelle Kit-Bulid, la compréhension des apprenants est définie comme leur capacité à comprendre les perspectives des autres, ce que l'on peut appeler compréhension empathique. Il se concentre moins sur l’obtention de la bonne réponse que sur la compréhension de la façon dont quelqu’un d’autre perçoit une situation. Il est donc crucial de souligner que l'absence des idées d'un apprenant dans la carte experte n'implique pas nécessairement que ses idées sont incorrectes, mais soutient plutôt les apprenants dans leur communication. Pour une communication efficace, l’expert décide des connaissances idéales à partager par les apprenants à travers la carte experte. Les éléments de la carte experte servent d’échafaudages pour améliorer cette communication. Dans le contexte apprenant-éducateur, l'apprenant a la possibilité de réfléchir sur sa compréhension via la compréhension des éducateurs, c'est-à-dire en recomposant une carte d'experts. Dans le contexte apprenant-apprenant comme dans le cas du KitBuild réciproque [14], les apprenants tentent activement de construire la carte de leur partenaire, favorisant ainsi une communication efficace entre eux. Être conscient à la fois de la compréhension de l'autre et de la sienne peut favoriser un environnement propice à une discussion plus efficace. Cette prise de conscience aide les apprenants à apprécier les variations ou les écarts de compréhension entre les apprenants ou avec l'éducateur. Considérer l’apprentissage comme une activité sociale souligne que cette facilitation de la communication favorise intrinsèquement l’apprentissage lui-même.

Par conséquent, recomposer un kit dans la carte conceptuelle nécessite les compétences nécessaires pour saisir la compréhension d'un autre individu (généralement l'enseignant dans le cadre éducatif), ce qui nécessite un engagement élevé de la part de l'apprenant [15]. De plus, la carte experte n'est pas affichée lors de l'activité de recomposition de Kit-Build, encourageant les apprenants à bien réfléchir à la manière de former les propositions attendues en utilisant uniquement les composants donnés. Par conséquent, la tâche met beaucoup de pression sur la mémoire de travail des apprenants en raison du manque de compréhension entre l'apprenant et l'auteur de la carte. Les apprenants doivent comprendre de manière récursive les nœuds conceptuels individuels, reconnaître deux concepts liés et trouver le lien le plus approprié pour recréer les propositions jusqu'à ce que l'ensemble de la carte conceptuelle soit entièrement recomposée en la carte experte. La pression exercée sur la mémoire de travail de l'apprenant lors de la tâche de recomposition de la carte conceptuelle de Kit-Build pourrait entraver ses performances d'apprentissage, comme l'a confirmé une étude précédente [9]. Ainsi, une méthode plus efficace pour la tâche de recomposition de la carte conceptuelle Kit-Build est fortement demandée. Une tâche de recomposition efficace minimise le gaspillage des ressources limitées de la mémoire de travail pendant la tâche de recomposition en réduisant la charge cognitive des apprenants sans sacrifier les avantages de l'apprentissage.

Dans la théorie de la charge cognitive (CLT), il existe plusieurs suggestions pour réduire la charge cognitive inutile en fonction du type d'activité. Une de ces suggestions applicables est l'achèvement partiel car il réduit la taille de l'espace du problème et permet aux apprenants d'atteindre les solutions plus rapidement [16]. Sur la base de cette suggestion, cet article propose une nouvelle technique de génération de kits dans laquelle toutes les propositions d'une carte experte ne sont que partiellement disséquées.

Dans cette approche, au lieu de déconnecter les concepts source et cible du lien lors de la génération du kit, le concept source peut rester connecté à son lien correspondant tandis que le concept cible est déconnecté pour toutes les propositions de la carte conceptuelle experte. Nous appelons cette approche de décomposition, Target Search Decomposition (TSD). La figure 1 montre un exemple de génération de kit pour une carte experte utilisant à la fois les approches FD et TSD. La figure 1 a) est une carte experte utilisée à des fins de démonstration. La figure 1 b) est un kit généré à partir de la carte experte en utilisant l'approche FD traditionnelle. Le kit se compose d'un ensemble complet de concepts et de liens issus de la carte experte, sans aucun lien entre eux. L'apprenant doit utiliser ce kit pour recomposer toutes les propositions vers la carte experte sans pouvoir se référer à la carte experte à aucun stade de la recomposition. Au contraire, la figure 1 c) est un kit généré via l'approche TSD. Le kit se compose d'un ensemble complet de concepts et de liens issus de la carte experte où le lien entre le concept de départ et le lien est préservé. L'apprenant est censé compléter les connexions pour tous les liens pour recomposer la même carte experte ; de même sans se référer à la carte experte lors de la recomposition.

Dans la génération du kit FD, même si les apprenants connaissent la proposition correcte, ils seraient confrontés à la tâche difficile de rechercher manuellement toutes les parties de la carte conceptuelle donnée pour trouver les éléments appropriés pour chaque proposition qui ne contribueraient pas nécessairement au processus d'apprentissage et pourraient drainer l’énergie des apprenants. Avec TSD, les apprenants peuvent réduire la tâche de recherche répétitive au seul concept cible, réduisant ainsi considérablement l'espace de recherche. Cette réduction affecte la tâche de recomposition du kit TSD en mettant moins de charge sur la mémoire de travail puisque l'apprenant a besoin de conserver moins d'informations dans la mémoire de travail lors de la recherche du concept cible. De plus, cette réduction devrait accélérer le processus de recomposition en toute sécurité en gardant l'apprenant engagé dans la tâche importante de finalisation de la proposition. Pour compléter la proposition en recherchant le concept cible, l'apprenant doit revoir la proposition plusieurs fois pour s'assurer que le concept cible correspond à la proposition, ce qui est censé améliorer la compréhension.

Les changements dans la charge cognitive peuvent influencer les résultats d’apprentissage puisque la charge cognitive fait partie du processus d’apprentissage. Ainsi, dans cette recherche, nous étudions l'effet de la recomposition du kit TSD sur la charge cognitive et la qualité de l'apprentissage, contrairement à l'approche de recomposition du kit FD. De même, les changements dans la charge cognitive peuvent avoir un impact sur l’état motivationnel des apprenants, affectant par la suite la faisabilité de l’approche proposée. La raison de cet effet réside dans la forte interconnexion entre la motivation et la charge cognitive. Lorsqu'un défi ne correspond pas aux compétences des apprenants, cela peut entraîner une perte de motivation et un épuisement mental des apprenants [17]. Maintenir des niveaux élevés de motivation parmi les apprenants lors de l’utilisation des outils pédagogiques est un aspect crucial affectant l’efficacité de ces outils [18]. En effet, la motivation des apprenants est un élément clé pour améliorer les performances d'apprentissage et surmonter les défis [19], [20]. Par conséquent, nous sommes préoccupés par le cas où la diminution de la charge cognitive conduit à des tâches plus faciles à un point tel que les apprenants perdent la motivation de s'engager dans l'activité d'apprentissage. L'état de flux est l'une des méthodes proposées pour capturer l'état de motivation optimal des individus [17], [21]. De plus, lorsque les apprenants se trouvent dans un état de motivation optimal, où les compétences et les défis sont bien équilibrés, les apprenants ont tendance à donner une mauvaise idée de leur charge cognitive vécue. [17] indiquent que les personnes peuvent signaler une faible charge cognitive sur les mesures subjectives autodéclarées, même si la charge cognitive ressentie était élevée. Il s’agit d’une limitation des métriques subjectives de la charge cognitive que nous souhaitons contrôler entre les conditions.

Voici les questions de recherche étudiées dans cette étude : Si l'activité de recomposition de la carte conceptuelle de l'approche TSD affecte : 1. La charge cognitive. 2. État du flux. 3. Compréhension écrite : 3a. Compréhension écrite immédiate. 3b. Rétention de la compréhension écrite. Dans la première question, nous visons à évaluer et décrire les effets du TSD sur la charge cognitive. La deuxième question donne un aperçu des changements qui pourraient survenir dans la nature de l'activité en termes de difficulté par rapport à la compétence des apprenants (c'est-à-dire l'état de flux) d'une part, et d'autre part, elle est utilisée pour confirmer la force. des métriques de charge cognitive. La troisième question montre l'importance et la valeur des changements qui peuvent survenir en termes de qualité d'apprentissage. Cette dernière question peut montrer si les changements dans la méthode de décomposition méritent l’attention de la communauté éducative.

Les résultats expérimentaux montrent que la recomposition des kits TSD présente des avantages significatifs en milieu éducatif. Par rapport au groupe FD, les apprenants TSD subissent une charge cognitive inférieure alors que leur motivation est toujours intacte. Cela signifie que la charge cognitive réduite est réelle. De plus, leur activité ne devient pas moins difficile en raison du rétrécissement de l'espace problématique. Plus important encore, les résultats montrent que la qualité d’apprentissage de la cartographie conceptuelle Kit-Build avec la génération de kits conventionnels est maintenue malgré une charge cognitive réduite dans différentes dimensions. Cela confère ainsi à la technique TSD un avantage global significatif.

2. Contexte et revue de la littérature

2.1 Carte conceptuelle et types de construction

La carte conceptuelle est un diagramme graphique qui représente les connaissances sous la forme de concepts et de relations interdépendants. Les individus pourraient mettre leur compréhension dans des cartes conceptuelles. Ils pourraient alors utiliser la carte pour transmettre leurs idées aux autres plus efficacement. La structure visuelle d’une carte conceptuelle pourrait rendre claires et apparentes les informations importantes et les relations entre les idées.

Des études antérieures ont révélé que l'intégration d'activités d'apprentissage avec des cartes conceptuelles pourrait améliorer considérablement les performances des élèves en matière de résolution de problèmes [22]-[24]. En plus de promouvoir un apprentissage significatif pour les étudiants, l'utilisation de cartes conceptuelles dans l'apprentissage pourrait potentiellement améliorer les intérêts et les résultats d'apprentissage des étudiants mieux que les exposés d'apprentissage traditionnels [25]. Selon [26], la cartographie conceptuelle a le potentiel d’améliorer les interactions enseignant-élève et de favoriser la génération et l’expansion des connaissances. Même si des études antérieures ont indiqué divers défis et limites dans l’utilisation des cartes conceptuelles dans les pratiques académiques tant pour les enseignants que pour les étudiants [27], [28], les cartes conceptuelles peuvent être acceptées comme méthode alternative d’apprentissage [29].

Essentiellement, il existe deux types d’approches de cartographie conceptuelle en termes de manière dont une carte conceptuelle est construite ou développée. La première approche offre une méthode flexible dans laquelle les auteurs partent d’une toile vierge, leur permettant d’incorporer et de personnaliser librement leurs propres intérêts, connaissances et ressources externes dans la carte conceptuelle. Cette approche est communément appelée carte conceptuelle ouverte (OCM) [30]. La deuxième approche est appelée carte conceptuelle fermée (CCM). Dans l'environnement CCM, l'auteur dispose d'un ensemble fini de concepts et de liens présélectionnés offrant une activité cognitive différente. La stratégie d'apprentissage CCM pourrait aider les enseignants à évaluer la compréhension des élèves et à améliorer la qualité de leur enseignement [31].

Cette recherche utilise des cartes conceptuelles comme organisateurs graphiques. En adoptant des cartes conceptuelles, les individus peuvent organiser et représenter efficacement leur compréhension d'un sujet. Cette recherche se concentre spécifiquement sur la recomposition de la carte conceptuelle de l'enseignant, où les apprenants sont chargés de réorganiser et de rétablir les interconnexions entre les concepts et les relations telles que comprises par l'enseignant pour créer une compréhension partagée au sein de la classe. Une telle compréhension contribue à faciliter une communication, une collaboration et une résolution de problèmes efficaces.

2.2 Carte conceptuelle de recomposition en kit

Hirashima et coll. [10] ont introduit une cartographie conceptuelle de recomposition connue sous le nom de Kit-Build qui adopte l'approche CCM. Comme mentionné dans l'introduction, dans Kit-Build, les apprenants réorganisent un ensemble de composants de carte conceptuelle créés à partir de la carte conceptuelle experte. La carte conceptuelle experte dans le cadre de cette étude fait référence à la carte idéale selon la compréhension d'un professionnel en la matière. La carte d'experts sert de base de référence permettant aux apprenants d'avoir une compréhension commune sur un sujet particulier. Le professionnel est l’enseignant en milieu pédagogique. Les étapes de base d'une activité Kit-Build sont les suivantes : 1) L'expert crée une carte conceptuelle pour un matériau. 2) La carte conceptuelle experte est ensuite décomposée en ses parties de base en supprimant les connexions, créant ainsi un kit de concepts et de liens. 3) Le kit est ensuite remis aux apprenants pour qu'ils le recomposent à la carte experte.

En Kit-Build, kit fait référence aux éléments qui composent une proposition. Dans une proposition, il y a deux concepts reliés par un seul lien. L'un de ces concepts est connu sous le nom de concept source. Ce concept représente le « sujet » ou « l'agent » au sein de la proposition. Il désigne généralement l'entité réalisant l'action ou décrite par la proposition. Le deuxième concept est appelé concept cible. Il sert de « prédicat » ou de « complément » au sein de la proposition, fournissant souvent des informations sur l'action ou la description associée au sujet. Par exemple, dans la proposition « Le poisson vit dans l'eau », le concept source est « Poisson » et le concept cible est « dans l'eau ». Lors de la génération du kit, la formation des concepts source et cible est automatiquement dérivée de la carte experte sur la base de la décision de l'expert.

Le concept de recomposition étant au cœur de notre étude, dans les sections suivantes, nous approfondirons les aspects clés de la recomposition d’un point de vue théorique et pratique.

2.2.1 Défi et valeur d'apprentissage de la recomposition : perspective théorique

D’un point de vue théorique, la recomposition apparaît comme un processus cognitif exigeant. Lorsque les apprenants se lancent dans la recomposition d’une carte conceptuelle à partir de ses composants spécifiés, la première étape consiste à reconnaître correctement ces composants. Toute mauvaise interprétation à ce stade peut entraver l’ensemble du processus de recomposition. Par la suite, les apprenants doivent comprendre la signification de chaque élément et établir des liens qui forment des propositions significatives. Compte tenu des vastes possibilités de connexions, il est primordial d'identifier les propositions appropriées pour représenter l'essence du contenu cible. De plus, reconnaître la structure en cours de recomposition est crucial pour mener à bien la recomposition. Par exemple, des recherches antérieures [32] ont rapporté que les apprenants qui recomposent des parties spécifiques d’une carte conceptuelle obtiennent séquentiellement de meilleurs résultats d’apprentissage que les apprenants qui recomposent une carte conceptuelle de manière aléatoire. Cette analyse théorique souligne que la recomposition est loin d’être une simple tâche de réplication ; cela implique une compréhension profonde de la signification et de la structure de la carte.

La recomposition constitue un outil puissant d'apprentissage, principalement parce qu'elle nécessite l'engagement actif des processus cognitifs des apprenants. Dans le processus de recomposition, les apprenants doivent s’appuyer sur leur compréhension individuelle. Reconnaître correctement les composants, formuler des propositions et identifier les sous-structures exigent tous l'application de leur propre compréhension. En conséquence, la recomposition encourage intrinsèquement les apprenants à réfléchir sur leur compréhension. Les apprenants ne peuvent pas terminer la recomposition si leur compréhension est insuffisante ou erronée. Ainsi, la recomposition sert de mécanisme par lequel les apprenants prennent conscience des lacunes ou des inexactitudes dans leurs connaissances, ce qui les motive à améliorer leur compréhension.

2.2.2 Preuve de la valeur d'apprentissage et du défi de la recomposition : perspective pratique

La recomposition, en tant que concept, n’est pas simplement théorique ; il trouve une validation dans des contextes éducatifs pratiques. Nos expériences au niveau universitaire démontrent que la recomposition n’est pas une tâche facile, même pour les étudiants de ce niveau. L’efficacité des cartes conceptuelles de recomposition a été démontrée dans plusieurs études ciblant les étudiants universitaires, pour n’en citer que quelques-unes [14], [32]-[38]. Ces études ont systématiquement fait état de réalisations significatives, fournissant un soutien empirique aux fondements théoriques de la carte conceptuelle de recomposition.

Dans une enquête récente de [38], l'importance des cartes conceptuelles Kit-Build pour favoriser une pensée d'ordre supérieur a été explorée. Les étudiants de premier cycle ont été soumis à deux conditions : OCM et recomposition Kit-Build. L’étude a révélé que Kit-Build était plus efficace pour améliorer les capacités de réflexion de niveau supérieur que l’OCM. Les auteurs soutiennent que la cartographie conceptuelle Kit-Build permet aux étudiants d'allouer davantage de ressources cognitives à l'organisation et à l'intégration des connaissances, plutôt que de s'arrêter dans la définition des concepts. En déchargeant les élèves des tâches d'ordre inférieur telles que la définition de concepts, ils peuvent s'engager plus profondément dans des activités cognitives d'ordre supérieur, telles que l'analyse des relations et la synthèse de concepts, améliorant ainsi leurs capacités de réflexion d'ordre supérieur.

Une autre étude a proposé une cartographie conceptuelle réciproque du Kit-Build. L'étude a été mise en œuvre dans une salle de classe réelle, permettant la reconstruction de la carte conceptuelle d'un partenaire. La méthode proposée a révélé de meilleures discussions en binôme sur les différences entre les cartes avant de collaborer pour construire une nouvelle carte. Cette approche a été jugée utile pour susciter des idées, comprendre les partenaires et intégrer diverses perspectives [14], [34]. De plus, Pinandito [39] a montré que Kit-Build surpasse l'OCM traditionnel dans les environnements collaboratifs, notamment en favorisant des discussions significatives entre les étudiants et en améliorant les résultats d'apprentissage globaux. L'approche Kit-Build encourage les étudiants à s'engager dans des discussions sur le contenu des cartes conceptuelles, en déplaçant l'attention des questions procédurales. L'étude a également révélé que Kit-Build stimule les étudiants à explorer et à contempler des idées au-delà de celles suggérées par les composants prescrits, favorisant ainsi la curiosité et créant une « diffusion d'effets » qui les motive à considérer des idées supplémentaires.

2.3 Charge cognitive dans la recomposition de la carte conceptuelle de la construction de kits

La charge cognitive dans l'apprentissage concerne la quantité d'informations ou de méthodes pédagogiques traitées dans la mémoire de travail d'une personne au cours des activités d'apprentissage [16]. Étant donné que les étudiants ont une capacité limitée de mémoire de travail pour traiter de nouvelles informations, les instructeurs devraient manipuler efficacement la mémoire de travail des étudiants avec des activités ou des tâches d'apprentissage qui contribuent directement à l'apprentissage [40]-[42].

Trois catégories de charges sont définies par CLT : la charge intrinsèque, la charge externe et la charge pertinente. [43], [44] expliquent chaque catégorie du CLT comme suit. La charge intrinsèque est une charge liée à la nature du matériau et généralement, elle ne peut pas être ajustée. En revanche, une charge superflue est générée par un format pédagogique inapproprié. Cela est lié à l’effort cognitif qui ne contribue pas à la compréhension du sujet. Enfin, la charge pertinente fait référence à l'utilisation des ressources mémoire pour faire face à la charge intrinsèque. Les tâches d'apprentissage doivent être conçues de manière à ce que la capacité de mémoire de travail disponible soit utilisée efficacement pour obtenir le meilleur retour sur investissement en effort mental. Cela signifie que la charge superflue doit être minimisée afin de libérer la capacité de la mémoire de travail, ce qui peut permettre une augmentation des ressources de travail consacrées à la charge cognitive intrinsèque (également appelée traitement germane).

Plusieurs études suggèrent que la composition d'une carte conceptuelle est difficile et prend du temps [29], [45] et qu'elle nécessite également un effort important pour composer une carte conceptuelle de bonne qualité pour l'enseignement [28], soutenant ainsi le processus de rédaction en réduisant la charge. est nécessaire [28], [46]. La composition de cartes conceptuelles à partir de concepts ou de liens présélectionnés est considérée comme plus bénéfique pour les étudiants, réduisant ainsi la charge d'apprentissage [47], [48].

Un cadre d'apprentissage, qui applique la stratégie de recomposition de la carte conceptuelle, est la Kit-Build Concept Map [10], [11]. Lors de son utilisation préliminaire, Kit-Build Concept Map a été utilisé pour aider les enseignants à diagnostiquer la compréhension des élèves. Des études récentes liées à la cartographie conceptuelle du Kit-Build ont montré comment elle pourrait aider à la fois les enseignants et les étudiants dans l'apprentissage [28], [37], [49].

La nature de l’activité de carte conceptuelle Kit-Build nécessite que l’apprenant conserve plusieurs éléments d’information dans la mémoire de travail tout en recherchant le nœud correspondant. Comme décrit par [9], la recomposition d'une proposition dans la carte conceptuelle Kit-Build peut se faire dans n'importe quel ordre Concept-Link-Concept (CLC) ou Concept-Concept-Link (CCL) ou Link-Concept-Concept (LCC). Dans CLC, l'apprenant recherche d'abord un concept source, puis recherche un lien approprié tout en gardant en mémoire les informations sur le concept source. Enfin, l'apprenant doit rechercher le concept cible tout en gardant en mémoire les informations du concept source et du lien. De même, CCL nécessite de trouver d’abord le concept source et de le conserver en mémoire. Trouver ensuite le concept cible avant de chercher le lien approprié entre eux. Encore une fois tout en gardant en mémoire les informations sur les deux concepts. Dans l'approche LCC, le lien est d'abord défini, puis l'apprenant recherche le concept source tout en gardant en mémoire les informations sur le lien. Après avoir trouvé le concept source approprié, la recherche du concept cible démarre tout en gardant en mémoire les informations précédemment trouvées. Ces processus de recherche sont répétés pour chaque proposition jusqu'à ce que tous les nœuds fournis soient reconnectés, recomposant les propositions supposées correctes de la même manière que la carte experte. [9] ont tenté de réduire la charge cognitive de la recomposition de la carte conceptuelle Kit-Build en introduisant ainsi une organisation de mise en page automatique, supprimant ainsi la charge de positionnement des éléments de la carte conceptuelle. Les résultats montrent bien une réduction de la charge cognitive en termes de temps d’activité mais au détriment de la qualité de l’apprentissage.

En introduisant la recomposition partielle dans cette étude, nous modifions la conception pédagogique du Kit-Build de telle sorte que l'apprenant soit autorisé à faire moins de recherches pour recomposer chaque proposition. En CLT, cette approche est décrite comme une complétion partielle [16]. On dit que l’achèvement partiel pourrait réduire la charge cognitive superflue en réduisant l’espace de recherche. Ainsi, nous définissons une nouvelle approche pour générer le kit de recomposition dans la carte conceptuelle Kit-Build appelée Target Search Decomposition (TSD). Dans TSD, le kit généré a son concept source et son lien intacts pour chaque proposition. La réduction de l'espace de recherche pourrait avoir des impacts positifs sur l'apprentissage et la charge cognitive, car l'apprenant est autorisé à conserver le moins d'informations possible en mémoire, ce qui entraînerait un travail moins répétitif et une concentration accrue. Cela pourrait également avoir un impact négatif sur l’apprentissage, car cela pourrait rendre les apprenants moins impliqués dans chaque élément du kit donné. Ces inconnues nécessitent d’étudier l’impact du TSD sur la charge cognitive et l’apprentissage.

2.4 Flux dans l'activité de recomposition de la carte conceptuelle de construction de kits

Le flow est un état mental psychologique qui se produit lorsque les personnes sont complètement immergées ou engagées dans une activité. Le flux, appelé état optimal de motivation, peut être expérimenté dans la vie quotidienne, y compris, mais sans s'y limiter, les activités sportives, éducatives et créatives [50]. Le flux correspond également fortement à une expérience positive et est lié à la performance maximale de chacun [51].

Lors de l'apprentissage, l'état de flux peut être atteint lorsque les apprenants se concentrent totalement et apprécient en même temps les activités d'apprentissage. Selon le modèle de flux, le flux se produit lorsque le niveau de compétence actuel des apprenants et le niveau de défi d'une tâche d'apprentissage sont équilibrés à leur plus haut niveau [52]. En accomplissant la tâche tout en étant dans cet état de flux, les apprenants pourraient éprouver plus de plaisir, d'émotion et de bonheur en pratiquant l'activité ; par conséquent, un apprentissage plus profond et des niveaux de satisfaction plus élevés sont atteints (52). Étant donné que le flux peut déclencher des performances optimales, il devient essentiel de faire entrer les étudiants dans l'état de flux pendant les activités d'apprentissage. La manière dont les enseignants conçoivent et constituent l’environnement d’apprentissage pour qu’il soit plus agréable et plus amusant est nécessaire pour garantir une expérience d’apprentissage optimale. Garder les apprenants dans le flux conduit à une meilleure utilisation des outils pédagogiques et à un environnement d’apprentissage plus efficace.

3. Méthodologie

Dans cette section, nous fournissons un aperçu détaillé de la conception et des procédures expérimentales afin de clarifier le but et le contexte de l’expérience. L'objectif principal de notre étude était d'étudier l'impact de différents niveaux de décomposition de la carte conceptuelle (TSD et FD) sur la compréhension en lecture. Pour y parvenir, nous avons utilisé une conception prétest-post-test entre sujets. Les données collectées englobent une gamme de variables, notamment les scores de compréhension en lecture, les mesures de la charge cognitive et les expériences de flux. Ces données ont été collectées au moyen d’une série de tâches soigneusement conçues, décrites ci-dessous. Notre analyse de ces données nous permettra de tirer des conclusions sur l’efficacité des niveaux de décomposition des cartes conceptuelles pour améliorer la compréhension en lecture, mettant en lumière leurs implications pédagogiques. La figure 2 montre la chronologie de l'expérience. L'expérience comprenait deux phases distinctes, la phase principale et une phase retardée facultative.

Fig. 2  Chronologie de l'expérience

La phase principale comprenait les tâches suivantes :

  1. Répondez à un questionnaire démographique.
  2. Lisez les instructions d’utilisation de l’outil Kit-Build.
  3. Créez une carte de formation à l’aide de l’outil Kit-Build.
  4. Lisez un récit.
  5. Passez le pré-test de compréhension écrite.
  6. Complétez l’activité principale en fonction de la condition.
    1. Condition TSD : Recomposer une carte conceptuelle à partir d'un kit où le concept source était déjà connecté à son lien correspondant dans chaque proposition.
    2. Condition FD : Recomposer une carte conceptuelle à partir d'un kit où le concept source, le lien et le concept cible ont été déconnectés pour toutes les propositions.
  7. Répondez à un questionnaire sur la charge cognitive.
  8. Répondez à un questionnaire de mesure de débit.
  9. Passez le post-test de compréhension écrite.

Les participants ayant terminé avec succès toutes les tâches de la phase principale ont été invités à participer à la phase différée. La phase différée a été mise en œuvre 2 semaines après la phase principale. Il s’agissait d’une seule tâche, à savoir le test de compréhension en lecture différée. Le test était exactement le même que le test de compréhension écrite des phases principales.

3.1Participants

Un échantillon de 78 adultes (39 pour chaque condition) a été recruté via une plateforme de crowdsourcing en ligne Amazon Mechanical Turk également connue sous le nom de MTurk [53]. Semblables aux méthodes de recrutement traditionnelles, les données collectées à l’aide du recrutement MTurk sont fiables et même meilleures à certains termes [54], [55]. La tâche de recrutement a été publiée et gérée via CloudResearch, une plateforme de crowdsourcing en ligne pouvant être liée à MTurk. CloudResearch facilite la gestion des tâches et étend la fonctionnalité MTurk pour permettre d'appliquer des critères supplémentaires au processus de recrutement [56], [57].

Les participants ont été recrutés du 19 juillet 2021 au 14 août 2021. L'accessibilité des tâches de recrutement a été limitée à la « Liste approuvée par CloudResearch » uniquement pour garantir la haute qualité des données et éviter les programmes automatisés. De plus, afin de maintenir la cohérence de la langue et du contexte, les participants devaient résider aux États-Unis ou au Canada, car le système et l'expérience étaient menés en anglais américain. De plus, les participants étaient soumis à des critères d'éligibilité spécifiques, notamment un taux d'approbation minimum de 98 % sur la plateforme et un record d'accomplissement de plus de 5000 XNUMX tâches sur MTurk. Les participants ont été assignés à chaque condition de manière aléatoire et permanente, aucun échange n'était autorisé. Les participants qui ont accompli la tâche initiale ont reçu une compensation de \(\$6.00\), avec un paiement supplémentaire distinct de \(\$0.80\) pour ceux qui ont participé plus tard à la phase différée. Les récompenses fournies visent à reconnaître et à apprécier les participants pour leur temps et leurs efforts dans l'étude.

3.2 Matériel

Le récit, les questions de compréhension et la carte d'experts ont été adaptés d'un matériel d'étude précédent [15]. Le texte narratif1 est basé sur un article Wikipédia sur le dragon de Komodo mais modifié et raccourci à 442 mots sans contenu graphique. Les questions de compréhension comprenaient 10 éléments à choix multiples portant sur le contenu du matériel. Chaque question comporte 4 options dont une bonne réponse. La séquence de questions et leurs options correspondantes pour chaque apprenant ont été mélangées entre les tests de compréhension préalable, postérieur et différé afin de réduire les chances de mémorisation. La carte experte était composée de 17 propositions. À partir de cette carte experte, deux versions du kit ont été générées pour les deux conditions. La condition TSD a reçu un kit généré à l’aide de l’approche proposée ; tandis que la condition FD a reçu un kit utilisant l'approche traditionnelle.

Un questionnaire d’effort mental autodéclaré [58] et de difficulté perçue [59] a été utilisé pour mesurer la charge cognitive imposée par la recomposition de la carte conceptuelle pour les deux conditions. L’effort mental et la difficulté perçue sont importants pour mesurer la charge cognitive [59], [60]. Le questionnaire d’effort mental est une méthode subjective indirecte largement validée et réputée sensible à des différences relativement faibles de charge cognitive [61], [62]. Il a été demandé aux participants de réfléchir à leur effort mental sur une échelle de type Likert en 7 points allant de « Effort mental très faible » à « Effort mental très élevé ». Tandis que le questionnaire de difficulté perçue est une mesure subjective directe de la charge cognitive [63]. La question demande aux participants de réfléchir à leur perception de la difficulté de la tâche sur une échelle de type Likert en 7 points allant de « Très facile » à « Très difficile ». Les deux questionnaires ont été confirmés et utilisés de manière adéquate dans des recherches antérieures connexes par [9] pour mesurer les mêmes variables de difficulté perçue et d'effort perçu. En plus des méthodes subjectives, le comportement de l'utilisateur lors de la recomposition de la carte conceptuelle a été capturé pour mesurer le « temps passé sur la tâche » et le « nombre d'actions par proposition » pendant l'activité de recomposition. Ces variables sont considérées comme des mesures objectives indirectes valides de la charge cognitive [63].

L'échelle courte de débit adoptée à partir de [21] a été utilisée pour mesurer l'état du débit pendant la recomposition de la carte pour les deux conditions. Le test a été utilisé et validé par de nombreux travaux de recherche [9], [64], [65]. Le test était composé de 10 items avec une échelle de type Likert en 7 points.

3.3 Procédure

Un outil en ligne a été construit et utilisé pour cette expérience nommé Kit-Build concept map. Les participants ont utilisé MTurk pour se connecter à l'outil et parcourir le formulaire de consentement. Dans le formulaire de consentement, ils ont été informés du but de l'expérience, de la collecte et de l'utilisation des données, ainsi que de la possibilité de quitter l'expérience à tout moment. Les participants ont également été informés de la possibilité de réaliser un test de suivi (test différé) pour ceux qui terminent avec succès les tâches en cours. Des questions démographiques ont suivi l'accord de consentement. Les questions démographiques portaient sur le sexe, l'âge et le niveau d'éducation.

Ensuite, ils lisent les instructions d'utilisation de l'outil et le déroulement des tâches requises. Ils ont également été informés de la durée maximale que pourrait prendre l’expérience. À ce stade, ils ont appris qu'une fois passés à l'étape suivante, toutes les étapes restantes seront automatiquement chronométrées à un maximum de 5 minutes, à l'exception d'une activité de recomposition de carte qui durera 20 minutes. Il est donc conseillé de continuer à se concentrer sur l'expérience et de ne pas passer à des tâches externes. La limite de temps a pour but de maintenir l'engagement des participants dans l'expérience et d'éviter toute distraction par d'autres tâches. Après la section d'instructions de l'outil, ils ont lancé une carte de formation pour se familiariser avec les fonctionnalités de l'outil. La carte conceptuelle de la formation n’avait aucun rapport avec le reste de l’expérience.

Ensuite, le matériel de lecture du dragon de Komodo a été donné aux participants à lire, suivi du test de compréhension après lecture (pré-test). Après le pré-test, les participants ont reçu un kit à recomposer en fonction de leur état. La condition FD a reçu un kit entièrement décomposé tandis que la condition TSD a reçu un kit basé sur l'approche TSD où la première moitié de la proposition (nœud de concept source et le lien correct) était connectée alors que le concept cible ne l'était pas. La durée de cette tâche était de 20 minutes et l'apprenant ne pouvait pas passer à l'étape suivante jusqu'à ce que la carte conceptuelle soit complètement et correctement recomposée ou que la période de temps désignée soit terminée. En ce sens, les apprenants pourraient soumettre une carte mal recomposée après avoir travaillé dessus pendant les 20 minutes spécifiées. Pendant la recomposition de la carte, les apprenants peuvent utiliser une fonction de retour pour confirmer l'état de la recomposition. Lorsqu'on clique dessus, la fonction de feedback met en évidence les propositions correctement recomposées et les propositions incorrectement recomposées en fonction de la carte experte. Ce feedback formatif a amené les apprenants à rechercher d’autres alternatives aux mauvaises connexions tout en gardant les bonnes inchangées. Le questionnaire sur l’expérience de recomposition de cartes conceptuelles a suivi l’étape de recomposition. Le questionnaire était divisé en deux sous-sections, la charge cognitive et la mesure de l'état du flux. Enfin, les participants ont répondu aux questions de compréhension en lecture après recomposition (post-test) qui consistaient en les mêmes questions que lors du pré-test.

La deuxième phase de l’expérimentation (phase différée) a démarré dans deux semaines. Les participants ont été contactés par email à deux reprises, la veille du début et au moment du démarrage de la phase différée. L'accès à la phase de réponse différée a été ouvert pendant 4 jours pour donner une chance à un taux de participation plus élevé. Les questions de compréhension de cette phase étaient les mêmes que celles du test de compréhension de la phase principale, avec la même limite de temps de 5 minutes.

4. Analyse et résultats

Les données ont été collectées auprès de 78 participants à l'aide du système en ligne fourni, mais 4 d'entre eux ont dû être exclus en raison de problèmes techniques liés à la collecte de données (N = 74). Au début de l'expérimentation, nous avions souligné que le système n'est entièrement compatible qu'avec les dernières versions de Google Chrome, Firefox ou Microsoft Edge, à condition que JavaScript ne soit pas désactivé. Il est concevable que ces 4 participants aient rencontré des problèmes de compatibilité, ce qui a conduit à un échec de la collecte de données.

Les deux conditions ont été comparées en termes de données démographiques pour garantir le biais démographique entre les conditions. Selon le test d'indépendance du chi carré, aucune des variables démographiques n'était liée aux conditions assignées (sexe : \(X^2 (2, N=74)=1.03, \mbox{P-Value} = .60\); âge: \(X^2 (4, N=74)=1.93, \mbox{P-Value} =.75\)); éducation: \(X^2 (6, N=74)=6.04, p=.42\)).

Le test de normalité de Shapiro-Wilk n'a pu montrer la normalité des résidus dans aucune des données collectées. Par conséquent, l’analyse des données est effectuée à l’aide de méthodes bilatérales non paramétriques à un niveau de signification de \(\alpha = 0.05\). Parmi ces tests non paramétriques, nous avons utilisé le test U de Mann-Whitney et le test de rang signé de Wilcoxon. Le test U de Mann-Whitney est un test non paramétrique largement reconnu, qui a été sélectionné pour sa robustesse et sa pertinence dans les situations où les données ne répondent pas aux hypothèses de normalité. Ce test est particulièrement adapté pour comparer deux groupes indépendants sur une variable de réponse. De même, le test de rang signé de Wilcoxon, un autre test non paramétrique largement reconnu, a été utilisé en raison de ses performances dans des situations où les hypothèses de normalité ne sont pas satisfaites. Il est bien adapté à l’analyse de données appariées.

4.1 Charge cognitive

Pour répondre à la première question de recherche, à savoir si l'activité de recomposition de la carte conceptuelle de l'approche TSD affecte la charge cognitive, nous avons utilisé le score des éléments du questionnaire pour l'effort perçu et la difficulté perçue. Nous avons également calculé le temps total consacré à la tâche de recomposition pour chaque apprenant dans les deux conditions, ainsi que le nombre d'actions nécessaires pour accomplir la tâche de recomposition. Nous avons analysé la différence de ces mesures CLT entre les deux conditions à l'aide d'un test d'inférence multivariée non paramétrique [66], qui contrôle l'erreur de type I. La méthode est implémentée dans le package R « npmv ». Dans cette analyse, la condition a été utilisée comme prédicteur et les quatre mesures de la charge cognitive ont été utilisées comme variable de réponse. Le résultat de l'analyse a montré une différence significative dans la charge cognitive par rapport à la condition, \(F(2.21, 158.9) = 24.2, \mbox{P-Value} < .001\). L'analyse post-hoc utilisant le test U de Mann-Whitney a révélé une différence significative pour toutes les variables de réponse, suggérant une charge cognitive plus faible pour le groupe TSD par rapport au groupe FD dans les quatre dimensions. Les valeurs P pour cette analyse post-hoc ont été ajustées à l'aide de la méthode [67] pour contrôler le taux de fausses découvertes et améliorer la puissance de l'analyse. Le tableau 1 présente la moyenne et l'écart type des mesures de charge cognitive pour chaque condition, ainsi que les tailles d'échantillon correspondantes et les résultats statistiques.

Tableau 1  Moyenne et écart type M(SD) des paramètres de charge cognitive et résultat du test statistique où N=37 pour les deux conditions

Pour mesurer la taille de l'effet, nous avons utilisé l'effet relatif du traitement (RTE) généré dans le même test statistique de « npmv ». Le RTE du traitement « k » est défini comme la probabilité qu'un sujet choisi au hasard dans le traitement « k » affiche une réponse plus élevée qu'un sujet choisi au hasard dans l'un des groupes de traitement, y compris le traitement « k » [66]. Le tableau 2 montre le résultat du RTE pour les métriques de charge cognitive entre les conditions. Les résultats montrent une très faible probabilité qu'un échantillon aléatoire provenant d'une condition TSD connaisse une charge cognitive élevée pour tous les paramètres. Par exemple, la probabilité qu'un échantillon choisi au hasard présentant une condition TSD connaisse une difficulté perçue plus élevée par rapport à l'ensemble de l'échantillon est de 0.26, alors que l'effet général minimum/maximum possible est de 0.23/0.77 pour la condition TSD. Le RTE suggère que les mesures de la charge cognitive peuvent distinguer presque parfaitement une condition d'une autre en utilisant toutes les variables de réponse, à l'exception de l'effort perçu qui a une probabilité moins distinctive par rapport aux autres paramètres. La raison pourrait être que les deux conditions engagent dans une large mesure les ressources de traitement de l’information dans l’activité de recomposition.

Tableau 2  Effet de traitement relatif (RTE) des métriques de charge cognitive sur le niveau de décomposition de la carte conceptuelle à l'aide d'un test multivarié non paramétrique

Ensuite, nous avons effectué une analyse de corrélation entre les mesures objectives et subjectives de la charge cognitive pour les groupes expérimental (TSD) et témoin (FD). Notre objectif est de compléter les évaluations subjectives avec des données objectives, renforçant ainsi notre compréhension de la charge cognitive dans la tâche de recomposition de la carte conceptuelle. Cette analyse soutient une compréhension plus approfondie de l’expérience de l’apprenant dans ce contexte exigeant. Les résultats de cette analyse sont présentés dans le tableau 3. Dans les deux groupes, nous avons observé des corrélations positives significatives entre le « temps consacré à la tâche » et à la fois « l'effort perçu » et la « difficulté perçue ». Ce schéma partagé souligne le rôle vital du temps passé par les apprenants à résoudre la tâche pour influencer leurs perceptions de la charge cognitive. Cela implique que, à mesure que les apprenants investissent plus de temps dans la tâche, ils ont tendance à la considérer comme à la fois plus exigeante et plus difficile. Cette relation dynamique entre la durée de la tâche et les perceptions de la charge cognitive révèle qu'un engagement prolongé est lié à des perceptions accrues de l'effort et de la difficulté.

Tableau 3  Corrélation entre les mesures subjectives et objectives de la charge cognitive dans les groupes expérimentaux et témoins

De même, l'interaction entre l'effort perçu, la difficulté perçue et le ratio de carte d'action fournit des informations précieuses sur la gestion de la charge cognitive de notre étude. Dans les deux groupes, nous avons observé des corrélations notables qui mettent en lumière les liens entre ces variables. Notamment, le « Ratio de la carte d'action » reflète l'efficacité des apprenants dans leur interaction avec la tâche de recomposition. Dans le groupe expérimental TSD, il y avait une corrélation positive entre le « ratio de carte d'action » et « l'effort perçu », bien qu'elle n'atteigne pas une signification statistique. Cela suggère que dans la condition TSD, où l'interaction de la tâche est conçue pour être très efficace, les apprenants qui s'engagent plus activement et effectuent un plus grand nombre d'actions ne perçoivent pas nécessairement la tâche comme exigeant davantage d'efforts. Ce résultat indique que lorsque la tâche de recomposition est soigneusement structurée pour minimiser l’effort de l’apprenant, un niveau d’interaction plus élevé peut ne pas correspondre à un effort perçu accru. À l’inverse, dans le groupe témoin, il existait une corrélation positive significative entre le « ratio de carte d’action » et l’« effort perçu ». Dans ce contexte, à mesure que les apprenants du groupe témoin s’engageaient plus activement et effectuaient un plus grand nombre d’actions sur la carte conceptuelle, ils ont en effet signalé que la tâche demandait plus d’efforts. Cette observation implique que, en condition FD, un engagement étendu correspond à une perception accrue de l'effort. Concernant la « difficulté perçue », des corrélations significatives avec le « ratio de plan d'action » ont été observées dans les deux groupes, soulignant le rôle de l'engagement de l'apprenant. Ces corrélations soulignent que des niveaux plus élevés d’engagement et d’interaction de l’apprenant sur la carte conceptuelle sont associés à une plus grande perception de la difficulté de la tâche. Dans le groupe TSD, bien que les apprenants soient soulagés de réaliser des actions excessives, la difficulté intrinsèque de la tâche de recomposition persiste. En revanche, les apprenants du groupe témoin sont confrontés à des difficultés supplémentaires en raison du nombre accru d’actions requises lors de la recomposition.

4.1.1 Réflexion sur l'analyse de la charge cognitive

Les résultats de l’analyse pourraient s’expliquer principalement par l’espace réduit du problème. Par rapport à l'approche FD, les apprenants en TSD doivent effectuer moins de recherches pour chaque proposition, ce qui réduit le temps global nécessaire pour recomposer chaque proposition. De même, le nombre minimum d’actions pour recomposer la carte conceptuelle est réduit de moitié. laissez un nœud décrire un concept ou un lien, par proposition, le groupe FD doit connecter le premier nœud au deuxième nœud, puis connecter le deuxième nœud au troisième nœud. En TSD, l'apprenant n'a qu'à connecter le deuxième nœud qui est le lien vers le concept cible.

En plus de réduire le temps nécessaire et d'accélérer le processus de recomposition, la difficulté de la tâche de recomposition et son effort sont perçus comme étant inférieurs à ceux de l'approche FD. En TSD, les apprenants sont libérés du fardeau des tâches répétitives de recherche/trouver lourdes qui devraient être effectuées normalement lors de la recomposition d'une carte conceptuelle dans l'approche FD. De plus, l’analyse corrélationnelle entre les mesures objectives et subjectives soutient positivement ces mesures analysées. Il donne également une compréhension plus large de la conception d'outils pédagogiques et d'interventions visant à optimiser la gestion de la charge cognitive. Cela souligne l’importance de surveiller et de réguler la durée des tâches ainsi que les actions excessives des apprenants pour garantir leur alignement avec les résultats d’apprentissage escomptés. Dans l’ensemble, l’approche TSD contribue à réduire efficacement la charge cognitive inutile, en particulier dans les scénarios impliquant des tâches exigeantes sur le plan cognitif.

4.2 État motivationnel optimal

Pour répondre à la deuxième question de recherche, à savoir si l'activité de recomposition de la carte conceptuelle du kit TSD affecte l'état de flux, nous avons analysé le score d'état de flux autodéclaré. Nous avons confirmé la cohérence des items du questionnaire à l'aide de l'Alpha de Cronbach. \(\alpha=.75\). Le score de débit moyen pour le groupe FD était de 4.74 (SD = 0.81), tandis que le groupe TSD avait un score de débit moyen de 4.91 (SD = 0.76). Nous avons comparé les deux conditions à l'aide du test U de Mann-Whitney en prenant la mesure de l'état du flux comme paramètre. variable de réponse et condition comme prédicteur. D’après le résultat du test, il n’y avait pas d’influence significative de l’état sur les scores de débit (\(U = 1300.5, n1 = n2 = 37, \mbox{P-Value} = .35\)).

4.2.1 Réflexion sur l’analyse de l’état motivationnel optimal

Habituellement, simplifier une tâche peut conduire à un état dans lequel les apprenants perdent tout intérêt à continuer de rester engagés. Mais, dans le cas TSD, nous observons des résultats similaires à la méthode FD originale ; les apprenants sont toujours motivés à faire l’activité de recomposition. Cela est dû au fait que seule la partie de l'activité qui est répétitive et ne nécessite pas de compétences élevées est supprimée, alors que la phase principale de l'activité de recomposition est toujours requise dans TSD.

Ce résultat offre deux perspectives clés sur l’activité. Premièrement, il révèle que rendre la tâche de recomposition plus simple grâce à la méthode TSD ne la rend pas moins intéressante pour les apprenants. Cela signifie que les apprenants des deux conditions ont perçu des défis similaires ainsi que la confiance nécessaire pour relever le défi de la recomposition. Deuxièmement, cela montre que les auto-évaluations subjectives des mesures de charge cognitive sont fortement comparables et que les différences entre les auto-évaluations des deux conditions ne sont pas dues à leur état de flux.

4.3 Compréhension écrite

Pour répondre à la troisième et dernière question de recherche, si l'activité de recomposition de la carte conceptuelle du kit TSD affecte a) la compréhension immédiate en lecture. b) rétention de la compréhension en lecture, nous analysons les scores de compréhension du score au test de compréhension après lecture (pré-test), du score au test de compréhension après recomposition (post-test) et du score au test retardé.

Sur un total de 74 participants, 54 ont participé au test facultatif de compréhension différée. Comme mentionné précédemment, les participants se sont vu offrir une récompense pour leur participation à l'expérience. Il est important de noter que le montant de la récompense fournie peut avoir influencé le niveau d'inscription, contribuant potentiellement aux raisons pour lesquelles certains participants ont choisi de ne pas participer au test retardé effectué deux semaines plus tard.

Le tableau 4 montre la moyenne et l'écart type des scores de compréhension, tandis que le tableau 5 montre la moyenne et l'écart type des participants qui ont également passé le test facultatif de compréhension différée.

Tableau 4  Moyenne et écart type M (SD) du score au test de compréhension après lecture (pré-test) et du score au test de compréhension après recomposition (post-test) ainsi que le résultat du test statistique

Tableau 5  Moyenne et écart type M (SD) du score au test de compréhension après lecture (pré-test), du score au test de compréhension après recomposition (post-test) et du score au test de compréhension retardé (test de retard) ainsi que le résultat du test statistique

4.3.1 Compréhension écrite au sein de chaque groupe

Nous avons examiné la compréhension écrite dans chaque condition. Le test de Wilcoxon signé-rank avec correction de continuité a révélé une augmentation significative de la compréhension en lecture dans les conditions TSD (\(Z = -3.75, \mbox{P-Value} < .001, r = .597\)) et FD (\(Z = -2.45, \mbox{P-Value} = .01, r = .419\)) lorsque le score pré-test est comparé au score post-test dans chaque condition. Le résultat confirme que les deux types d’activités de recomposition de cartes conceptuelles sont utiles dans la compréhension immédiate en lecture. Les résultats pour l’état FD s’alignent sur des études antérieures dans lesquelles les avantages du Kit-Build sont étudiés. Au-dessus de cela, les résultats pour la condition TSD confirment que les avantages du Kit-Build traditionnel sur la compréhension en lecture sont préservés avec la nouvelle approche. La réalisation du même test statistique pour comparer le score du test différé avec le score du pré-test dans chaque condition a montré que la rétention dans les deux conditions était légèrement inférieure à la période de la phase après lecture (Condition\(_{\mathit{TSD}}\): \(Z = 1.29, \mbox{P-Value} = .195, r = .37\); Condition\(_{\mathit{FD}}\): \(Z = 1.95, \mbox{P-Value} = .051, r = .22\)). Le résultat statistique ne montre pas de différence significative entre les deux résultats des tests dans chaque condition. Cependant, les résultats de la condition FD sont légèrement significatifs, confirmant la possibilité d'un taux d'oubli élevé dans la méthode traditionnelle de génération de kits. Malgré cela, il est naturel que les connaissances acquises se dissipent avec le temps, ce qui se produit lors du test différé pour les deux conditions. Bien que le score moyen du test différé soit inférieur au score du pré-test, il pourrait quand même y avoir un certain gain d'apprentissage par rapport à l'étape précédant la lecture puisque le score du pré-test est mesuré après la lecture du texte, ce qui signifie que leurs connaissances antérieures pourraient être bien plus grandes. inférieur au score du pré-test. Ainsi, l’activité de recomposition de la carte conceptuelle a peut-être aidé les deux groupes à conserver leur compréhension de base.

4.3.2 Compréhension écrite entre les conditions

Notre analyse suivante s'est concentrée sur l'évaluation des variations potentielles de la compréhension en lecture entre les conditions. Pour confirmer l'homogénéité des deux conditions, nous avons comparé leurs scores pré-test en utilisant le test de Fligner-Killeen d'homogénéité des variances (FK). On dit que le test FK est robuste face aux écarts par rapport à la normalité. Le test a confirmé l'homogénéité des conditions (\(X^2 = 0.74, \mbox{P-Value} = .39\)). Pour analyser la compréhension immédiate en lecture, nous avons appliqué le test U de Mann-Whitney comparant le score post-test des deux conditions. Le score médian post-test dans les deux conditions était de 9 ; les distributions dans les deux conditions n'étaient pas significativement différentes (\(U = 1325, n1 = n2 = 37, \mbox{P-Value} = .48\)). Il est possible qu'il y ait un effet plafond puisque les résultats du pré-test ainsi que ceux du post-test sont déjà trop élevés, ce qui réduit la marge pour montrer des différences d'amélioration. Malgré cela, la moyenne de la condition TSD a tendance à être plus élevée que celle du groupe FD, ce qui pourrait nous donner une idée d'une meilleure amélioration de la condition TSD.

Avant de tester la rétention de la compréhension écrite, nous avons décidé de réopérer le test FK pour confirmer l'homogénéité des deux conditions, car certains des participants des deux conditions n'ont pas pris part à ce test de compréhension différée. Le test FK a confirmé l'homogénéité des conditions (\(X^2 = 1.001, \mbox{P-Value} = .32\)). Le score médian au test retardé dans les conditions TSD et FD était respectivement de 7.5 et 7.0. Le test U de Mann-Whitney comparant le score du test différé des deux conditions n'a révélé aucune différence significative entre les conditions (\(U = 715, n1 = 32, n2 = 27, \mbox{P-Value} = .14\)).

4.3.3 Réflexion sur l'analyse de la compréhension écrite

L'analyse de la compréhension écrite impliquait que les deux groupes acquéraient de manière significative des connaissances après l'activité de recomposition, tandis que l'ampleur de ces connaissances se dispersait sur une période de deux semaines. Bien qu'il existe une possibilité d'effet plafond lors du post-test, la comparaison des connaissances des deux groupes a révélé que la qualité de l'apprentissage est similaire entre les deux conditions. Ainsi, fournir un kit partiellement recomposé a rendu l’activité plus facile mais n’a pas diminué la compréhension. Ce qui est plus important est que, même si nous observons un effet d'apprentissage similaire, nous devons reconnaître que le groupe TSD a consacré beaucoup moins de temps à l'activité de recomposition pour atteindre ce niveau d'apprentissage. On s'attend à ce que si le temps restant était utilisé pour effectuer une autre forme d'apprentissage, les apprenants de l'approche TSD deviendraient supérieurs en termes de compréhension immédiate et de rétention de la compréhension écrite.

Ces résultats peuvent donner un avantage significatif aux éducateurs lors de la conception des activités de cartographie conceptuelle. L'approche proposée donne la possibilité d'utiliser un mélange d'activités en moins de temps, encourageant ainsi les apprenants à mieux s'engager que si tout le temps était alloué à une seule tâche.

5. Discussion

Les résultats de cette étude montrent que l’effort cognitif élevé de la recomposition de la carte conceptuelle (FD) traditionnelle en Kit-Build peut être minimisé sans perdre les avantages de l’apprentissage et de la motivation. La décomposition de recherche cible est proposée comme une approche pour minimiser la charge cognitive inutile et gagner beaucoup de temps par rapport à la méthode FD. Le cœur de l’approche TSD est de déconnecter le concept cible de chaque proposition dans la carte conceptuelle experte lors de la préparation de la tâche de recomposition.

La mesure de la charge cognitive comprenait quatre dimensions, dont deux subjectives : difficulté perçue et effort perçu ; deux autres mesures étaient des mesures objectives : le temps passé sur la tâche de recomposition et le nombre d'actions nécessaires pendant la tâche de recomposition. La métrique de flux est utilisée pour soutenir les métriques subjectives et mesurer la motivation des apprenants envers la tâche de recomposition proposée. Enfin, le test de compréhension écrite a été utilisé pour évaluer les apprenants sur leur compréhension écrite et leur rétention après deux semaines.

Conformément aux résultats d'études précédentes [9], la méthode traditionnelle a montré un degré élevé de charge cognitive et une bonne motivation pour la tâche. De même, la suppression de certaines tâches dans FD comme dans l’étude précédente a entraîné une charge cognitive plus faible. Cependant, la tâche supprimée dans cette étude était liée à l'acte de recomposition directement et non à l'interface utilisateur comme dans l'étude précédente, ce qui réduisait considérablement le temps, les actions, les efforts et la difficulté pour obtenir presque le même résultat. Cette réduction des mesures de charge cognitive est naturellement attendue car elle est due à la réduction de l’espace problème. Cependant, l’approche proposée a réussi à conserver l’avantage du FD en termes de motivation aux tâches, d’apprentissage immédiat et de rétention des connaissances. Bien que l’on pense que la recherche d’informations dans le texte est liée à un taux de rétention plus élevé [15], cette étude donne aux éducateurs une méthode pour gérer efficacement cette tâche de recherche et de découverte, de telle sorte que l’effort investi donne un retour d’apprentissage élevé dans de nombreux domaines. un temps plus court et moins d’effort cognitif.

Comme mentionné ci-dessus, l'approche TSD proposée supprime les tâches nécessaires lors de la recomposition elle-même. Naturellement, nous attendons des apprenants qui investissent plus d’efforts dans la tâche d’apprentissage qu’ils acquièrent des connaissances plus élevées [68]. La raison pour laquelle l'approche TSD ne souffre pas d'une perte de qualité de l'apprentissage peut s'expliquer comme suit : bien que le TSD élimine le besoin de rechercher le concept source et un lien approprié pour une proposition, il n'annule pas la nécessité d'investir des efforts dans examiner le contenu du concept source et du lien. En effet, le processus d'identification du concept cible correct pour compléter les connaissances nécessite un examen approfondi et une compréhension de la première moitié de la proposition. Cela peut expliquer pourquoi la différence entre les conditions dans la probabilité de subir un faible effort cognitif était moins distinctive par rapport aux autres paramètres cognitifs selon le résultat RTE. Nous soutenons que c'est ce processus de révision qui maintient l'efficacité de l'apprentissage dans l'approche TSD, conformément à la perspective présentée par [15], qui souligne l'importance de la révision comme l'une des tâches centrales de l'activité de recomposition.

La difficulté intrinsèque de la tâche de recomposition Kit-Build ne contribue peut-être pas directement aux résultats d'apprentissage, mais elle pourrait améliorer le flux et maintenir la motivation des apprenants à poursuivre l'activité en créant davantage de défis à relever pour les apprenants. Ainsi, la suppression d'une telle charge cognitive peut entraîner une réduction de la motivation pour l'activité Kit-Build, entraînant des difficultés dans la mise en œuvre de la méthode proposée dans un environnement éducatif. Cependant, dans cette étude de cas, les résultats de l'état de flux ont confirmé que la réduction de la charge cognitive via l'approche TSD ne supprime pas la charge cognitive nécessaire pour que les apprenants restent engagés. Il vaut la peine d’étudier comment les composantes de l’approche TSD dans l’activité de recomposition maintiennent le flux au sein des apprenants.

La fourniture de concepts sources et de liens aux apprenants à l'avance dans TSD peut susciter des inquiétudes. Cela ressemble au cas de la cartographie conceptuelle basée sur la recomposition et de la cartographie conceptuelle traditionnelle. Cependant, cette pratique s’aligne sur le concept de compréhension empathique, soulignant l’importance de reproduire les cartes d’experts ou de partenaires en tant que processus d’apprentissage précieux. Par conséquent, aider les apprenants dans cette entreprise sans compromettre les avantages pédagogiques de la tâche de recomposition dans Kit-Build améliore son efficacité dans les contextes éducatifs. Cette assistance permet non seulement d'économiser du temps et de l'énergie aux apprenants, mais ouvre également des opportunités de participation à des activités d'apprentissage supplémentaires où l'accent est mis sur la construction de structures de connaissances créatives.

Les résultats de cette étude sont spécifiques aux recompositions de type Kit-Build. Néanmoins, la nature de la tâche de recomposition en général pourrait contenir des tâches similaires qui augmentent la charge cognitive des apprenants. Ainsi, les résultats de cette recherche ont le potentiel d’être généralisés à différents types de recomposition de cartes conceptuelles avec des demandes de recherches plus approfondies.

5.1 Limites et études futures potentielles

Recherche de cible La décomposition de la carte conceptuelle experte dans Kit-Build est susceptible de générer des biais puisqu'une partie de la proposition restera attachée. Cet attachement donne aux apprenants TSD un avantage dans la tâche de recomposition.

De plus, la fourniture de concepts sources et de liens peut affecter les compétences métacognitives des apprenants. Pour confirmer l'effet de cette personnalisation lors de la tâche de compréhension, nous envisageons des recherches supplémentaires pour surveiller et mesurer les aspects méta-cognitifs du TSD par rapport à l'approche FD traditionnelle ainsi qu'à la carte conceptuelle ouverte.

Une autre recherche future importante sur l'approche TSD consiste à confirmer l'hypothèse que nous avons formulée dans la discussion comme expliquant pourquoi la méthode TSD maintient la même qualité d'apprentissage que la méthode FD mais dans un temps beaucoup plus court, avec beaucoup moins d'efforts cognitifs, de difficultés et d'actions. De plus, dans cette étude, nous avons implémenté une décomposition partielle uniforme sur toutes les propositions de la carte experte. Cependant, il peut exister un seuil idéal pour définir le niveau de décomposition partielle. En ce sens, une autre recherche future potentielle consiste à considérer différents niveaux de décomposition partielle sur la charge cognitive et la qualité de la compréhension en lecture.

6.Conclusion

Le rôle des cartes conceptuelles dans la compréhension en lecture est très crucial, et des études visant à améliorer cette activité sont nécessaires dans de nombreux aspects de l’éducation. Dans cette étude, nous avons introduit une nouvelle approche à utiliser lors de la recomposition de la carte conceptuelle appelée Target Search Decomposition. Les résultats expérimentaux ont révélé la supériorité de cette approche sur l’approche traditionnelle de décomposition complète dans quatre dimensions différentes de la charge cognitive. Les 4 dimensions incluent la réduction de : la difficulté perçue, l'effort perçu, le temps nécessaire pour terminer la tâche de recomposition et le nombre d'actions nécessaires pour réussir à recomposer une proposition. Outre les paramètres de charge cognitive, les aspects motivationnels de la recomposition de la carte conceptuelle ont été conservés puisque les apprenants ont signalé un état de flux similaire (légèrement supérieur) au cours de l'activité de recomposition, contrairement à la méthode de décomposition complète. De plus, la nouvelle approche préserve la qualité d'apprentissage de la recomposition de la carte conceptuelle, donnant aux éducateurs un avantage remarquable dans la mise en place de telles activités sans épuiser la charge cognitive et la motivation des apprenants. L'approche TSD proposée peut être considérée comme la meilleure personnalisation de la recomposition traditionnelle de la carte conceptuelle Kit-Build étudiée jusqu'à présent. Ainsi, nous pouvons recommander l'utilisation de l'approche TSD dans les activités de recomposition de la carte conceptuelle car elle réduit la pression sur les apprenants, réduit le temps nécessaire pour terminer l'activité, donnant ainsi une meilleure chance aux éducateurs d'organiser leur matériel de manière à ce que le temps gagné et l'énergie mentale peut être utilisée pour d'autres activités d'apprentissage telles que la révision du matériel, les discussions en binôme ou les exercices supplémentaires.

Références

[1] C. Snow, Reading for Understanding: Toward an R&D Program in Reading Comprehension, RAND Corporation, Santa Monica, CA, 2002.

[2] J.R. Kirby, “Reading comprehension: Its nature and development,” Encyclopedia of language and literacy development, pp.1-8, 2007.
CrossRef

[3] J.D. Novak, “Results and implications of a 12-year longitudinal study of science concept learning,” Research in Science Education, vol.35, no.1, pp.23-40, 2005.
CrossRef

[4] R. Dias, “Concept maps powered by computer software: a strategy for enhancing reading comprehension in english for specific purposes,” Revista Brasileira de Linguística Aplicada, vol.11, pp.896-911, 2010.
CrossRef

[5] M. Kalhor and G. Shakibaei, “Teaching reading comprehension through concept map,” Life Science Journal, vol.9, no.4, pp.725-731, 2012.

[6] E.M. Jackson and M.F. Hanline, “Using a concept map with recall to increase the comprehension of science texts for children with autism,” Focus on Autism and Other Developmental Disabilities, vol.35, no.2, pp.90-100, 2020.
CrossRef

[7] J.D. Novak and A.J. Cañas, “The theory underlying concept maps and how to construct them,” Florida Institute for Human and Machine Cognition, vol.1, no.1, pp.1-31, 2006.

[8] H.E. Herl, H.F. O’Neil Jr, G.K.W.K. Chung, and J. Schacter, “Reliability and validity of a computer-based knowledge mapping system to measure content understanding,” Computers in Human Behavior, vol.15, no.3-4, pp.315-333, 1999.
CrossRef

[9] P.G.F. Furtado, T. Hirashima, and Y. Hayashi, “Reducing cognitive load during closed concept map construction and consequences on reading comprehension and retention,” IEEE Transactions on Learning Technologies, vol.12, pp.402-412, 2018.
CrossRef

[10] T. Hirashima, K. Yamasaki, H. Fukuda, and H. Funaoi, “Framework of kit-build concept map for automatic diagnosis and its preliminary use,” Research and Practice in Technology Enhanced Learning, vol.10, no.1, p.17, 2015.
CrossRef

[11] T. Hirashima, “Reconstructional concept map: Automatic assessment and reciprocal reconstruction,” International Journal of Innovation, Creativity and Change, vol.5, pp.669-682, 2019.

[12] B.S. Andoko, Y. Hayashi, T. Hirashima, and A.N. Asri, “Improving english reading for efl readers with reviewing kit-build concept map,” Research and Practice in Technology Enhanced Learning, vol.15, no.1, p.7, 2020.
CrossRef

[13] M. Alkhateeb, Y. Hayashi, T. Rajab, and T. Hirashima, “Comparison between kit-build and scratch-build concept mapping methods in supporting efl reading comprehension,” The Journal of Information and Systems in Education, vol.14, no.1, pp.13-27, 2015.
CrossRef

[14] L. Sadita, T. Hirashima, Y. Hayashi, W. Wunnasri, J. Pailai, K. Junus, and H.B. Santoso, “Collaborative concept mapping with reciprocal kit-build: a practical use in linear algebra course,” Research and Practice in Technology Enhanced Learning, vol.15, no.1, 2020.
CrossRef

[15] P.G.F. Furtado, T. Hirashima, N. Khudhur, A. Pinandito, and Y. Hayashi, “Influence of access to reading material during concept map recomposition in reading comprehension and retention,” IEICE Transactions on Information and Systems, vol.E104-D, no.11, pp.1941-1950, 2021.
CrossRef

[16] J. Sweller, J.J.G. van Merrienboer, and F.G.W.C. Paas, “Cognitive architecture and instructional design,” Educational Psychology Review, vol.10, no.3, pp.251-296, 1998.
CrossRef

[17] W. Schnotz, S. Fries, and H. Horz, “Motivational aspects of cognitive load theory,” Contemporary motivation research: From global to local perspectives, pp.69-96, 2009.

[18] A.E. Widjaja and J.V. Chen, “Online learners’ motivation in online learning: the effect of online-participation, social presence, and collaboration,” Learning technologies in education: Issues and trends, vol.12, pp.72-93, 2017.

[19] Y.M. Tang, K.Y. Chau, Y.-Y. Lau, and G.T.S. Ho, “Impact of mobile learning in engineering mathematics under 4-year undergraduate curriculum,” Asia Pacific Journal of Education, pp.1-17, 2022.
CrossRef

[20] H. Tohidi and M.M. Jabbari, “The effects of motivation in education,” Procedia - Social and Behavioral Sciences, vol.31, pp.820-824, 2012.
CrossRef

[21] S. Engeser and F. Rheinberg, “Flow, performance and moderators of challenge-skill balance,” Motivation and Emotion, vol.32, no.3, pp.158-172, 2008.
CrossRef

[22] G.J. Hwang, F.R. Kuo, N.S. Chen, and H.J. Ho, “Effects of an integrated concept mapping and web-based problem-solving approach on students’ learning achievements, perceptions and cognitive loads,” Computers & Education, vol.71, pp.77-86, 2014.

[23] S.K. Kamble and B.L. Tembe, “The effect of use of concept maps on problem solving performance and attitude in mechanical engineering course,” Procedia - Social and Behavioral Sciences, vol.83, pp.748-754, 2013.
CrossRef

[24] M. Karadag, “The effect of concept map based education on the problem solving skills of students,” New Trends and Issues Proceedings on Humanities and Social Sciences, vol.3, no.1, pp.506-513, 2017.
CrossRef

[25] C.-C. Chiou, “The effect of concept mapping on students’ learning achievements and interests,” Innovations in Education and Teaching International, vol.45, no.4, pp.375-387, 2008.
CrossRef

[26] D. Hay, I. Kinchin, and S. Lygo-Baker, “Making learning visible: the role of concept mapping in higher education,” Studies in Higher Education, vol.33, no.3, pp.295-311, 2008.
CrossRef

[27] E.C. McCagg and D.F. Dansereau, “A convergent paradigm for examining knowledge mapping as a learning strategy.,” The Journal of Educational Research, vol.84, no.6, pp.317-324, 1991.
CrossRef

[28] A. Pinandito, D.D. Prasetya, Y. Hayashi, and T. Hirashima, “Design and development of semi-automatic concept map authoring support tool,” Research and Practice in Technology Enhanced Learning, vol.16, no.1, p.8, 2021.
CrossRef

[29] C.T. Machado and A.A. Carvalho, “Concept mapping: Benefits and challenges in higher education,” The Journal of Continuing Higher Education, vol.68, no.1, pp.38-53, 2020.
CrossRef

[30] K. Oliver, “A comparison of web-based concept mapping tasks for alternative assessment in distance teacher education,” Journal of Computing in Teacher Education, vol.24, no.3, pp.95-103, 2008.

[31] P.-H. Wu, G.-J. Hwang, M. Milrad, H.-R. Ke, and Y.-M. Huang, “An innovative concept map approach for improving students’ learning performance with an instant feedback mechanism,” British Journal of Educational Technology, vol.43, no.2, pp.217-232, 2012.
CrossRef

[32] R. Rismanto, A. Pinandito, B. Andoko, Y. Hayashi, and T. Hirashima, “Evaluating the kit-build concept mapping process using sub-map scoring,” Research and Practice in Technology Enhanced Learning, vol.19, p.021, 2023.
CrossRef

[33] W. Wunnasri, J. Pailai, Y. Hayashi, and T. Hirashima, “Reciprocal kit-build concept map: an approach for encouraging pair discussion to share each other’s understanding,” IEICE Transactions on Information and Systems, vol.101, no.9, pp.2356-2367, 2018.
CrossRef

[34] L. Sadita, P.G.F. Furtado, T. Hirashima, and Y. Hayashi, “Analysis of the similarity of individual knowledge and the comprehension of partner’s representation during collaborative concept mapping with reciprocal kit build approach,” IEICE Transactions on Information and Systems, vol.103, no.7, pp.1722-1731, 2020.
CrossRef

[35] L. Sadita, T. Hirashima, Y. Hayashi, P.G.F. Furtado, K. Junus, and H.B. Santoso, “The effect of differences in group composition on knowledge transfer, group achievement, and learners’ affective responses during reciprocal concept mapping with the kit-build approach,” Research and Practice in Technology Enhanced Learning, vol.15, no.1, pp.1-19, 2020.
CrossRef

[36] T. Hirashima, “Reconstructional concept map: automatic assessment and reciprocal reconstruction,” International Journal of Innovation, Creativity and Change, vol.5, pp.669-682, 2019.

[37] A. Pinandito, Y. Hayashi, and T. Hirashima, “Online collaborative kit-build concept map: Learning effect and conversation analysis in collaborative learning of english as a foreign language reading comprehension,” IEICE Transactions on Information and Systems, vol.E104-D, no.7, pp.981-991, 2021.
CrossRef

[38] Nurmaya, A. Pinandito, Y. Hayashi, and T. Hirashima, “Promoting students’ higher order thinking with concept map recomposition,” IEICE Transactions on Information and Systems, vol.E106-D, no.8, pp.1262-1274, 2023.
CrossRef

[39] A. Pinandito, C.P. Wulandari, D.D. Prasetya, N. Khudhur, Y. Hayashi, and T. Hirashima, “Efficient Online Collaborative Learning Through Concept Mapping with Kit-Build Concept Map,” pp.125-131, Association for Computing Machinery, New York, NY, USA, 2021.
CrossRef

[40] A. Artino, “Cognitive load theory and the role of learner experience: An abbreviated review for educational practitioners,” AACE Journal, vol.16, pp.425-439, 2008.

[41] R.E. Mayer, The Cambridge Handbook of Multimedia Learning, 2 ed., Cambridge Handbooks in Psychology, Cambridge University Press, 2014.

[42] J. Sweller, J.J.G. van Merriënboer, and F. Paas, “Cognitive architecture and instructional design: 20 years later,” Educational Psychology Review, vol.31, no.2, pp.261-292, 2019.
CrossRef

[43] J. Sweller, “Element Interactivity and Intrinsic, Extraneous, and Germane Cognitive Load,” Educational Psychology Review, vol.22, no.2, pp.123-138, 2010.
CrossRef

[44] J. Sweller, “Cognitive load theory,” 2011.

[45] S.S. Tseng, P.C. Sue, J.M. Su, J.F. Weng, and W.N. Tsai, “A new approach for constructing the concept map,” Computers & Education, vol.49, no.3, pp.691-707, 2007.

[46] X. Huang, Q. Liu, C. Wang, H. Han, J. Ma, E. Chen, Y. Su, and S. Wang, “Constructing educational concept maps with multiple relationships from multi-source data,” 2019 IEEE International Conference on Data Mining (ICDM), pp.1108-1113, 2019.
CrossRef

[47] H.W. Lee, K.Y. Lim, and B.L. Grabowski, “Generative learning: Principles and implications for making meaning,” in Handbook of research on educational communications and technology, pp.111-124, Citeseer, 2008.

[48] M.K. Wilhelm-Chapin and T.A. Koszalka, “Generative learning theory and its application to learning resources (concept paper).” https://ridlr.syr.edu/concept-paper, 2016.

[49] J. Pailai, W. Wunnasri, K. Yoshida, Y. Hayashi, and T. Hirashima, “The practical use of kit-build concept map on formative assessment,” Research and Practice in Technology Enhanced Learning, vol.12, no.1, 2017.
CrossRef

[50] M. Csikszentmihalyi, Finding Flow: The Psychology of Engagement with Everyday Life., Basic Books, New York, 1997.

[51] M. Biasutti, “Flow and optimal experience,” Reference Module in Neuroscience and Biobehavioral Psychology, Elsevier, 2017.
CrossRef

[52] M. Csikszentmihalyi, Flow: the Psychology of Optimal Experience by Mihaly Csikszentmihalyi, CreateSpace Independent Publishing Platform, 2018.

[53] G. Paolacci, J. Chandler, and P.G. Ipeirotis, “Running experiments on amazon mechanical turk,” Judgment and Decision Making, vol.5, no.5, pp.411-419, 2010.
CrossRef

[54] M. Buhrmester, T. Kwang, and S.D. Gosling, “Amazon’s mechanical turk: A new source of inexpensive, yet high-quality, data?,” Perspectives on Psychological Science, vol.6, no.1, pp.3-5, 2011.
CrossRef

[55] D.J. Hauser and N. Schwarz, “Attentive turkers: Mturk participants perform better on online attention checks than do subject pool participants,” Behavior Research Methods, vol.48, no.1, pp.400-407, 2016.
CrossRef

[56] L. Litman, J. Robinson, and T. Abberbock, “Turkprime.com: A versatile crowdsourcing data acquisition platform for the behavioral sciences,” Behavior Research Methods, vol.49, no.2, pp.433-442, 2017.
CrossRef

[57] J. Chandler, C. Rosenzweig, A.J. Moss, J. Robinson, and L. Litman, “Online panels in social science research: Expanding sampling methods beyond mechanical turk,” Behavior Research Methods, vol.51, no.5, pp.2022-2038, 2019.
CrossRef

[58] F.G.W.C. Paas and J.J.G. Van Merriënboer, “Instructional control of cognitive load in the training of complex cognitive tasks,” Educational Psychology Review, vol.6, no.4, pp.351-371, 1994.
CrossRef

[59] S. Kalyuga, P. Chandler, and J. Sweller, “Managing split-attention and redundancy in multimedia instruction,” Applied Cognitive Psychology: The Official Journal of the Society for Applied Research in Memory and Cognition, vol.13, no.4, pp.351-371, 1999.
CrossRef

[60] K.E. DeLeeuw and R.E. Mayer, “A comparison of three measures of cognitive load: Evidence for separable measures of intrinsic, extraneous, and germane load,” Journal of Educational Psychology, vol.100, no.1, pp.223-234, 2008.
CrossRef

[61] A.E. Gimino, Factors that influence students’ investment of mental effort in academic tasks: A validation and exploratory study, University of Southern California, 2000.

[62] F. Paas, J.E. Tuovinen, H. Tabbers, and P.W. Van Gerven, “Cognitive load measurement as a means to advance cognitive load theory,” Educational Psychologist, vol.38, no.1, pp.63-71, 2003.
CrossRef

[63] R. Brünken, J.L. Plass, and D. Leutner, “Direct measurement of cognitive load in multimedia learning,” Educational Psychologist, vol.38, no.1, pp.53-61, 2003.
CrossRef

[64] J. Schüler, “Arousal of flow experience in a learning setting and its effects on exam performance and affect,” Zeitschrift Fur Padagogische Psychologie, vol.21, no.3/4, pp.217-227, 2007.
CrossRef

[65] F. Rheinberg, Y. Manig, R. Kliegl, S. Engeser, and R. Vollmeyer, “Flow bei der Arbeit, doch Glück in der Freizeit,” Zeitschrift für Arbeits- und Organisationspsychologie A&O, vol.51, no.3, pp.105-115, 2007.

[66] W.W. Burchett, A.R. Ellis, S.W. Harrar, and A.C. Bathke, “Nonparametric inference for multivariate data: The r package npmv,” Journal of Statistical Software, vol.76, no.4, 2017.
CrossRef

[67] Y. Benjamini and Y. Hochberg, “Controlling the false discovery rate: a practical and powerful approach to multiple testing,” Journal of the Royal statistical society: series B (Methodological), vol.57, no.1, pp.289-300, 1995.
CrossRef

[68] J.S. Cole, D.A. Bergin, and T.A. Whittaker, “Predicting student achievement for low stakes tests with effort and task value,” Contemporary Educational Psychology, vol.33, no.4, pp.609-624, 2008.
CrossRef

Notes

1. https://git.io/JyeDr

Auteurs

Nawras KHUDHUR
  Hiroshima University

received his B.Sc. degree in Software Engineering from Salahaddin University-Erbil in 2012, followed by an M.E. degree in Information Engineering from Hiroshima University in 2020. Currently, he is pursuing a Ph.D. in Informatics and Data Science at Hiroshima University. He has received the Outstanding Paper Award of CANDAR’19. His research interests encompass various areas, including Educational Technology, Cognitive Learning, Critical Thinking, and Learning Analytics as well as Decentralized web.

Aryo PINANDITO
  Universitas Brawijaya

received S.T. (Bachelor of Engineering) degree in Electrical Engineering from Universitas Brawijaya, Malang, East Java, Indonesia, in 2005, received M.MT (Master of Technology Management) degree in information technology management from Institut Teknologi Sepuluh Nopember, Surabaya, Indonesia in 2011. Since 2012, he has been a lecturer and as a member of Mobile, Game, Multimedia, and Technology Enhanced Learning Laboratory with the Information System Department, Faculty of Computer Science, Universitas Brawijaya, Malang, Indonesia. He is one of the authors of a book in mobile application development and the author of more than 20 research articles. His research interest includes web and mobile application development, analysis and design in software engineering, information engineering, and technology-enhanced learning.

Yusuke HAYASHI
  Hiroshima University

is a Professor of the Graduate School of Advanced Science and Engineering at Hiroshima University, ever since 2022. He received his Ph.D. from the Graduate School of Engineering Science, Osaka University, Japan, in 2003. He was a research associate of the school of Knowledge Science, Japan Advanced Institute of Science and Technology (JAIST) from 2003 to 2005, an assistant professor of the Institute of Scientific and Industrial Research (ISIR), Osaka University from 2005 to 2010 and an associate professor of the Information Technology Center, Nagoya University from 2010 to 2012. He has been engaged in research on Knowledge modeling, Ontological engineering, and Learning engineering. He has received international awards as the Best Paper Award of ICCE2006 and the Best Technical Design Paper Award of ICCE2015.

Tsukasa HIRASHIMA
  Hiroshima University

received his B.E., M.E. and Ph.D. from Osaka University in 1986, 1988, and 1991, respectively. He worked at The Institute of Scientific and Industrial Research, Osaka University as a research associate and lecturer from 1991 to 1997. During 1997-2003, he worked in the Graduate School of Information Engineering at Kyushu Institute of Technology as an associate professor. He has been a professor of the Graduate School, Department of Informatics and Data Science, Hiroshima University since 2004. Learning Engineering is his major research field. He has received international awards as the Outstanding Paper Award of EDMEDIA95, the Best Paper Award of ICCE2001 & 2002, Honorable Mention Award of AIED2009, APSCE Distinguished Researcher Award in 2009, and the ICCE2015 Best Technical Design Paper Award.

Mots-clés