Nathalie Loye, Université de Montréal

Dans les cours à distance, établir un contact régulier et de qualité avec les apprenants pose de réels défis. Par exemple, le fait de fournir une rétroaction aux étudiants, qu’elle soit individuelle ou collective, fait partie naturellement des cours en présentiel. Dans le cas des cours à distance, il faut planifier les manières de guider les apprentissages de manière efficace. Les options technologiques qui permettent des échanges individuels et collectifs sont nombreuses. Les courriels, les échanges de travaux écrits que le professeur peut annoter, les rencontres en visioconférence, l’utilisation du chat ou d’un forum sont des exemples qui permettent de telles interactions. Tous ces exemples demandent toutefois un travail important au professeur et dans certains cas l’effort cognitif nécessaire pour rencontrer les étudiants en grand groupe, sous-groupes ou de manière individuelle est grand pour chacun des participants.

Nous proposons ici d’utiliser les technologies afin d’automatiser certaines tâches de rétroaction aux étudiants. L’une des possibilités consiste en effet à proposer des questions à choix multiples aux étudiants en considérant que chaque choix de réponse est (1) assorti d’un commentaire explicatif automatique lorsqu’il est choisi et (2) corresponde à des erreurs propices à fournir des explications utiles pour guider les apprentissages.

Nous nous inspirons ici de la méthode proposée par King et collègues en 2011. Ces auteurs proposent un guide pour élaborer et apprécier les choix de réponse dans des questions à correction objective. Leur visée est diagnostique puisqu’ils proposent

• de faire des listes d’erreurs possibles et de s’en inspirer pour rédiger des choix de réponse,
• puis d’identifier les raisons des erreurs et de les organiser en une taxonomie.

Le tableau 1 illustre une telle taxonomie comportant 4 niveaux pour la compréhension d’un élève en lecture, les niveaux sont ordonnés en commençant par une compétence peu développée pour aboutir à une compétence développée permettant de trouver la bonne réponse.

Tableau 1. Exemple de taxonomie en lecture (King, et al., 2004, p. 6 – traduction libre)

Niveau de compréhension de l’élève	Erreurs de l’élève
Niveau 1	Erreurs en lien avec le décodage du texte. – Connaissance préalable non basée sur la lecture du texte – Information tirée du texte, mais pas reliée à la question
Niveau 2	Erreurs témoignant d’une certaine compréhension du texte -Incapacité à relier les informations entre elles – Conclusion ou inférence erronée
Niveau 3	Erreurs témoignant d’un niveau de réflexion et d’interprétation -Propose une partie de la bonne réponse -Vision trop étroite ou trop large
Niveau 4	Réponse correcte

Ils proposent ensuite des exemples de questions dans lesquels les choix sont catégorisés dans l’un ou l’autre des niveaux (traductions libres).

Exemple 1

Exemple 2

Exemple 3

Personnellement j’utilise cette approche dans mon cours de méthodes quantitatives en ligne aux cycles supérieurs. Dans la plateforme (StudiUM), j’utilise les choix multiples de manière formative sans qu’ils fassent partie de l’évaluation du cours. Chaque choix correspond à un commentaire, certaines questions peuvent avoir plus de choix de réponse que d’autres, et j’autorise les étudiants à revenir sur leur réponse après avoir reçu le commentaire de manière à les laisser libres de naviguer dans les commentaires. Il est vrai qu’il y a un certain travail pour organiser cette évaluation formative, mais par la suite la rétroaction se fait sans mon intervention.

Références

King, K.V., Gardner, D.A., Zucker, S. & Jorgensen, M.A. (2004).. The distractor rationale taxonomy: Enhancing multiple-choice items in reading and mathematics. Assessment report available from Pearson education at: https://images.pearsonassessments.com/images/tmrs/tmrs_rg/Distractor_Rationales.pdf?WT.mc_id=TMRS_The_Distractor_Rationale_Taxonomy_Enhancing

[citationic]