Étudier un exemple travaillé avant de tenter de résoudre un problème similaire
Lire un exemple entièrement résolu construit le schéma plus vite et avec moins de charge cognitive gaspillée que de se lancer directement dans la résolution de problème.
Why it works
Quand un novice tente de résoudre un problème sans schéma, la majeure partie de la mémoire de travail va à l'analyse moyens-fins (revenir en arrière, tester des mouvements) plutôt qu'à la compréhension. Un exemple travaillé garde le chemin de la solution visible, permettant à l'apprenant d'allouer toute sa capacité à comprendre pourquoi chaque étape découle de la précédente — le travail de construction du schéma — au lieu de calculer quoi faire ensuite. L'effet d'exemple travaillé (formation de schéma supérieure à partir d'exemples vs. résolution de problème non assistée) est l'un des résultats les plus répliqués de la charge cognitive.
How to do it
- Avant de tenter un nouveau type de problème, trouver ou construire un exemple entièrement travaillé.
- Travailler l'exemple étape par étape, en s'expliquant pourquoi chaque étape est prise (auto-explication).
- Tenter un problème du même type immédiatement après, tant que la structure de l'exemple est encore active.
- Réduire progressivement le soutien de l'exemple à mesure que les problèmes deviennent fluides (technique de fondu).
Données probantes
L'effet d'exemple travaillé est l'un des résultats les plus robustes de la recherche sur la charge cognitive et la conception pédagogique, avec des dizaines d'études expérimentales montrant que les novices apprennent davantage à partir d'exemples qu'à partir d'un temps équivalent passé sur la résolution de problème non assistée. (rct)
L'effet s'inverse pour les experts (« l'effet d'inversion de l'expertise ») : les exemples travaillés pour quelqu'un qui possède déjà le schéma pertinent imposent plus de charge que simplement résoudre le problème.
Sources
- Sweller & Cooper (1985), The use of worked examples as a substitute for problem solving, Cognition and Instruction
- Atkinson et al. (2000), Learning from examples, Journal of Educational Psychology
- Sweller, J., & Cooper, G. A. (1985). The use of worked examples as a substitute for problem solving in learning algebra. Cognition and Instruction, 2(1), 59–89.
- Atkinson, R. K., Derry, S. J., Renkl, A., & Wortham, D. (2000). Learning from examples: Instructional principles from the worked examples research. Review of Educational Research, 70(2), 181–214.
Erreur fréquente
Lire un exemple travaillé passivement sans s'auto-expliquer chaque étape, ce qui donne l'illusion de comprendre mais laisse le schéma sous-jacent non construit.
Pratiquez cela avec IX Coach
More practices for La théorie de la charge cognitive : apprendre dans les limites de la mémoire de travail
- Regrouper les éléments liés avant de présenter les séquences
Regrouper les éléments d'information étroitement liés en unités nommées uniques avant d'enseigner les étapes qui les relient.
- Éliminer les effets d'attention divisée
Garder les informations physiquement ou conceptuellement liées ensemble pour que les apprenants n'aient pas à payer un coût de mémoire de travail pour les intégrer.
- Séquencer de la faible à la forte interactivité des éléments
Commencer par les éléments compréhensibles isolément avant d'introduire des éléments qui doivent être compris ensemble.
- Retirer l'information qui peut être déduite une fois le concept connu
Une fois qu'un apprenant peut traiter l'information de manière autonome, ajouter un soutien redondant augmente la charge plutôt que de la réduire.
- Utiliser l'audio parlé pour les explications associées à des diagrammes visuels
Diviser les ressources de mémoire de travail visuelle et auditive pour traiter plus d'information qu'un seul canal ne le pourrait seul.
Concepts associés
- L'effet des exemples résolus : apprendre plus vite en étudiant des solutions
How to use solved examples, self-explanation, and fading to build skill faster than problem-first practice
- Le chunking : comment apprendre plus en regroupant mieux
Working memory, meaningful grouping, and the architecture of expertise