La modélisation numérique dans la démarche d’investigation : Quel impact sur l'acquisition des concepts scientifiques chez les apprenants du primaire?

Sara Ifqiren; Sophia Bouzit; Ihsane Kouchou; Sabah Selmaoui

doi:10.19044/esj.2025.v21n13p167

Sara Ifqiren Laboratoire Interdisciplinaire de Recherche en Didactique, Education et Formation, Ecole Normale Supérieure, Université Cadi Ayyad, Maroc
Sophia Bouzit Laboratoire Interdisciplinaire de Recherche en Didactique, Education et Formation, Ecole Normale Supérieure, Université Cadi Ayyad, Maroc
Ihsane Kouchou Laboratoire Interdisciplinaire de Recherche en Didactique, Education et Formation, Ecole Normale Supérieure, Université Cadi Ayyad, Maroc
Sabah Selmaoui Laboratoire Interdisciplinaire de Recherche en Didactique, Education et Formation, Ecole Normale Supérieure, Université Cadi Ayyad, Maroc

DOI: https://doi.org/10.19044/esj.2025.v21n13p167

Keywords: Modélisation numérique, concepts scientifiques, démarche d’investigation, Sciences de la Vie, primaire

Abstract

Dans cette recherche nous cherchons à évaluer l’impact de la modélisation numérique dans la démarche d’investigation sur l’acquisition des concepts scientifiques liées aux sciences de la vie par les élèves du primaire. Dans le cadre d’une démarche de recherche-action réalisée au sein d’un établissement privé de Marrakech, deux groupes d’élèves de 6 ème année primaire, composés de 18 enfants âgés de 10 à 11 ans, ont été impliqués dans l’étude. La collecte des données s'est déroulée en plusieurs phases ; un pré-test sous forme d’une évaluation diagnostique écrite a été administré aux apprenants, après un post-test sous forme d’une évaluation sommative écrite a été effectué pour comparer les progrès réalisés dans chaque groupe et évaluer l’impact de la modélisation numérique sur la compréhension des concepts scientifiques. L’analyse des résultats du pré-test et du post-test met en évidence l’impact de la modélisation numérique sur la compréhension des concepts liés à la reproduction humaine. Au départ, les deux groupes (témoin et expérimental) affichaient des niveaux de connaissances similaires en relation avec la reproduction humaine. Cependant, le post-test met en évidence une amélioration conceptuel notable chez le groupe expérimental. L’intégration des modèles numériques sous forme de simulations de phénomènes biologiques, tels que la fécondation et le cycle menstruel, pour aider les élèves à visualiser et comprendre ces processus complexes de manière interactive et dynamique semble avoir facilité une organisation plus structurée des connaissances liées à la reproduction chez l’Homme. Les résultats indiquent que les outils d’investigation tels que la modélisation numérique, contribuent à une meilleure compréhension des phénomènes biologiques complexes.

In this research, we seek to evaluate the impact of digital modelling in the investigative process on primary school learners' acquisition of scientific concepts related to life sciences. As part of an action-research approach carried out in a private school in Marrakech, two groups of 6th-grade primary students, composed of 18 children aged 10 to 11, were covered in the study. Data collection took place over several phases; A pre-test in the form of a written diagnostic assessment was administered to the learners, after a post-test in the form of a written summative assessment was carried out to compare the progress made in each group and to assess the impact of digital modelling on the understanding of scientific concepts. The analysis of the pre-test and post-test results highlights the impact of digital modelling on the understanding of concepts related to human reproduction. Initially, the two groups (control and experimental) had similar levels of knowledge related to human reproduction. However, the post-test showed a noteworthy conceptual improvement for the experimental group. The integration of digital models in the form of simulations of biological phenomena, such as fertilization and the menstrual cycle, to help students visualize and understand these complex processes in an interactive and dynamic manner seems to have facilitated a more structured organization of knowledge related to human reproduction. The results indicate that investigative tools such as digital modelling contribute to a better understanding of complex biological phenomena.

Downloads

Download data is not yet available.

Metrics

Metrics Loading ...

PlumX Statistics

References

1. Andersen, L., & Ward, T. J. (2014). Expectancy-value models for the STEM persistence plans of ninth-grade, high-ability students. Journal of Educational Psychology, 106(3), 629–648. https://doi.org/10.1037/a0034250
2. Arias, A. M., Davis, E. A., & Palincsar, A. S. (2023). Promoting model-based reasoning in science classrooms: A synthesis of design principles. Science Education, 107(2), 345–367. https://doi.org/10.1002/sce.21734
3. Ausubel, D. P. (1963). The psychology of meaningful verbal learning. Grune & Stratton.
4. Cheng, M., Lin, T. J., & Tsai, C. C. (2020). Scientific modeling for science learning: A review of empirical studies from 2000 to 2019. Review of Educational Research, 90(4), 534–567. https://doi.org/10.3102/0034654320930120
5. Cohen, J., Cohen, P., West, S. G., & Aiken, L. S. (2018). Applied multiple regression/correlation analysis for the behavioral sciences (3rd ed.). Routledge.
6. De Jong, T., Sotiriou, S., & Gillet, D. (2021). Innovations in STEM education: The Go-Lab ecosystem. Interactive Learning Environments, 29(1), 1–14. https://doi.org/10.1080/10494820.2019.1657412
7. Evagorou, M., & Nielsen, J. A. (2020). Engaging elementary school students in modeling practices to learn about complex societal issues. Journal of Research in Science Teaching, 57(7), 1097–1126. https://doi.org/10.1002/tea.21624
8. Hattie, J. (2009). Visible learning: A synthesis of over 800 meta-analyses relating to achievement. Routledge.
9. Hestenes, D. (1992). Modeling games in the Newtonian world. American Journal of Physics, 60(8), 732–748. https://doi.org/10.1119/1.17080
10. Hmelo-Silver, C. E. (2004). Problem-based learning: What and how do students learn? Educational Psychology Review, 16(3), 235–266. https://doi.org/10.1023/B:EDPR.0000034022.16470.f3
11. Justi, R., & Gilbert, J. (2002). Science teachers’ knowledge about and attitudes towards the use of models and modelling in learning science. International Journal of Science Education, 24(12), 1273–1292. https://doi.org/10.1080/09500690210163198
12. Lee, H. S., Pallant, A., & Tinker, R. (2022). Integrating dynamic simulations into science instruction to enhance students’ understanding of scientific concepts. Science Education, 106(1), 25–47. https://doi.org/10.1002/sce.21685
13. Louca, L. T., & Zacharia, Z. C. (2012). Modeling-based learning in science education: Cognitive, metacognitive, social, and cultural perspectives. Science Education International, 23(2), 93–102.
14. Programme révisé. (2019). Actualités du curricula pour les quatre premières années du primaire : La directive des curricula (pp. 186–190).
15. Rembeck, S., & Möller, H. (2006). Les représentations sociales du cycle menstruel chez les adolescentes. Revue Internationale de Psychologie Sociale, 19(2), 123–140.
16. Roediger, H. L., & Karpicke, J. D. (2006). Test-enhanced learning: Taking memory tests improves long-term retention. Perspectives on Psychological Science, 1(3), 181–210. https://doi.org/10.1111/j.1745-6916.2006.00012.x
17. Rocard, M., Csermely, P., Jorde, D., Lenzen, D., Walberg-Henriksson, H., & Hemmo, V. (2007). L’enseignement scientifique aujourd’hui : Une pédagogie renouvelée pour l’avenir de l’Europe. Commission européenne, Direction de la Recherche. http://www.inrp.fr/vst/Rapports/DetailEtude.php?&id=674
18. Tunnicliffe, S. D. (2001). Conceptual development and science education. International Journal of Science Education, 23(7), 705–728. https://doi.org/10.1080/09500690120442
19. Vision stratégique 2015–2030. (2015). Conseil Supérieur de l’Éducation, de la Formation et de la Recherche Scientifique.