Strategies in problem-solving : a model to cluster problem-solving behaviours
Stratégies pour la résolution de problèmes : un modèle de classification de comportements de résolution
Résumé
Learning regulation is the set of skills that facilitate learning. This includes motivational and emotional skills, as well as meta-cognition skills, such as monitoring goals and strategies. Learning situations are present in every-day life, and mostly take the form of open problems, problems for which there is an unknown solution or method to achieve them. Open problem solving requires learning unknown elements, which requires regulation skills. Understanding the strategies used by learners to solve open-ended problems allows us to better understand the regulation processes and therefore the learning process. Regulatory processes can be influenced and trained, and this understanding of the processes could lead, to better-suited teaching methods. This thesis presents a model representing the learning process of a learner confronted with an open problem, as well as a method allowing, based on external observations of actions carried out by learners, to group problem-solving sequences depending on the strategies used. The analysis methods use clustering algorithms, which using dynamic time warping as a measure of similarity between problem-solving sequences. This dynamic time warping measure is applied to symbolic data, which can be compared through the use of proper metrics. In the context of small datasets, a metaclustering method is presented for robustness purposes. Two case studies use the method defined here to show the potential uses of such a method but also to discuss its limitations. The first, CreaCube, is the study of a creative problem-solving task, in which we try to understand the processes of creativity. Second, Outer Wilds tries to extend the analysis to long problems.
La régulation de l’apprentissage est l’ensemble des compétences permettant de faciliter l’apprentissage. Cela inclut des compétences motivationnelles, émotionnelles, ainsi que des compétences de métacognition, comme le contrôle des objectifs et des stratégies d’apprentissage. Les situations d’apprentissage sont présentes au quotidien, et peuvent prendre la forme de problèmes ouverts, problèmes dont on ne connaît pas de solution ou bien de méthode pour y parvenir. La résolution de problème ouvert nécessite l’apprentissage des éléments inconnus, ce qui sollicite des compétences de régulation. Comprendre les stratégies employées par des apprenants pour résoudre des problèmes ouverts permet donc de mieux comprendre les processus de régulation et donc le processus d’apprentissage. Les processus de régulation peuvent être influencés et entraînés, et cette compréhension des processus pourrait mener, en plus, à des méthodes pédagogiques toujours plus adaptées. Cette thèse présente un modèle représentant le processus d’apprentissage d’un apprennant confronté à un problème ouvert, ainsi qu’une méthode permettant, à partir d’observations externes d’actions faites par des apprennants, de grouper des séquences de résolution de problème ouvert en fonction des stratégies employées. Les méthodes d’analyse ont recours à des algorithmes de regroupement utilisant l’alignement temporel comme mesure de la proximité entre des séquences de résolution de problèmes. Cet alignement temporel s’applique sur des données symboliques comparables grâce à une notion de métrique préalablement définie. Dans le cadre de petits jeux de données, une méthode de metaclustering est présentée à des fins de robustesse. Deux études de cas utilisent la méthode définie ici pour montrer les potentiels usages d’une telle méthode mais également en discuter ses limitations. La première, CreaCube, est l’étude d’une tâche créative de résolution de problème, dans laquelle nous essayons de cerner les processus de la créativité. La deuxième, Outer Wilds, essaye d’étendre l’analyse à des problèmes longs.
| Origine | Version validée par le jury (STAR) |
|---|