Le statisticien en éducation appliquant les théories à l'apprentissage dans le monde réel
Ethan M. McCormick utilise des données complexes pour éclairer les interventions éducatives
Interviewé:
Interview par :
Ethan M. McCormick conçoit des outils statistiques pour mesurer l'évolution des enfants au fil du temps, afin d'adapter efficacement le soutien apporté. Annie Brookman-Byrne nous en dit plus.
Annie Brookman-Byrne :Que cherchez-vous à comprendre concernant le développement des enfants au fil du temps, et comment ?
Ethan McCormick : Les capacités, les comportements et les expériences d'un enfant évoluent au fil des jours, des mois et des années. Je souhaite comprendre comment et pourquoi. De nombreuses théories sur le développement et l'apprentissage chez l'enfant sont non linéaires : on parle de poussées de croissance, de phases de stagnation et de moments charnières. Le développement est également dynamique : les réussites et les échecs d'aujourd'hui influencent les performances et l'engagement des enfants de demain.
« De nombreuses théories sur le développement et l’apprentissage des enfants sont non linéaires – on parle de poussées de croissance, de plateaux et de points de bascule. »
Mes travaux consistent à créer des modèles statistiques pour ces processus complexes. Mon objectif est d'estimer le devenir des enfants à partir de modèles non linéaires complexes ; de distinguer les cycles comportementaux à court terme des tendances de croissance à long terme ; et d'établir un lien entre les différences individuelles de développement et d'apprentissage et les résultats obtenus ultérieurement. Ceci est important car une modélisation statistique inadéquate ne se contente pas de produire des résultats bruités, elle peut aussi conduire à des conclusions erronées. Grâce à de bons modèles statistiques, nous pouvons déterminer quand un enfant a besoin d'une intervention spécifique pour l'aider à acquérir une compétence essentielle.
ABB: Qu'est-ce qui vous a poussé à travailler sur ces questions ?
EMC : Au début de ma carrière, j’ai travaillé sur des projets appliqués liés à l’apprentissage et à la prise de décision chez les adolescents. À maintes reprises, les recherches que je souhaitais mener se sont heurtées aux limites des outils statistiques. Nous pouvions décrire les différences moyennes, mais il nous était difficile d’évaluer l’évolution individuelle. Nous voulions savoir, par exemple, comment le feedback d’aujourd’hui influence l’apprentissage de demain. Cette difficulté m’a orientée vers le domaine des méthodes quantitatives.
« Nous voulions savoir comment les retours d'information d'aujourd'hui influencent l'apprentissage de demain. »
Je souhaitais des modèles statistiques suffisamment complexes pour correspondre à nos théories du développement, mais aussi suffisamment précis et accessibles pour que les chercheurs appliqués puissent réellement les utiliser. Je jongle constamment entre le développement de méthodes statistiques et leur application concrète. Chaque aspect nourrit l'autre. La dimension translationnelle est à la fois un élément central de mes recherches et une composante essentielle de ma contribution à ce domaine.
ABB: Comment vos recherches aideront-elles les enfants ?
EMC : Une grande partie de mon travail consiste à doter les chercheurs et les enseignants d’outils plus précis pour mesurer les comportements et les apprentissages « tels qu’ils sont vécus », et non en laboratoire. La quantité de données disponibles pour éclairer les décisions et les interventions a augmenté si rapidement que les méthodes de synthèse et de prévision n’ont pas eu le temps de suivre le rythme.
Mon objectif est de faire progresser les travaux dans des domaines qui ont un impact direct sur l'apprentissage et le bien-être général des enfants. Par exemple, je m'efforce d'identifier les indicateurs de difficultés d'apprentissage afin d'optimiser l'utilisation des ressources pédagogiques. Je prévois également les événements négatifs susceptibles d'affecter les jeunes vulnérables, afin de les prévenir. De plus, je travaille à identifier les facteurs de risque précoces de retards de développement à long terme chez les enfants, afin de leur apporter un soutien précoce. Tous ces enjeux exigent une rigueur technique et une validation irréprochables pour garantir des décisions ciblées, équitables et opportunes.
ABB: Pouvez-vous donner un exemple de la manière dont ce travail peut aider les enseignants ?
EMC : L’un des principaux enseignements tirés de l’utilisation de ces modèles d’apprentissage dynamiques réside dans l’importance de la variabilité des comportements, et pas seulement des performances globales moyennes. Prenons l’exemple de deux élèves : l’un obtient régulièrement des résultats entre 75 et 85 %, l’autre entre 65 et 95 %. Mes travaux, ainsi que ceux d’autres chercheurs, suggèrent que, pour réussir sur le long terme, ces deux profils d’apprentissage et de performance requièrent un accompagnement différent de la part des enseignants. Dans le cas d’élèves aux performances plus variables, il peut être particulièrement difficile de distinguer les fluctuations passagères des difficultés potentielles à long terme. La création d’outils supplémentaires pour aider les enseignants à différencier ces deux schémas constitue un objectif majeur des recherches futures.
ABB: Quelles idées avez-vous le plus envie de mettre en œuvre prochainement ?
EMC : Les expériences quotidiennes d’apprentissage, de stress et de sommeil des enfants interagissent avec leur développement à long terme. Je développe des modèles qui intègrent les données des journaux d’apprentissage sur application mobile avec des données sur le développement à long terme. Cela nous permettra de faire le lien entre les différentes échelles temporelles et d’étudier comment les dynamiques à court terme se combinent pour produire un changement durable. Il y a tant de problèmes passionnants et stimulants à résoudre pour permettre à ces modèles de saisir la complexité des données.
« Les expériences quotidiennes d’apprentissage, de stress et de sommeil des enfants interagissent avec leur développement à long terme. »
Je suis également ravie de collaborer avec d'autres personnes afin d'améliorer l'équité des évaluations en matière d'éducation et de santé mentale. Les expériences culturelles, personnelles et scolaires influencent la manière dont un apprenant interagit avec les évaluations. Nous développons des modèles qui réduisent les biais liés aux expériences individuelles. Ces modèles visent à intégrer ces informations plutôt que de simplement les contrôler ou les ignorer. Ainsi, les décisions seront plus justes et mieux adaptées à la diversité des apprenants.
Notes
Ethan M. McCormick développe et applique de nouvelles méthodes quantitatives, notamment des modèles longitudinaux, de séries temporelles et psychométriques, afin de comprendre comment l'apprentissage et le développement se déroulent au fil du temps. Ses travaux portent sur des modèles de changement interprétables et reproductibles que les chercheurs appliqués peuvent utiliser pour répondre à des questions théoriques. Des articles récents introduisent l'estimation linéaire avec inférence non linéaire, précisent quand et comment modéliser le « changement » et fournissent des outils rigoureux pour prédire les résultats à long terme de la croissance. Ethan associe le développement de méthodes à des logiciels libres, des tutoriels et des ateliers afin que ces outils soient accessibles aux enseignants, aux cliniciens et aux chercheurs travaillant avec des enfants et des adolescents. Ethan est titulaire d'une chaire de recherche (2024-2026). Jacobs Foundation Chercheur associé.
Ethan siteet Ethan sur Google Scholar.
Cet entretien a été légèrement modifié pour plus de clarté.
