💻 computer science

Game-Based and Gamified Robotics Education: A Comparative Systematic Review and Design Guidelines

Cet article présente la première revue systématique conforme à PRISMA comparant l'apprentissage par le jeu et la ludification dans l'éducation à la robotique, analysant 95 études pour révéler des schémas contextuels distincts, identifier les limitations technologiques actuelles et proposer huit axes de recherche accompagnés de lignes directrices de conception applicables.

Auteurs originaux : Syed T. Mubarrat, Byung-Cheol Min, Tianyu Shao, E. Cho Smith, Bedrich Benes, Alejandra J. Magana, Christos Mousas, Dominic Kao

Publié 2026-05-01

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Syed T. Mubarrat, Byung-Cheol Min, Tianyu Shao, E. Cho Smith, Bedrich Benes, Alejandra J. Magana, Christos Mousas, Dominic Kao

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez l'éducation en robotique comme un immense et complexe puzzle. Pour beaucoup de gens, surtout les débutants, les pièces semblent trop pointues, les instructions trop confuses, et l'image sur la boîte trop floue. Ce papier est comme une équipe de détectives qui a passé des années à rassembler chaque indice (95 études différentes) sur la façon de rendre la résolution de ce puzzle amusante et facile. Ils ont examiné deux stratégies principales : l'Apprentissage par le Jeu (GBL) et la Gamification.

Voici la répartition de leurs découvertes, expliquée simplement :

Les Deux Stratégies Principales : Le « Parc d'Attractions » contre la « Carte de Fidélité »

Les chercheurs ont constaté que les gens utilisent deux façons très différentes de rendre la robotique amusante, et qu'ils ont tendance à les utiliser dans des contextes différents.

L'Apprentissage par le Jeu (GBL) est le « Parc d'Attractions ».
- Ce que c'est : Vous jouez à un jeu entièrement construit dont le but est d'apprendre. Pensez-y comme à un jeu vidéo conçu spécifiquement pour vous apprendre à construire un robot.
- Où cela se passe : On le trouve principalement dans des cadres informels comme des clubs après l'école, des camps ou des musées. C'est flexible, comme une aventure de week-end.
- L'Ambiance : Cela ressemble à du jeu. Vous explorez, faites des erreurs et construisez des choses dans un bac à sable.
La Gamification est la « Carte de Fidélité ».
- Ce que c'est : Il s'agit de prendre un cours normal et d'y ajouter des éléments de jeu. Vous gagnez des points pour avoir terminé vos devoirs, des badges pour de bonnes notes, ou vous competez sur un classement. Le cours reste un cours, mais il possède une « couche de jeu » par-dessus.
- Où cela se passe : Elle domine les salles de classe formelles (écoles et universités). Elle s'intègre parfaitement dans un horaire strict et un système de notation.
- L'Ambiance : Cela ressemble à un défi structuré. Vous gagnez des récompenses pour avoir fait votre travail.

La Grande Découverte : Les chercheurs ont constaté que ces deux stratégies sont comme des outils différents pour des emplois différents. Vous n'utiliseriez pas un système de carte de fidélité dans un camp d'art libre, et vous ne construiriez pas un parc d'attractions entier à l'intérieur d'un examen de mathématiques strict. Elles fonctionnent mieux lorsqu'elles sont adaptées au bon environnement.

Qu'enseignent-ils réellement ? (Le Problème des « Roues Stabilisatrices »)

Le papier souligne un écart majeur dans ce qui est enseigné. Imaginez que vous n'ayez jamais appris à faire du vélo qu'avec des roues stabilisatrices, mais que vous n'ayez jamais appris à réparer la chaîne ni à rouler en montagne.

Le Focus : Presque toutes les études se sont concentrées sur les compétences de base. Elles ont utilisé des kits de robots simples et préfabriqués (comme LEGO) et du codage de base (glisser-déposer des blocs).
La Pièce Manquante : Très peu d'études ont enseigné des compétences avancées. Il n'y avait presque aucune recherche sur l'enseignement de logiciels complexes, d'ingénierie matérielle avancée, ou sur la façon d'intégrer toutes les parties d'un robot dans un système sophistiqué.
Le Résultat : Nous sommes excellents pour amener les enfants à commencer à jouer avec des robots, mais nous ne sommes pas très bons pour leur montrer comment devenir des ingénieurs experts capables de construire des systèmes complexes à partir de zéro.

Les « Lunettes Magiques » (Technologie Immersive)

Les chercheurs ont examiné si l'utilisation de la Réalité Virtuelle (VR) ou de gants haptiques (gants qui vous permettent de « sentir » le robot) aide.

La Réalité : De manière surprenante, très peu d'études ont utilisé ces « lunettes magiques ». La plupart des gens utilisent encore des écrans d'ordinateur ordinaires ou des robots physiques.
Le Potentiel : Lorsqu'ils ont utilisé la VR ou l'haptique, cela a aidé les étudiants à se sentir plus confiants et à mieux comprendre les concepts spatiaux (comme la façon dont un robot se déplace dans l'espace 3D). Cependant, comme si peu d'études les ont utilisés, nous n'avons pas encore assez de preuves pour dire qu'ils sont un « must » pour tout le monde.

Le Piège de l'« Auto-Évaluation »

Un problème majeur souligné par le papier est la façon dont le succès est mesuré.

Le Problème : La plupart des études demandent aux étudiants : « Vous êtes-vous amusé ? » ou « Vous sentez-vous plus intelligent ? » et prennent leur parole pour argent comptant.
L'Écart : Très peu d'études ont réellement testé si les étudiants avaient vraiment appris le matériel ou s'ils pouvaient encore s'en souvenir un mois plus tard. C'est comme si un restaurant demandait à ses clients : « La nourriture était-elle bonne ? » au lieu de vérifier réellement si la nourriture était cuite correctement.

La « Carte de Conception » (Que Devrions-Nous Faire Ensuite ?)

Sur la base de leur travail d'enquête, les auteurs ont tracé une carte pour l'avenir. Ils suggèrent :

Adapter l'Outil au Lieu : Ne forcez pas un jeu de « Parc d'Attractions » dans une salle de classe stricte, et ne forcez pas un système de « Carte de Fidélité » dans un club de jeu libre.
Augmenter la Difficulté : Arrêtez d'enseigner uniquement les bases. Créez des jeux qui aident les étudiants à passer de « Débutant » (roues stabilisatrices) à « Expert » (réparer le moteur).
Mélanger les Modes : Combine des robots physiques, des simulations informatiques et des jeux. Commencez par un jeu pour susciter l'intérêt, passez à un simulateur pour s'entraîner en toute sécurité, puis construisez la chose réelle.
Être Inclusif : Assurez-vous que ces jeux fonctionnent pour tout le monde, y compris les personnes handicapées (comme utiliser la vibration pour aider les étudiants aveugles à « sentir » le robot).
Tester l'Apprentissage Réel : Arrêtez de simplement demander « Vous a-t-il plu ? » et commencez à tester « Pouvez-vous réellement le construire ? »

La Conclusion

Ce papier nous dit que rendre l'éducation en robotique amusante fonctionne pour susciter l'intérêt des gens, mais nous devons nous améliorer dans l'enseignement des choses difficiles et dans la mesure de l'apprentissage réel. Nous avons maîtrisé les « roues stabilisatrices » ; maintenant, nous devons trouver comment apprendre aux gens à faire du vélo par eux-mêmes.

1. Énoncé du problème

L'éducation en robotique est un vecteur essentiel pour développer les compétences du XXIe siècle (pensée computationnelle, résolution de problèmes, créativité), mais elle fait face à des obstacles majeurs dus à la complexité technique, aux courbes d'apprentissage abruptes et aux exigences élevées en ressources. Bien que l'Apprentissage par le Jeu (Game-Based Learning - GBL) (utilisation de jeux complets pour l'apprentissage) et la Gamification (intégration d'éléments de jeu tels que points/badges dans des contextes non ludiques) soient largement reconnus pour améliorer l'engagement dans les domaines STEM, leur efficacité comparative spécifique en robotique reste floue.

La littérature existante souffre de quatre lacunes persistantes :

Évidence fragmentée : Absence de comparaison systématique entre le GBL et la gamification spécifiquement pour la robotique.
Déséquilibre des compétences : Surenchère sur la programmation d'introduction et les kits modulaires, avec une intégration limitée des logiciels avancés, du matériel et de la pensée systémique.
Retard technologique : Sous-utilisation des technologies immersives (réalité virtuelle, haptique) et des contextes d'apprentissage informels.
Faiblesse méthodologique : Prévalence d'études à court terme reposant sur des données auto-déclarées plutôt que sur des évaluations rigoureuses et longitudinales des résultats d'apprentissage.

2. Méthodologie

Les auteurs ont mené une revue systématique de la littérature conforme aux directives PRISMA couvrant la période de 2014 à 2025.

Collecte de données :
- Bases de données : Scopus, ProQuest, IEEE Xplore et ACM Digital Library.
- Volume de recherche : 12 485 enregistrements récupérés ; 95 études incluses dans la synthèse finale après un filtrage rigoureux.
- Critères d'inclusion : Études se concentrant sur le GBL ou la gamification dans l'éducation en robotique, l'enseignement de la programmation, du développement logiciel ou de la compréhension des systèmes robotiques.
Codage et analyse :
- Variables codées : Type d'approche (GBL vs Gamifiée), contexte d'apprentissage (Formel vs Informel), modèles pédagogiques, niveaux de compétences (Débutant/Intermédiaire/Avancé), modalité d'intervention, utilisation de technologies immersives et résultats.
- Fiabilité : Deux évaluateurs disposant de plus de 10 ans d'expérience ont atteint une très haute fiabilité inter-évaluateurs (Cohen's $\kappa$ = .918).
- Analyse statistique : Synthèse à méthodes mixtes impliquant des statistiques descriptives, des tableaux de contingence, des tests du $\chi^2$ de Pearson, des tests exacts de Fisher et une régression logistique exploratoire pour identifier les modèles et les prédicteurs des gains d'apprentissage.
- Évaluation de la qualité : Utilisation de l'outil Mixed Methods Appraisal Tool (MMAT) et de ROBINS-I pour évaluer le risque de biais, révélant une dominance de designs descriptifs et un risque de biais « Sérieux » dans de nombreuses études non randomisées.

3. Contributions clés

Première synthèse comparative : L'étude fournit la première comparaison rigoureuse, côte à côte, du GBL et de la gamification spécifiquement dans l'éducation en robotique.
Cadre de l'espace de conception : Propose un espace de conception structuré (visualisé dans la Figure 14) décrivant les meilleures pratiques, les écueils et les résultats basés sur l'intersection de l'approche, du contexte et de la pédagogie.
Modèle de progression par étapes : Introduit un modèle de progression de l'apprenant en trois étapes (Débutant $\to$ Intermédiaire $\to$ Avancé) pour guider l'alignement des tâches, des étayages et des évaluations avec la préparation de l'apprenant.
Huit orientations de recherche : Identifie des voies de recherche futures concrètes, notamment les systèmes adaptatifs, la conception inclusive, l'intégration multimodale immersive et le coaching piloté par l'IA.

4. Résultats et découvertes clés

A. Couplage Approche–Contexte–Pédagogie

Répartition contextuelle : La gamification est écrasamment dominante dans les contextes éducatifs formels (85,3 %), probablement en raison de sa facilité d'intégration dans les programmes existants (ex. : points, badges). Le GBL est plus uniformément réparti mais significativement plus prévalent dans les contextes informels (54,1 %), où une exploration flexible et ouverte est possible.
Alignement pédagogique :
- Les études gamifiées privilégient l'Apprentissage par Projet (APP) (71,4 %) et les stratégies expérientielles.
- Les études GBL montrent une préférence plus marquée pour la pédagogie constructiviste (49,2 %) par rapport aux études gamifiées (25,7 %).
Signification statistique : Le couplage entre l'approche et le contexte est statistiquement significatif ( $p < .001$ ).

B. Niveaux de compétences et technologie

Focus sur les compétences : Le domaine est fortement biaisé vers la programmation d'introduction (Débutant/Intermédiaire) et les kits modulaires (ex. : LEGO Mindstorms, micro:bit).
- Logiciels avancés : Seulement ~17 % des études ont abordé le développement logiciel avancé.
- Matériel avancé : Seulement ~5 % ont abordé l'intégration de matériel avancé.
- Déconnexion : La programmation avancée est souvent enseignée isolément de la compréhension des systèmes robotiques, créant un écart dans la compétence holistique.
Technologie immersive : L'utilisation est faible. Seulement ~22 % des études ont utilisé des technologies immersives. La réalité virtuelle (VR) est la plus courante, tandis que l'haptique est rarement utilisée (<5 %), malgré son potentiel pour l'apprentissage incarné.

C. Résultats d'apprentissage et motivation

Efficacité comparative : Il n'y avait aucune différence statistiquement significative entre le GBL et la gamification en ce qui concerne les gains d'apprentissage quantifiables ou les résultats affectifs (motivation, engagement). Les deux sont efficaces, mais leur succès dépend fortement du contexte d'apprentissage et de la pédagogie.
Impact contextuel : Les contextes formels étaient plus susceptibles de rapporter des gains d'apprentissage quantifiables ( $p = .049$ ), tandis que les contextes informels excellaient dans l'accessibilité et la motivation intrinsèque.
Impact de la technologie immersive : Les études utilisant la VR/l'haptique ont montré des tendances positives en matière de raisonnement spatial et d'engagement, bien que les tailles d'échantillon soient souvent petites.

D. Limites identifiées

Défauts méthodologiques : Forte dépendance aux données auto-déclarées, petites tailles d'échantillon, absence de groupes de contrôle et horizons d'étude courts (souvent des sessions uniques ou des cours courts).
Défis : Intensité des ressources, bugs techniques (logiciel/matériel), surcharge cognitive dans les contextes compétitifs gamifiés et « effets de nouveauté » qui s'estompent avec le temps.

5. Signification et implications

Cet article modifie fondamentalement le discours en passant de la vision du GBL et de la gamification comme des choix concurrents à leur compréhension en tant qu'outils complémentaires dont l'efficacité est médiatisée par la pédagogie et le contexte.

Pour les concepteurs : L'espace de conception proposé offre des lignes directrices exploitables. Par exemple, les salles de classe formelles devraient tirer parti de la gamification pour étayer les micro-comportements au sein de l'APP, tandis que les contextes informels devraient utiliser le GBL complet pour une exploration constructiviste et ouverte.
Pour les éducateurs : Les résultats suggèrent la nécessité de dépasser la robotique « jouet ». Les éducateurs doivent concevoir des programmes de progression conscients qui comblent l'écart entre le codage par blocs et l'intégration avancée des systèmes (ex. : ROS, matériel personnalisé).
Pour les chercheurs : L'appel à des études longitudinales rigoureuses utilisant des méthodes mixtes, des analyses de performance et des populations diverses et inclusives est crucial. Les travaux futurs doivent traiter la « boîte noire » de la manière dont des mécaniques de jeu spécifiques se traduisent par une pensée systémique profonde en robotique.

En conclusion, l'article fournit une feuille de route fondamentale pour faire évoluer l'éducation en robotique d'interventions fragmentées et motivées par la nouveauté vers des écosystèmes d'apprentissage durables, évolutifs et pédagogiquement intégrés.