💻 computer science

Coasting Through Class: Learning Opportunity Loss from Practice Avoidance During Individual Seatwork

Cette étude analyse les données d'ASSISTments pour révéler que les élèves « naviguent à vue » pendant 60 % du temps de pratique mathématique disponible en raison de départs tardifs, d'inactivité et d'arrêts prématurés, un schéma comportemental constant qui réduit considérablement les opportunités d'apprentissage et affecte négativement les résultats aux tests standardisés.

Auteurs originaux : Ashish Gurung, Jordan Gutterman, Danielle R. Thomas, Mingyu Feng, Vincent Aleven, Kenneth R. Koedinger

Publié 2026-04-29

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Ashish Gurung, Jordan Gutterman, Danielle R. Thomas, Mingyu Feng, Vincent Aleven, Kenneth R. Koedinger

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

La Grande Image : Le Problème du « Bus Vide »

Imaginez un bus scolaire qui quitte le garage chaque matin avec un réservoir plein et un horaire strict pour atteindre sa destination. Le bus a assez de carburant pour rouler 60 minutes. Cependant, le conducteur ne conduit réellement le bus que pendant 24 minutes. Pour les 36 minutes restantes, le moteur tourne, le bus est garé au bord du trottoir, ou le conducteur attend simplement de démarrer, mais le bus ne se déplace pas vers la destination.

Cet article étudie exactement ce scénario, mais au lieu d'un bus, il s'agit d'une classe de mathématiques numérique. Les chercheurs voulaient savoir : Combien de temps les élèves passent-ils réellement à apprendre, et combien de temps passent-ils simplement à « être assis » sans travailler ?

Ils appellent ce temps perdu « Coasting » (Glissement). Tout comme une voiture qui glisse en descente sans que le moteur ne travaille, les élèves « glissent à travers le cours » lorsqu'ils ne pratiquent pas activement les mathématiques, même s'ils sont assis devant leurs ordinateurs.

Qu'est-ce que le « Coasting » ?

Les chercheurs ont décomposé le « coasting » en trois manières spécifiques dont les élèves gaspillent du temps pendant une séance de cours :

Le « Départ Différé » (Attente au feu rouge) : La période de cours commence, mais l'élève ne commence pas à travailler immédiatement. Il peut bavarder, regarder par la fenêtre, ou simplement fixer l'écran. C'est du temps perdu dès le tout début.
Le « Ralenti en Pleine Pratique » (Le moteur au ralenti) : L'élève commence à travailler, puis s'arrête pendant une longue période (plus de 2 minutes) sans rien faire. Il ne répond pas aux questions ; il est simplement assis là.
L'« Arrêt Anticipé » (Garer la voiture trop tôt) : La période de cours n'est pas terminée et il reste encore des mathématiques à faire, mais l'élève éteint son ordinateur ou arrête de travailler parce qu'il a terminé ses devoirs assignés. Il arrête de « glisser » avant que la cloche ne sonne.

La Formule :

Temps Total de Glissement = Départ Différé + Temps de Ralenti + Arrêt Anticipé

Qu'ont-ils Découvert ?

Les chercheurs ont examiné les données de plus de 1 400 élèves utilisant une plateforme mathématique appelée ASSISTments. Voici ce qu'ils ont découvert :

La Répartition 40/60 : Les élèves n'ont utilisé que 40 % de leur temps de cours disponible pour pratiquer réellement les mathématiques. Les 60 % restants étaient du « temps de glissement ».
Où le temps est parti :
- 62 % du temps perdu était dû au fait que les élèves arrêtaient trop tôt.
- 36 % était dû au fait qu'ils attendaient trop longtemps pour commencer.
- Seulement 2 % était dû au fait qu'ils étaient simplement assis au milieu d'un problème sans rien faire.
- Analogie : Ce n'est pas que les élèves sont bloqués dans les embouteillages (ralenti) au milieu de la leçon ; c'est qu'ils arrivent en retard à la fête (démarrage différé) ou qu'ils quittent la fête dès qu'ils ont eu une collation (arrêt anticipé).
C'est une Habitude : Les chercheurs ont vérifié si ce comportement était aléatoire ou un motif récurrent. Ils ont constaté que si un élève a tendance à commencer tard ou à arrêter tôt un jour, il est susceptible de le faire à nouveau le lendemain. C'est une habitude constante, pas seulement une erreur ponctuelle.
Même les « Bons » Élèves Glissent : Même lorsque les chercheurs ont retiré le temps pendant lequel les élèves arrêtaient tôt parce qu'ils avaient terminé tout leur travail, les élèves gaspillaient encore environ 32 % de leur temps. Cela signifie que même lorsqu'il y a plus de travail disponible, de nombreux élèves s'arrêtent simplement.

Est-ce que Cela Dépend de l'Élève ?

Les chercheurs se sont demandé si certains groupes d'élèves glissaient plus que d'autres (par exemple, garçons contre filles, différentes races, ou élèves ayant des besoins spéciaux).

Genre : Au début, il semblait que les garçons glissaient plus que les filles. Cependant, lorsqu'ils ont ajusté les données en tenant du fait que les garçons terminaient souvent leurs devoirs assignés plus rapidement, la différence a disparu. Ce n'était pas que les garçons évitaient le travail ; ils terminaient simplement les tâches requises plus vite.
Besoins Spéciaux (PI) : Étonnamment, les élèves ayant un Programme Éducatif Individualisé (PEI) glissaient moins que les autres. Les chercheurs supposent que cela pourrait être dû au fait que ces élèves reçoivent plus d'aide de la part des enseignants ou ont des charges de travail modifiées qui les maintiennent engagés plus longtemps.
La Grande Conclusion : Le glissement arrive à tout le monde. Peu importe que vous soyez riche ou pauvre, que vous viviez en ville ou à la ferme, ou que vous parliez l'anglais comme deuxième langue. Le comportement de « glissement » est universel à travers tous ces groupes.

Le Secret de Meilleures Notes : « Effort Supplémentaire »

C'est la découverte la plus importante de l'article.

Les chercheurs ont demandé : Est-ce que passer plus de temps aide réellement ?

La Réponse : Oui, mais seulement si vous choisissez de continuer.
L'Analogie : Imaginez deux coureurs. Le Coureur A parcourt les 5 miles requis et s'arrête. Le Coureur B parcourt les 5 miles requis, mais décide ensuite de courir 2 miles de plus parce qu'il le veut.
Le Résultat : Les élèves qui ont fourni un « Effort Supplémentaire » (resté après avoir terminé leur première assignation pour faire plus de mathématiques) ont obtenu des scores nettement plus élevés aux tests standardisés.
La Condition : Rester assis devant l'ordinateur pendant longtemps (Temps sur la tâche) ne prédisait pas de meilleures notes si l'élève ne travaillait pas réellement. Mais choisir volontairement de continuer à travailler après avoir terminé le minimum requis était un énorme prédicteur de réussite.

Pourquoi Cela Compte pour les Enseignants et les Écoles

L'article suggère que les plateformes d'apprentissage numérique sont d'excellents outils, mais qu'elles ne peuvent pas résoudre le problème si les élèves n'utilisent pas le temps.

Le Problème : Les écoles donnent aux élèves une quantité fixe de temps pour apprendre. Si les élèves n'en utilisent que 40 %, le système échoue, même si le logiciel est parfait.
La Solution : Les enseignants doivent fixer des attentes claires. Les élèves doivent savoir que « terminer l'assignation » ne signifie pas « arrêter de travailler ». Ils doivent savoir qu'il y a plus à faire.
La Réparation Technologique : Le logiciel lui-même pourrait aider en affichant des invites telles que : « Vous avez terminé la première partie ! Voici 5 problèmes de plus à essayer », ou en alertant les enseignants lorsqu'un élève arrête de travailler trop tôt.

Résumé

Cet article introduit une nouvelle façon d'observer le comportement des élèves appelée « Coasting » (Glissement). Il révèle que dans les classes de mathématiques numériques, les élèves gaspillent une quantité massive de temps (60 %) en commençant tard, en arrêtant trop tôt, ou simplement en attendant. Cela arrive à presque tout le monde, indépendamment de leur origine. Cependant, les élèves qui brisent l'habitude du glissement et choisissent de faire un « Effort Supplémentaire » — pratiquant volontairement plus que ce qui est requis — sont ceux qui obtiennent les meilleures notes. La leçon est simple : Le temps passé n'est pas la même chose que le temps appris ; vous devez réellement utiliser le temps.

1. Énoncé du problème

Bien que les plateformes d'apprentissage numériques (DLP) soient conçues pour optimiser l'apprentissage grâce à un soutien adaptatif, leur efficacité dépend de l'utilisation active par les élèves du temps de pratique alloué. Les recherches existantes se concentrent fortement sur l'engagement improductif (par exemple, « jouer avec le système », « rêvasser » ou « tourner en rond ») où les élèves sont présents mais n'apprennent pas efficacement. Cependant, la désengagement absolu — où les élèves évitent complètement la tâche — est sous-étudié car il laisse souvent peu ou pas de traces dans les journaux d'activité.

Les auteurs identifient un vide dans la quantification de l'évitement de la pratique lors des séances de travail en classe structurées (travail individuel en classe). Plus précisément, ils cherchent à mesurer la perte d'opportunités d'apprentissage causée par :

Départs retardés : Les élèves attendant de commencer le travail après le début de la séance.
Temps d'inactivité en cours de pratique : Périodes d'inactivité pendant que la séance est en cours.
Arrêts anticipés : Les élèves cessant le travail avant la fin de la séance, même si du temps de pratique supplémentaire est disponible.

L'article postule que ce « temps perdu » représente un obstacle majeur à l'apprentissage que les métriques actuelles ne parviennent pas à capturer de manière exhaustive.

2. Méthodologie

Jeu de données

Source : Journaux d'activité publics provenant d'ASSISTments, une DLP de mathématiques offrant un feedback immédiat et une aide à la demande.
Portée : Deux années scolaires (2022–2023, 2023–2024).
Participants : $N = 1\,425$ élèves répartis dans 71 classes, 34 enseignants et 22 écoles dans 17 États des États-Unis.
Types de données : Journaux de transactions (~3 millions), scores de pré-test (automne) et post-test (printemps) de la Mesure de la progression académique (MAP), et données démographiques (sexe, race/ethnie, statut socio-économique, plan d'éducation individualisé [IEP], apprenant de l'anglais [ELL], urbanité).

Définitions opérationnelles et mesures

Les auteurs définissent le « Temps de dérive » (Coasted Time) comme la somme de trois mesures comportementales au niveau de la séance :
$\text{Temps de dérive} = \text{Départ retardé} + \text{Temps d'inactivité} + \text{Arrêt anticipé}$

Identification des séances : Utilisation d'un algorithme d'inférence temporelle (Gurung et al., 2026) pour classer les journaux en Travail en classe, Travail indépendant à l'école et Devoirs. Le travail en classe était défini comme des séances durant les heures de classe (7 h–15 h) avec plus de 5 élèves actifs simultanément.
Départ retardé : Temps écoulé entre le début de la séance (inféré à partir de l'activité des pairs) et la première action de l'élève.
Temps d'inactivité : Périodes d'inactivité dépassant le 99e percentile des temps de réponse (arrondi à 2 minutes).
Arrêt anticipé : Temps restant dans la séance après que l'élève a cessé de travailler.
- Ajustement : Pour distinguer l'évitement de l'efficacité, une métrique « ajustée » a été calculée où le temps d'arrêt anticipé était fixé à 0 si l'élève avait terminé au moins un exercice.
Effort supplémentaire : Défini comme la poursuite de la pratique après l'achèvement du premier exercice requis au sein d'une séance de travail en classe.

Approche analytique

Stabilité temporelle : Utilisation de la Théorie de la généralisabilité (G-Theory) pour calculer les coefficients G et les coefficients $\phi$ , évaluant la fiabilité des comportements de dérive au fil du temps.
Analyse démographique : Utilisation de la régression linéaire multiniveau (élèves imbriqués dans les classes) pour examiner la variance de la dérive en fonction du sexe, de la race/ethnie, du statut socio-économique, de l'IEP, de l'ELL et du lieu de l'école, en contrôlant la performance antérieure.
Validité prédictive : Utilisation de la régression multiniveau pour tester si l'Effort supplémentaire prédit les scores MAP du printemps, en contrôlant la performance antérieure, le temps total passé sur la tâche et la variance au niveau de la classe. L'ajustement du modèle a été évalué à l'aide du critère d'information bayésien (BIC) et du $R^2$ .

3. Contributions clés

Cadre conceptuel : Introduction du « Comportement de dérive » comme cadre unifié pour le désengagement absolu, le distinguant de l'engagement improductif. Il combine des mesures au niveau de la séance (départ retardé, arrêt anticipé) avec des mesures au sein de la tâche (inactivité).
Extension méthodologique : Extension des algorithmes d'inférence au niveau de la séance précédemment validés sur Cognitive Tutor et iReady à la plateforme ASSISTments, démontrant la généralisabilité inter-systèmes.
Quantification de la perte d'opportunités : Fourniture de preuves empiriques montrant qu'une majorité du temps de travail en classe alloué est perdue à cause de comportements d'évitement, remettant en question l'hypothèse selon laquelle le temps alloué équivaut au temps utilisé.
Différenciation de l'effort : Distinction entre le « Temps passé sur la tâche » (travail visant l'achèvement) et l'« Effort supplémentaire » (travail au-delà de l'achèvement), montrant que ce dernier est un prédicteur plus fort des résultats d'apprentissage.

4. Résultats clés

Étendue et composition de la dérive

Taux d'utilisation : Les élèves ont consacré seulement 40,15 % du temps de travail en classe disponible à la pratique active des mathématiques.
Temps perdu : 59,85 % du temps a été « dérivé ».
- Arrêt anticipé : 62,25 % du temps dérivé (la plus grande composante).
- Départ retardé : 35,79 % du temps dérivé.
- Temps d'inactivité : 1,96 % du temps dérivé (minimal).
Résultats ajustés : Même en excluant les arrêts anticipés attribuables à l'achèvement des exercices (en fixant l'arrêt anticipé à 0 pour ceux qui ont terminé), 32 % du temps disponible restaient inutilisés.

Fiabilité (Stabilité temporelle)

Départ retardé : Fiabilité modérée ( $G = 0,73$ ).
Arrêt anticipé : Fiabilité modérée ( $G = 0,71$ ).
Temps d'inactivité : Faible fiabilité ( $G = 0,53$ ), suggérant que l'inactivité est hautement dépendante du contexte (par exemple, difficulté des problèmes) plutôt que d'être un trait stable.
Implication : Les départs retardés et les arrêts anticipés sont des schémas comportementaux cohérents à travers les séances.

Variance démographique

Sexe : Les données non ajustées montraient que les garçons dérivaient plus que les filles (environ 32 secondes/séance). Cependant, cette différence disparaissait après ajustement pour l'achèvement des exercices, suggérant que les garçons terminaient simplement les exercices plus rapidement plutôt que d'éviter le travail.
Statut IEP : Les élèves ayant un IEP dérivaient moins que leurs pairs sans IEP dans les modèles non ajustés, mais cette différence disparaissait également après ajustement.
Autres facteurs : Aucune différence significative n'a été trouvée en fonction de la race/ethnie, du statut socio-économique, du statut ELL ou du lieu de l'école (urbain vs rural). La dérive semble être un phénomène universel à travers les démographies.

Impact sur l'apprentissage (Effort supplémentaire)

Temps passé sur la tâche : La proportion de temps passée à travailler vers l'achèvement initial n'était pas un prédicteur significatif des scores MAP du printemps ( $p = 0,919$ ).
Effort supplémentaire : La poursuite de la pratique au-delà du premier exercice était un prédicteur positif significatif des scores MAP du printemps ( $\beta = 1,44, p < 0,001$ $β = 1, 44, p < 0, 001$ ).
- Une augmentation de 10 % de la proportion d'effort supplémentaire était corrélée à une augmentation de 0,14 écart-type des scores de test.
- L'ajout de l'« Effort supplémentaire » au modèle a entraîné une amélioration très forte de l'ajustement du modèle ( $\Delta BIC = 11$ ).

5. Signification et implications

Signification théorique

Désengagement multiniveau : L'étude démontre que le désengagement opère à deux niveaux : le niveau de la séance (éviter le début ou s'arrêter tôt) et le niveau de la tâche (inactivité).
Perte d'opportunités : Elle redéfinit le « temps passé sur la tâche » non pas seulement comme une métrique de durée, mais comme une mesure de l'utilisation des opportunités. Le décalage entre le temps alloué et le temps de pratique réel est une variable critique, précédemment sous-mesurée, en sciences de l'apprentissage.
Auto-régulation : Le pouvoir prédictif de l'« Effort supplémentaire » suggère que la poursuite volontaire de la pratique reflète des traits d'auto-régulation plus profonds (par exemple, orientation vers la maîtrise, motivation intrinsèque) qui sont plus critiques pour l'apprentissage que le simple temps d'exposition.

Implications pratiques

Pour les éducateurs : Les enseignants doivent établir des attentes explicites pour un engagement soutenu tout au long de la période de classe entière, et non pas seulement jusqu'à ce que le premier exercice soit terminé. Les interventions doivent se concentrer sur « quoi faire ensuite » pour ceux qui terminent tôt.
Pour les concepteurs de plateformes : Les DLP doivent offrir des fonctionnalités favorisant un engagement soutenu, telles que :
- Indicateurs de progression.
- Rappels en cas d'inactivité.
- Voies claires pour des activités d'extension afin d'éviter les arrêts anticipés dus au manque d'orientation.
Pour les politiques : Les évaluations de l'efficacité des DLP doivent prendre en compte la « dérive ». Une plateforme peut être pédagogiquement solide, mais si 60 % du temps alloué est perdu à cause de l'évitement, le retour sur investissement est sévèrement diminué.

Limites

Nature corrélative : La causalité entre la dérive et la réussite ne peut être établie de manière définitive sans des designs expérimentaux.
Limites inférées : Les heures de début/fin des séances sont inférées à partir des données de journaux, ce qui peut introduire du bruit si les élèves s'écartent significativement des normes de classe.
Généralisabilité : L'échantillon est limité aux mathématiques au collège ; les schémas peuvent différer dans d'autres matières ou niveaux scolaires.

Conclusion

L'article conclut que la « dérive » est un schéma comportemental omniprésent et cohérent entraînant une perte substantielle d'opportunités d'apprentissage (environ 60 % du temps de classe). Bien que les facteurs démographiques ne conduisent pas significativement ce comportement, la distinction entre la conformité minimale (terminer la première tâche) et l'effort supplémentaire est cruciale. Les élèves qui prolongent volontairement leur temps de pratique obtiennent des résultats nettement meilleurs, soulignant la nécessité pour les systèmes éducatifs de favoriser et de soutenir un engagement soutenu au-delà des exigences minimales.