Dans le post précédent, Decision-making 101, j'ai fourni la preuve que l'attention sélective portée aux objets récupérés dans la mémoire de travail était un facteur majeur dans la prise de bonnes décisions. Ceci a généralement une signification éducative non reconnue. Il est rare que le matériel didactique s'accompagne d'une connaissance préalable de la façon dont il peut être optimisé en termes de réduction de la charge cognitive de la mémoire de travail. Une nouvelle recherche d'un groupe de neurosciences cognitives au Royaume-Uni démontre l'importance particulière que cela a pour apprendre à catégoriser correctement le nouveau matériel d'apprentissage. Ils montrent que l'apprentissage est plus efficace lorsque l'instruction est optimisée («idéalisée» dans sa terminologie).
Les décisions nécessitent souvent de catégoriser les nouveaux stimuli, tels que normal / anormal, ami / ennemi, utile / nuisible, correct / faux ou même l'affectation à l'une des options de plusieurs catégories. Enseigner aux élèves comment effectuer des affectations de catégories correctes consiste généralement à leur montrer des exemples pour chaque catégorie. Les problèmes de catégorisation surviennent régulièrement lorsque l'apprentissage est testé. Par exemple, les tests à choix multiple courants dans les écoles exigent que l'on décide de chaque réponse potentielle comme bonne ou mauvaise.
En examinant la littérature sur l'optimisation de la formation, ces chercheurs ont trouvé des rapports qu'une approche qui fonctionne est de présenter la formation dans un ordre spécifique. Par exemple, en enseignant aux élèves comment classer par catégorie, les personnes obtiennent de meilleurs résultats lorsque plusieurs exemples d'une catégorie sont présentés ensemble, suivis d'un certain nombre d'exemples contrastés de l'autre catégorie. D'autres manipulations de commande sont mieux apprises si des cas simples et non ambigus dans l'une ou l'autre catégorie sont présentés ensemble tôt dans la formation, tandis que les cas les plus difficiles et les plus confus sont présentés par la suite. Une telle formation renforce le contraste entre les deux catégories.
Le groupe britannique s'est concentré sur le rôle de la mémoire de travail dans l'apprentissage. Leur idée est que l'ambiguïté pendant l'apprentissage est un problème. Dans les situations réelles qui nécessitent une identification correcte des catégories, les ambiguïtés naturelles rendent difficiles les décisions correctes. Considérez ces ambiguïtés comme un «bruit» cognitif qui interfère avec l'entraînement qui est rappelé dans la mémoire de travail. Ce bruit encombre l'encodage au cours de l'apprentissage et encombre le processus de réflexion et altère les processus de pensée rigoureux qui peuvent être nécessaires pour faire une distinction correcte. Dans le monde réel des jeunes à l'école, les autres sources importantes de bruit cognitif sont les stimuli sans rapport avec la tâche qui proviennent des habitudes multitâches si courantes chez les élèves d'aujourd'hui.
La théorie est que lors de l'exécution d'une tâche apprise, l'élève rappelle ce qui a été enseigné dans la mémoire de travail. La mémoire de travail a une capacité très limitée, de sorte que tout "bruit" associé à l'apprentissage initial peut être incomplètement codé et le bruit mémorisé peut également compliquer la réflexion nécessaire pour effectuer correctement. Ainsi, la simplification du matériel d'apprentissage devrait réduire les ambiguïtés mémorisées, abaisser la charge de la mémoire de travail et permettre un meilleur raisonnement et des performances de test.
Un exemple d'optimisation de l'apprentissage est l'étude de Hornsby et Love (2014) qui a appliqué le concept à la formation de personnes sans formation médicale préalable pour décider si une mammographie donnée était normale ou cancéreuse. Ils ont émis l'hypothèse que l'apprentissage serait plus efficace si les étudiants étaient formés sur des mammographies facilement identifiables comme normales ou cancéreuses, et n'incluaient pas d'exemples où la distinction n'était pas si évidente. La prémisse sous-jacente est que la prise de décision implique de rappeler des exemples mémorisés du passé dans la mémoire de travail et d'accumuler les preuves pour la catégorie appropriée. Si les éléments mémorisés sont bruyants (c'est-à-dire ambigus), le bruit s'accumule et rend la décision plus difficile. Ainsi, les apprenants auront plus de difficultés s'ils sont formés sur des exemples couvrant toute la gamme des possibilités, allant de clairement évidentes à obscures que si elles étaient formées séparément sur des exemples qui apparaissaient clairement comme appartenant à une catégorie ou à une autre.
Initialement, un groupe d'apprenants a été formé sur un mélange complet de mammographies afin que les images puissent être classées par difficulté diagnostique comme étant faciles ou dures ou entre les deux. Lors de chaque essai, trois mammographies ont été montrées: l'image de gauche était normale, la droite était cancéreuse et le milieu était l'élément de test nécessitant un diagnostic pour savoir s'il était normal ou cancéreux.
Dans l'expérience actuelle, un groupe d'étudiants a été formé pour classer un ensemble représentatif d'images faciles, moyennes et dures, tandis que l'autre groupe a été formé uniquement sur des échantillons faciles. Pendant les essais d'entraînement, les apprenants ont regardé les trois mammographies, ont énoncé leur diagnostic pour l'image du milieu et ont ensuite reçu une rétroaction pour savoir s'ils avaient raison ou tort. Après avoir complété les 324 essais d'entraînement, les participants ont complété 18 essais de test, qui consistaient en trois items faciles, moyens et difficiles, auparavant invisibles, de chaque catégorie, affichés dans un ordre aléatoire. Les essais ont suivi la même procédure que les essais d'entraînement.
Lorsque les deux groupes ont été testés sur des échantillons à travers la gamme dans les deux conditions, le groupe optimisé était plus à même de distinguer les mammographies normales des mammographies cancéreuses dans les images faciles et moyennes. Notez que le groupe optimisé n'a pas été formé sur les images de taille moyenne. Cependant, aucun avantage n'a été trouvé dans le cas des items de test difficiles; les deux groupes ont fait beaucoup d'erreurs sur les cas difficiles, et l'entraînement optimisé a donné des résultats moins bons que la formation régulière.
Nous devons expliquer pourquoi cette stratégie ne semble pas fonctionner sur les cas difficiles. Je soupçonne que dans les cas faciles et moyens, pas beaucoup de compréhension est nécessaire. C'est juste une question de reconnaissance des formes, rendue plus facile car la formation était plus simple et moins ambiguë. L'apprenant fait juste des associations visuelles occasionnelles. Pour les cas difficiles, un apprenant doit connaître et comprendre les critères nécessaires pour faire des distinctions. Les différences subtiles ne sont pas réalisées si les critères de diagnostic ne sont pas explicités dans la formation. Dans la pratique médicale actuelle, de nombreuses mammographies ne peuvent pas être distinguées par une inspection visuelle – elles sont vraiment difficiles. D'autres tests de diagnostic sont nécessaires.
Le principe de base de cette recherche est que les objets d'apprentissage ou la tâche doivent être réduits à l'essentiel, en éliminant les informations étrangères et ambiguës, qui constituent un «bruit» qui confond la capacité de faire des catégorisations correctes.
Dans les situations d'apprentissage courantes, une source majeure de bruit est l'information étrangère, telle que des détails marginalement pertinents. La réduction de ce bruit est obtenue en mettant l'accent sur le principe sous-jacent. En fait, je suis tombé sur ce principe de base de la simplification il y a plus de 50 ans quand j'étais un étudiant essayant d'optimiser mon propre apprentissage. Ce que j'ai réalisé, c'est l'importance de s'inspirer du principe fondamental de ce que j'essayais d'apprendre à partir du matériel didactique. Si je comprenais un principe, je pourrais utiliser cette compréhension pour réfléchir à de nombreuses implications et applications.
En d'autres termes, le principe est le suivant: «ne mémorisez pas plus que vous ne le devez». Utilisez les principes pour comprendre ce qui n'a pas été mémorisé. Une fois que les principes de base sont compris, une grande partie de l'information de base peut être déduite ou facilement apprise. Cela s'apparente à la pratique courante de passer du général au spécifique. Même ainsi, les idées générales devraient mettre l'accent sur les principes.
Les manuels scolaires sont parfois assez pauvres à cet égard. Trop de textes contiennent tellement d'informations auxiliaires qu'ils devraient être considérés comme des livres de référence. C'est pourquoi j'ai trouvé un bon marché pour mon manuel électronique de neuroscience de niveau collégial, «Idées de base en neurosciences», dans lequel chaque chapitre de 2-3 pages est entièrement basé sur chacun des 75 principes de base qui couvrent la vaste étendue de la membrane. la biochimie à la cognition humaine. Un manuel de neuroscience typique d'autres auteurs peut contenir jusqu'à 1 500 pages.
La source:
Hornsby, Adam et Love, C.-B. (2014). Classification améliorée des mammographies après un entraînement idéalisé. J. Appl. Res. Mémoire et cognition. 3 (2): 72-76.
Le Dr Klemm est professeur principal de neuroscience à Texas A & M. Ses derniers livres sont Memory Power 101, (Skyhorse) et Mental Biology (Prometheus). Il écrit aussi des blogs d'apprentissage et de mémoire. Ses articles ont près de 1,5 million de lecteurs.
