Réfutation du monde axé sur les données

Durée : janvier 2025 – décembre 2025
Statut : terminé
Niveau de formation : niveau tertiaire
Thème : artificial intelligence AI, data science for education, digital skills & literacy
Mots-clés : résolution de problèmes , pensée critique , littératie numérique, littératie médiatique

Situation initiale

Avec l’omniprésence des médias et de la connectivité, les étudiant·e·s n’ont pas seulement besoin de compétences essentielles pour naviguer et analyser le paysage actuel, riche en données de la société moderne ; iels sont aussi susceptibles à la més‑ et désinformation sur les réseaux sociaux. Souhaitant autonomiser les étudiant·e·s, ce projet propose le développement et la mise en œuvre d’un cours à la Haute école spécialisée bernoise (BFH) et à l’Université de Berne (UniBe), visant à renforcer les compétences en data literacy, telles que repérer les pièges statistiques, la confusion entre causalité et corrélation, l’exploitation des biais cognitifs humains et les fake news. S’appuyant sur les principes exposés dans « Calling Bullshit: The Art of Skepticism in a Data‑Driven World » de Carl T. Bergstrom et Jevin D. West (2020), une base solide est déjà établie et du matériel de cours initial est disponible. De plus, le livre d’Alex Edmans « May Contain Lies: How Stories, Statistics, and Studies Exploit Our Biases » (2024) servira de seconde source et de lecture obligatoire pour les étudiant·e·s. Pour le cours, nous adapterons les matériaux existants au contexte suisse, en intégrant des études de cas et des exemples localement pertinents. Grâce à une évaluation quantitative menée dans les deux institutions et dans différents programmes d’études, l’équipe de recherche évaluera l’efficacité du cours pour améliorer la capacité des étudiant·e·s à analyser et interpréter de manière critique données et informations.

Les matériaux développés seront d’abord utilisés à la BFH. Des extraits sélectionnés seront également exploités pour des interventions auprès des professionnel·le·s dans des conférences invitées et keynotes, ainsi que dans des sessions de programmes CAS adjacents.

Objectifs

L’objectif principal de ce projet est de développer et implémenter un cours qui améliore significativement les compétences en data literacy des étudiant·e·s. Ce cours sera basé sur les principes définis dans « Calling Bullshit: The Art of Skepticism in a Data‑Driven World » de Carl T. Bergstrom et Jevin D. West ainsi que dans « May Contain Lies: How Stories, Statistics, and Studies Exploit Our Biases » d’Alex Edmans. Reconnaissant la nécessité d’une approche localisée, les matériaux et illustrations existants seront adaptés au contexte suisse, en intégrant des exemples locaux pertinents qui résonnent plus efficacement avec les étudiant·e·s de la BFH, de l’UniBe et d’autres institutions participantes. Les deux ouvrages servent de références littéraires pour le cours et, selon les connaissances préalables des étudiant·e·s en statistiques et en mathématiques, les matériaux doivent être flexibles pour accueillir un large éventail de publics. Pour y parvenir, nous entreprendrons un processus systématique d’adaptation des matériaux et de développement du cours. Cela implique une revue approfondie du curriculum existant et l’identification des contenus pouvant être appliqués directement ou modifiés pour convenir à l’environnement académique et culturel suisse. La collaboration avec des expert·e·s locaux·les sera essentielle pour développer des études de cas reflétant les défis spécifiques liés aux données et les contextes institutionnels de la Suisse.

Un élément clé de ce projet est l’évaluation quantitative de l’impact du cours sur les compétences en data literacy des étudiant·e·s. En administrant des tests standardisés de data literacy avant et après le cours, nous visons à mesurer l’ampleur de l’amélioration des compétences chez les participant·e·s. Cette évaluation pré et post‑cours sera réalisée dans plusieurs institutions, fournissant une base de données robuste pour évaluer l’efficacité du cours. En fin de compte, ce projet vise à favoriser une culture de pensée critique et de prise de décision éclairée chez les étudiant·e·s. En leur fournissant les compétences nécessaires pour discerner et contester les pratiques de données trompeuses, nous aspirons à contribuer à un public plus informé et sceptique, mieux préparé à naviguer dans la complexité du paysage informationnel moderne. À travers ces objectifs, nous souhaitons avoir un impact durable sur l’éducation à la data literacy et permettre aux étudiant·e·s de devenir des consommateur·trice·s d’information vigilant·e·s et critique·s.

Méthode

Le projet utilisera un design quasi‑expérimental avec des évaluations avant et après le cours pour mesurer les changements des compétences en data literacy des étudiant·e·s. Le cours, utilisé comme condition expérimentale, sera développé par l’équipe du projet et dispensé dans différentes institutions. Le cours sera développé via une série d’étapes systématiques, commençant par l’adaptation des matériaux existants du cours Calling Bullshit pour intégrer du contenu et des exemples spécifiques à la Suisse. Cela garantira la pertinence du cours pour le contexte local. De plus, la collaboration avec des expert·e·s locaux·les sera intégrale pour identifier et développer des études de cas pertinentes qui résonnent avec le public cible. Selon les différentes structures de cours, la disponibilité des ressources et les complexités, les matériaux devront être adaptés. Le cours sera d’abord implémenté à la BFH, puis potentiellement à l’Université de Berne et possiblement dans des institutions partenaires, élargissant ainsi sa portée et son impact. Pour mesurer quantitativement les améliorations en data literacy, des tests standardisés seront administrés aux étudiant·e·s avant et après le cours.

Après la collecte des données d’évaluation, des méthodes statistiques seront utilisées pour analyser les résultats. Les statistiques descriptives fourniront un aperçu des tendances générales et des améliorations de performance moyennes. Des statistiques inférentielles, telles que les tests t appariés ou l’ANOVA, seront appliquées pour déterminer la signification des changements des compétences en data literacy entre les évaluations pré et post‑cours. Cette analyse aidera à identifier l’efficacité du cours dans l’amélioration des compétences en data literacy sous différents cursus et conditions. De plus, une analyse de régression pourra être conduite pour explorer les facteurs potentiels influençant les changements observés, tels que les différences dans les méthodes d’enseignement, les parcours des étudiant·e·s ou des composantes spécifiques du curriculum. Cette analyse complète fournira une évaluation solide de l’impact du cours et permettra d’identifier les éléments clés contribuant à son succès ou des domaines nécessitant des améliorations.

Résultats

Jalons:

1. Ensemble de cours modulaire finalisé
2. Mise en place de l’étude
3. Analyse des données

Présentation, syllabus, structure de l’étude sur la data literacy, outil d’évaluation et questionnaire.

Mise en œuvre de la translation

Les cours sont en cours d’implémentation dans les institutions des responsables du projet. Nous coopérons actuellement également avec d’autres institutions éducatives dans le but d’étendre le projet afin de fournir aux institutions de formation des enseignant·e·s un cours testé et adaptable qui répond directement à l’un des besoins éducatifs les plus pressants de notre époque. Les enseignant·e·s formé·e·s dans ce programme seront mieux équipé·e·s pour s’engager de manière critique avec les médias impulsés par l’IA, identifier les pratiques de données manipulatrices et encourager des compétences similaires chez leurs étudiant·e·s. Le projet devrait avoir un impact significatif en dotant directement les étudiant·e·s des compétences essentielles pour identifier et contester les données trompeuses et la désinformation. Cela favorise un public étudiant plus informé, sceptique et résilient, capable de naviguer dans le paysage informationnel moderne. L’impact sera mesuré via les évaluations quantitatives des résultats d’apprentissage des étudiant·e·s avant et après le cours. L’impact du projet est conçu pour être extensible au‑delà des institutions partenaires afin d’autonomiser un public plus large d’étudiant·e·s et d’éducateur·trice·s, contribuant ainsi à une société plus compétente en matière de données.

Institutions participantes