Recherches antérieures dans le champ de l’éducation

2Une grande partie des recherches en éducation qui ont employé des méthodes scientométriques a visé des champs restreints pour des raisons diverses. Par exemple, Kirby, Hoadley et Carr-Chellman (2005) ont exploré la relation entre les Learning Sciences et le Instructional Systems Design à travers une analyse de citations dans six revues internationales, trois dans chaque champ. Leur analyse montre que le nombre de citations trans-champs était bas, bien que son évolution était croissante et que ces citations étaient faites par un petit nombre de chercheurs prééminents, dans chaque communauté. Sur la base d’une analyse qualitative, les auteurs ont argumenté qu’une combinaison des points forts de chaque communauté — la cognition en contexte (Learning Sciences) d’un côté et la conception (Instructional Systems Design) de l’autre — pourrait favoriser la création et l’insertion des environnements informatiques pour l’apprentissage humain dans des contextes particuliers (op. cit., p. 46).

3Kienle et Wessner (2006) ont exploré la croissance du champ Computer Supported Collaborative Learning (CSCL) par l’analyse de dix ans de conférences CSCL (1995-2005). Ils ont employé une analyse mixte faite, d’une part, d’une approche quantitative (analyses de citations et de co-auteurs, couplée avec une analyse des participants et comités de programmes de ces conférences) et, d’autre part, d’une approche qualitative de questionnaires ouverts. Les résultats ont montré qu’un petit noyau de personnes avait participé de manière continue à la communauté, bien que la participation se soit internationalisée à ce moment-là et que la connectivité internationale ait été aussi en croissance.

4Une autre étude par Tang, Tsai et Lin (2014) a analysé la structure thématique du champ CSCL en utilisant plus de mille articles dans des revues internationales et conférences renommées, indexées dans le Web of Science entre 2006 et 2013. Les résultats ont permis d’identifier plusieurs courants de recherche : 1) la représentation, le discours et les patterns, 2) les facteurs influençant les CSCL, 3) l’intervention et la comparaison, 4) le raisonnement critique, 5) le processus de la construction sociale et 6) la conception et la modélisation des CSCL. De plus, 56 des 66 papiers considérés comme fondamentaux – étant donné leur niveau de citations – se trouvaient dans les trois premiers courants de recherche. Ces courants peuvent alors être considérés comme les plus représentatifs du champ.

5Chacun de ces trois articles (Kienle & Wessner, 2006 ; Kirby et al., 2005 ; Tang et al., 2014) se focalisait sur un champ précis touchant à la recherche en éducation : le Learning Sciences et Instructional Systems Design d’un côté et le Computer Supported Collaborative Learning de l’autre. Ces articles portaient sur les bases de connaissances de ces communautés, ou bien sur les chercheurs qui les ont créées. Dans notre article, nos objectifs sont similaires, mais nous tendons vers une description plus générale de la recherche en éducation — dans les limites de la base de données Scopus. Nous nous intéressons à la caractérisation des clusters bibliographiques des articles de recherche en éducation et nous nous demandons dans quelle mesure chacun de ces clusters correspond à des champs particuliers de la recherche.

Sélection d’une base de données et extraction de ces données

7Il existe plusieurs bases de données qui indexent des publications académiques. Chacune d’entre elles offre une couverture étendue d’une sélection de publications. Nous avons choisi d’utiliser Scopus qui a une couverture similaire au Web of Science [1] mais plus étendue concernant les revues non-anglophones. Les sources de publications dans Scopus sont catégorisées en quatre grands sujets (Life Sciences, Physical Sciences, Health Sciences et Social Sciences & Humanities) et ceux-ci sont encore divisés en 27 sujets plus précis. Comme l’interface web de Scopus n’offre pas un sujet correspondant à l’éducation, nous nous sommes appuyés sur la liste de publications en éducation fournie par l’AERES (l’Agence d’Évaluation de la Recherche et de l’Enseignement Supérieur), actualisée pour la dernière fois en 2014 [2]. Cette liste était elle-même basée à son tour sur la liste issue du projet EERQI : European Educational Research Quality Indicator (http://www.eerqi.eu/). Il est clair que le pouvoir de décider ce qui se qualifie comme recherche en éducation réside dans les organismes responsables de la constitution de ces listes.

8Afin de constituer le corpus éducation étudié dans cet article, nous avons compilé les caractérisations les plus complètes des publications : auteurs, nom de la source de publication, année de publication, titre de publication, mots clefs (choisis par les auteurs ou donnés par Scopus) et les listes des références incluses dans les publications. Dans ce travail initial, nous avons uniquement recensé des publications de 2000-2004 puisqu’après cette période il y a eu une grande augmentation du nombre de revues publiées et acceptées dans la base de données Scopus. Des travaux similaires sont en cours pour des publications plus récentes ainsi que sur l’évolution de la recherche en éducation. À partir des listes de références d’une publication donnée, nous avons extrait des auteurs, l’année de publication et le titre de chaque référence. Les références n’ont pas toujours été formatées de manière consistante par Scopus (par exemple, utilisation d’abréviations différentes, informations manquantes…). En tout, environ 2 % des références étaient formatées de manière incorrecte. Dans sa totalité le corpus éducation contient 36 715 enregistrements bibliographiques. Les publications sont écrites majoritairement en anglais (94 %) par des auteurs des États-Unis (44 %), suivi par des auteurs du Royaume Uni (14 %) et d’Australie (5 %). La carte nomduprojet ainsi qu’une description des métadonnées agrégées du corpus est disponible en ligne avec un accès libre [3]. Plusieurs collaborations sont en cours pour étendre les analyses jusqu’en 2014.

9Les deux domaines qui ont le plus contribué aux publications de ce corpus éducation portent sur l’éducation en chimie (2 532 items) et en médecine (1 162), issues du Journal of Chemical Education et de Medical Education. Les trois sources suivantes en terme de contributions au corpus sont des magazines professionnels pour des praticiens : Educational Leadership (727), Phi Delta Kappan (607) et une source sur la recherche du développement des enfants : Child Development (609). Plusieurs autres sources se concentrent sur des domaines d’éducation en sciences dites « exactes » : International Journal of Engineering Education (492), International Journal of Science Education (393), IEEE Transaction on Education (373) et Biochemistry and Molecular Biology Education (371). Un autre type de source étudie l’enseignement de différents domaines : Medical Teacher (590), The Reading Teacher (397), et Teaching of Psychology (388). Enfin deux sources montrent à nouveau la présence de la psychologie : Journal of Educational Psychology (337) et une préoccupation pour le développement et la gestion des environnements informatiques Educational Technology and Society (343).

Couplage bibliographique et construction du réseau de clusters

10Afin de déterminer comment différentes publications sont liées à travers des références communes, nous avons comparé de manière systématique la liste des références de toutes les paires de publications et identifié leurs références partagées. Deux publications sont liées si elles partagent au moins deux références, ce qui donne lieu à un réseau de publications connectées. Ce réseau est représenté de manière schématique dans la Figure 1a où les nœuds (cercles) représentent des publications individuelles éventuellement connectées par des liens. Un lien plus épais indique un plus grand nombre de références partagées. Un « poids » est donné aux liens en fonction de la similarité des références des deux articles. Cette similarité est mesurée via le cosinus de Kessler :

11

12où |R_i| est le nombre de références de l’article i et |R_i∩R_j| le nombre de references partagées par R_i et R_j. Par définition, la similarité est égale à zéro quand deux articles ne partagent pas de références et est égale à 1 quand leurs ensembles de références sont identiques.

13Les clusters sont alors détectés automatiquement par un algorithme informatique qui construit des cartes où la densité de liens est maximale dans les clusters et minimale entre clusters. Cet algorithme utilise une méthode de maximisation de modularité (Newman & Girvan, 2004) basée sur le fast Louvain Algorithm (Blondel, Guillaume, Lambiotte & Lefebvre, 2008). La modularité quantifie la possibilité de diviser le réseau en clusters. Il y a plusieurs techniques disponibles pour partitionner des nœuds d’un graphe en « communautés » pertinentes (cf. Fortunato, 2010 pour une revue). Grâce à sa simplicité et à sa facilité de programmation, la modularité est le moyen le plus populaire, même si ses résultats doivent parfois être interprétés avec prudence (Good, de Montjoye & Clauset, 2010). Dans d’autres recherches sur des réseaux bibliographiques similaires (Grauwin & Jensen, 2011 ; Grauwin et al., 2012), nous avons montré que les clusters obtenus par la maximation de la modularité représentent bien la structure scientifique des champs concernés.

14La Figure 1 montre schématiquement comment les clusters se forment petit à petit ; les niveaux de gris servent à distinguer des clusters qui émergent par la comparaison de publications, deux à deux. Notez que des publications qui appartiennent au même cluster (par exemple, nœuds 1 et 5 ou nœuds 12 et 15) ne sont pas toujours liées de manière directe. Notez également que des publications qui appartiennent à différents clusters peuvent aussi partager des liens. La méthode Louvain détecte des clusters de nœuds tels que le nombre de connections externes soit le plus petit possible. Dans les réseaux étudiés dans cet article, plus de 70 % de liens d’une publication donnée sont avec des publications appartenant au même cluster.

Figure 1

Processus pour détecter des clusters

Processus pour détecter des clusters

Clusters principaux résultant de l’analyse du couplage bibliographique

16Nous avons appliqué l’algorithme de détection des clusters aux 36 715 enregistrements du corpus éducation. 22058 d’entre eux partageaient au moins deux références avec d’autres données dans le corpus et sont donc inclus dans le réseau final de clusters. La table 1 représente les 18 clusters qui en résultent, chacun incluant un minimum de 400 articles. Afin de leur donner des étiquettes pertinentes, nous avons examiné les références les plus partagées ainsi que les mots des titres, les mots clefs, et les articles les plus utilisés. Ces étiquettes illustrent le fait que chaque cluster se focalise sur différents aspects de l’éducation et s’appuie sur un ensemble différent de références partagées.

17Certains clusters sont centrés sur l’enseignement d’un sujet précis comme les mathématiques, la science, ou une langue. D’autres étudient des mécanismes sous-jacents à l’enseignement-apprentissage comme la motivation et le développement cognitif des enfants. D’autres encore travaillent sur des sujets de société plus larges comme l’égalité et l’impact de l’éducation. La diversité des sujets de recherche couverte par les différents clusters explique en partie pourquoi la recherche en éducation s’appuie sur des ensembles multiples de références. Bien que toute la recherche en éducation ne soit pas représentée ici, l’ensemble de ces clusters illustre le fait que le domaine ne porte pas seulement sur les contenus des enseignements et sur les mécanismes fondamentaux de l’apprentissage et du développement, mais également sur des sujets sociaux, historiques, politiques, économiques et techniques.

La nature des références les plus citées dans trois clusters

18Nous avons examiné la nature des références les plus citées dans trois des clusters (Learning, Assessment & Evaluation, et Measurement). Pour cela, nous avons codé leurs vingt références les plus citées, que nous appelons « références noyau » (cf. la table 2 pour les cinq premières) selon leurs objets 1) théoriques, 2) méthodologiques, 3) empiriques, 4) basés sur des connaissances disciplinaires (étiqueté domaine) ou 5) reflets d’un consensus d’experts et de praticiens dans les communautés en question (par exemple, des standards d’évaluation pour les programmes scolaires). Le jugement de codage était basé sur notre connaissance de la littérature en éducation et sur le titre et le contenu des articles.

19L’application de la méthode des juges a montré un résultat élevé d’accords entre codeurs (92.5 %). Les quelques avis divergents portaient sur une hésitation quant à la caractérisation prédominante : une contribution théorique d’un article versus une contribution empirique.

20La Figure 2 montre que le type de références qui connecte les articles dans le cluster Learning est très majoritairement théorique. À cette époque, il s’agissait de théories socio-culturelles, comme l’apprentissage situé de Lave et Wenger (1991) et l’interaction entre l’apprentissage et le développement de Vygotsky (1978). Par contre, dans le cluster Measurement, les références sur les méthodes (par exemple, la théorie de la réponse item) et le consensus (par exemple, des standards pour les tests psychologiques et éducationnels) jouent un rôle primordial. Enfin, dans le cluster Assessment & Evaluation, la plupart des références sont de nature théorique sur l’apprentissage, suivie par des travaux empiriques et des documents de consensus. Les vingt premières références les plus citées (références de noyau) de chacun des clusters ne se chevauchent que rarement. Par exemple, Vygotsky (1978) et Lave et Wenger (1991) sont les deux références les plus citées à travers tous les clusters mais ne sont présents dans les vingt références les plus citées que dans un des clusters (c’est-à-dire Learning).

Figure 2

Une comparaison de la nature des vingt références les plus citées de trois clusters

Une comparaison de la nature des vingt références les plus citées de trois clusters

La connectivité des clusters

21Dans cette section, nous illustrons la manière dont les différents clusters sont liés entre eux. L’épaisseur d’un lien entre deux clusters dans la Figure 3 est proportionnelle au nombre de références qu’ils partagent. Nous parlons du poids (P) entre les publications des deux clusters. Notez que ce lien entre clusters émerge des références partagées qui ne sont pas dans les références noyau de chaque cluster (c’est-à-dire les vingt premières citées).

Figure 3

Une carte montrant les 18 différents clusters de recherche en éducation entre 2000 et 2004 a été construite algorithmiquement par une analyse de couplage bibliométrique de notre base de données

Une carte montrant les 18 différents clusters de recherche en éducation entre 2000 et 2004 a été construite algorithmiquement par une analyse de couplage bibliométrique de notre base de données

22Si les poids de tous les liens entre paires de clusters sont additionnés, nous obtenons une mesure de la connectivité totale d’un cluster. Dans le vocabulaire de la théorie des réseaux, le terme de « centralité » est utilisé pour indiquer le degré de connectivité générale du cluster au sein du réseau (cf. Table 3). Ce terme n’implique pas que ces travaux soient centraux pour la recherche en éducation ; ceci est une question à laquelle il faut répondre avec d’autres indicateurs. Les clusters avec une valeur P élevée partagent plus de références avec d’autres clusters que des clusters avec une valeur P basse, qui eux utilisent des références plus spécialisées. L’algorithme qui est utilisé pour visualiser les clusters en réseau tend à positionner des clusters qui sont connectés de manière forte au centre de la carte. Les clusters qui sont moins connectés avec d’autres se trouvent à la périphérie de la carte (cf. Figure 3).

23Les clusters différent également en terme de modularité interne Qi, une caractérisation de leur hétérogénéité interne (cf. Table 3). Il s’agit d’une mesure de la partition de chaque cluster i en sous-clusters. Des valeurs basses de Qi correspondent à des clusters contenant des publications qui sont liées de manière homogène (par exemple, Learning). Cela signifie que la plupart des publications partagent des références appartenant au noyau de référence (cf. Figure 4a). Par exemple, les deux références les plus citées du cluster Learning sont citées par une fraction élevée de ses publications (respectivement 19 % pour Lave & Wenger, 1991 et 12 % pour Vygotsky, 1978). Des valeurs élevées de Qi correspondent à des clusters contenant des publications qui sont liées de manière hétérogène. Par exemple, le cluster Sociology of Education (cf. Figure 4b) pourrait être composé de plusieurs sous-clusters liés par des ensembles relativement distincts de références. Cela aboutit à une fréquence nettement plus basse des deux références les plus citées pour ce cluster (5 % pour Gewirtz, Ball & Bowe, 1995 et 4 % pour Olivier, 1996).

Figure 4

Une illustration de la différence entre des clusters qui sont liés de manière homogène (a) et de manière hétérogène (b)

Une illustration de la différence entre des clusters qui sont liés de manière homogène (a) et de manière hétérogène (b)

24Les cinq clusters les plus centraux, c’est-à-dire étant les plus susceptibles de partager des références avec d’autres clusters sont Learning, Motivation, Science Education, Math Education, et Teacher Training). Ces clusters apparaissent comme étant focalisés directement sur l’apprentissage et l’enseignement. Cette focalisation peut se réaliser en terme d’approches théoriques de l’éducation (par exemple, visions socioculturelles), d’attitudes et d’identité des enseignants et des élèves ou en terme de pratiques en classe. L’angle d’étude peut être également plus spécifique en terme de contenu, par exemple, sur des pratiques d’enseignement et d’apprentissage en mathématique et en sciences.

25Par contre, les clusters connectés de manière moins étroite (c’est-à-dire, Language Teaching Methods, Sociology of Education Child Cognitive Development, Civic Education, and Developmental Disabilities) peuvent être subdivisés en de multiples sous-clusters qui reflètent une granularité plus fine. Dans le cluster Developmental Disabilities, par exemple, la plupart des sous-clusters que l’on peut construire sont liés aux domaines médicaux ou à la psychologie, ce qui est démontré par leur usage élevé du Diagnostic and Statistical Manual of Mental Disorders, publié de manière collective par l’American Psychiatric Association. De manière similaire, l’éducation n’est qu’un exemple d’un phénomène sociologique dans le cluster Sociology of Education, qui traite également d’autres sujets sociologiques comme la globalisation ou le colonialisme. Le cluster Language Teaching Methods consiste également en de multiples sous-clusters qui portent non seulement sur des méthodes d’enseignement de langue, mais également sur des sujets comme la politique linguistique ou la complexité syntaxique dans la communication asynchrone versus la communication synchrone. Dans ce dernier cas, comprendre des sujets aussi divers est essentiel dans la conception et l’implémentation de méthodes d’enseignement en langue et pointe vers la nécessaire pluridisciplinarité de la recherche en éducation. Selon nos analyses, la façon dont différents sous-champs en éducation s’appuient sur les références d’autres sous-champs (en linguistique, sociologie, psychologie, etc.) diffère selon les clusters. Certains s’appuient plutôt sur des références dans d’autres sous-champs de l’éducation, tandis que d’autres s’appuient sur des références extérieures au champ de l’éducation.

26De plus, il y a une forte corrélation (R2=0.58) entre le degré pondéré (P) des clusters et leur modularité interne (Qi) : les clusters homogènes (Qi basse) tendent à être des clusters très connectés (P élevé). Nous interprétons cette corrélation comme une conséquence du filtrage de la littérature scientifique par notre liste de revues en éducation, qui – encore une fois – définit de manière implicite une certaine vision de la recherche en éducation. Pour certains sous-champs, cela permet d’avoir accès à leurs publications principales. Notre analyse peut donc récupérer la cohérence de leur « noyau de connaissance » et ces sous-champs apparaitront comme homogène (quantifiés par une Qi basse) et très connectés.

27Par contre, pour d’autres sous-champs, l’intersection de leurs publications principales avec notre définition de la recherche en éducation peut, peut-être, briser leur cohérence (supposée dans ce cas). Il s’agit là des clusters Language Teaching Methods, Sociology of Education, Child Cognitive Development, Civic Education et Developmental Disabilities. Ces sous-champs apparaissent comme la juxtaposition de clusters connectés de manière moins étroite entre eux. Certains sont connectés à des publications en éducation, mais la plupart ne le sont pas. Cela est quantifié à la fois par une Qi élevé (sous-clusters connectés de manière lâche) et par un poids bas (P) où la plupart de publications ne sont pas connectées au domaine de l’éducation.