Neurosciences cognitives et styles d’apprentissage : explorer un terrain controversé avec l’ÉEG

Dans une étude récente menée par Geddam et Khanpara, la possibilité d’améliorer l’apprentissage en adaptant l’enseignement aux forces cognitives individuelles est explorée à l’aide de la technologie d’interface cerveau-ordinateur (BCI). Leur modèle utilise des données d’ondes cérébrales via un dispositif (commercial*) de neurofeedback ÉEG pour classer les étudiants selon des préférences d’apprentissage — visuel, auditif, lecture/écriture et kinesthésique (VARK) — et vise ainsi à optimiser les résultats pédagogiques. Cette approche, bien que fascinante, repose sur une théorie controversée, le modèle VARK étant à la fois largement utilisé et critiqué.

*Cela signifie que la qualité des données d’ÉEG n’est pas garantie.

Nous présentons ici les conclusions de l’étude pour favoriser une meilleure compréhension des neurosciences de l’éducation, mais cela ne signifie pas que nous souscrivons à tous les aspects de ce modèle. Comme pour tout modèle scientifique, il est essentiel de maintenir un équilibre entre curiosité et prudence. Simplifier la science pour s’adapter à des catégories rigides peut limiter notre perspective et même induire en erreur. Une exploration ouverte, combinée à la volonté de réviser les conclusions en fonction des preuves, est fondamentale pour le progrès scientifique.

Comme l’a dit Neil deGrasse Tyson, « L’avantage avec la science, c’est qu’elle est vraie, que l’on y croit ou non. » Examinons cette étude avec cet esprit d’ouverture, en appréciant à la fois ses innovations et la nécessité d’une réflexion critique.

Méthodes

Les chercheurs ont mis au point une approche de neurofeedback ÉEG pour évaluer les capacités d’apprentissage des étudiants, puis les classer selon les sous-types VARK. Les principales méthodes utilisées sont les suivantes :

1. Collecte de données d’ondes cérébrales : Les signaux EEG ont été enregistrés via un casque NeuroSky pendant des tâches adaptées à chaque préférence d’apprentissage.

2. Algorithmes de clustering : Des techniques d’apprentissage automatique, dont le K-means et DBSCAN, ont analysé les données ÉEG pour regrouper les étudiants en catégories VARK, en partant de l’hypothèse que ces catégories correspondraient à de meilleurs résultats d’apprentissage.

3. Processus de validation : Les styles d’apprentissage classés ont été validés en corrélant les données ÉEG avec les préférences auto-identifiées des étudiants, bien que l’exactitude ait été modérée.

Résultats

L’étude a observé certains schémas suggérant que des modalités d’apprentissage spécifiques peuvent être renforcées par le neurofeedback :

• Les apprenants kinesthésiques ont démontré une concentration plus élevée avec des tâches pratiques, tandis que les apprenants bimodaux (souvent combinant lecture et activités kinesthésiques) ont montré une grande adaptabilité.

• Les résultats ont indiqué qu’il n’y avait aucune relation significative entre le style d’apprentissage et des facteurs démographiques tels que l’âge, le sexe ou la région géographique.

• Les modèles d’apprentissage automatique ont réussi à regrouper les données, bien que la variabilité observée indique la complexité de relier les schémas cognitifs directement aux préférences d’apprentissage.

Discussion

Cette étude offre une perspective intéressante pour les neurosciences éducatives. Pour les cliniciens et éducateurs, les outils BCI ont le potentiel de personnaliser l’apprentissage, bien que les preuves soutenant les styles d’apprentissage distincts comme prédicteurs de succès académique restent peu concluantes.

L’introduction de BCI ou de neurofeedback pourrait enrichir les pratiques éducatives actuelles. Cependant, la notion de styles d’apprentissage fixes reste discutable. L’apprentissage est un processus dynamique, influencé par divers facteurs, et les risques de simplification excessive sont bien réels. Les outils pédagogiques efficaces doivent reconnaître la flexibilité et la complexité du cerveau humain, en évitant de restreindre les apprenants dans des catégories rigides.

De plus, cette étude souligne le besoin d’applications adaptatives et basées sur des preuves dans un contexte de neurofeedback. Un engagement envers l’ouverture d’esprit et une interprétation nuancée des résultats assurent que les outils émergents comme le BCI servent au mieux les étudiants.

Cette exploration nous rappelle que l’enquête scientifique prospère grâce au débat et au scepticisme, qui font avancer la connaissance. Comme Tyson nous le rappelle, la science n’a pas besoin de croyance pour être vraie, mais elle exige une étude attentive, des tests continus, et l’humilité d’adapter les connaissances lorsque de nouvelles preuves apparaissent.

La perspective de Brendan :

Intégrer le VARK au neurofeedback – Opportunités et Défis

La possibilité de personnaliser l’entrainement en neurofeedback selon les préférences cognitives, comme le suggère cette étude, ouvre des perspectives passionnantes pour des interventions éducatives plus ciblées. Cependant, cette mise en œuvre doit être abordée de manière nuancée, en raison de la nature controversée des styles d’apprentissage VARK et de la complexité de la cognition individuelle.

Le potentiel : personnaliser le neurofeedback pour l’engagement et la concentration

L’intégration des préférences VARK dans le neurofeedback pourrait apporter une personnalisation novatrice dans les environnements éducatifs. Par exemple, si les apprenants kinesthésiques bénéficient vraiment d’activités pratiques, les protocoles d’entrainement pourraient inclure des interactions dynamiques basées sur le mouvement pour maintenir l’attention. Les apprenants visuels, quant à eux, pourraient bénéficier d’exercices de neurofeedback utilisant la stimulation par images pour renforcer la concentration, et ainsi de suite. Avec son adaptabilité intrinsèque, le neurofeedback pourrait potentiellement ajuster l’activité cérébrale en fonction de ces préférences, augmentant la motivation et la rétention au cours des sessions d’apprentissage.

Une telle stratégie pourrait non seulement stimuler l’engagement, mais aussi aider les apprenants à adopter des habitudes d’étude efficaces, leur permettant de découvrir comment ils apprennent le mieux. La capacité du neurofeedback à surveiller et renforcer les états d’attention en temps réel pourrait encourager les étudiants à adopter des stratégies cognitives adaptatives et, en fin de compte, à améliorer leur confiance académique. Le tout peut également améliorer le transfert.

Le défi : éviter la simplification excessive des processus cognitifs complexes

L’un des plus grands risques de l’intégration de ces conclusions dans le neurofeedback est la simplification excessive des différences cognitives. Le cadre VARK, bien que populaire, ne capture pas la complexité de la façon dont nos cerveaux traitent et intègrent l’information. L’apprentissage est un processus multiforme qui ne se limite pas à quatre catégories, et l’entrainement en neurofeedback risque de devenir trop rigide si elle s’aligne trop étroitement avec des étiquettes potentiellement limitatives et statiques.

Dans la pratique, les professionnels du neurofeedback doivent adopter une approche équilibrée et évolutive, utilisant les idées de VARK comme un guide utile, mais non prescriptif. Plutôt que de traiter les styles d’apprentissage comme fixes, il peut être plus efficace de les voir comme des points de départ dans une approche flexible et évolutive. Par exemple, les séances de neurofeedback pourraient commencer en mettant l’accent sur la modalité préférée d’un étudiant, puis introduire progressivement d’autres modalités, soutenant ainsi une adaptabilité cognitive plus complète. Cela permet non seulement de tirer parti des forces individuelles, mais élargit aussi leur capacité à apprendre de différentes manières, favorisant finalement une résilience cognitive.

Une approche combinée : accentuer la neuroplasticité et l’apprentissage adaptatif

À la lumière de la neuroplasticité — la capacité du cerveau à s’adapter et à changer au fil du temps — il vaut la peine d’envisager un modèle plus fluide qui aligne l’entrainement en neurofeedback sur la croissance cognitive, plutôt que sur des types d’apprentissage statiques. En se concentrant sur des protocoles de neurofeedback qui renforcent l’attention, la mémoire et les fonctions exécutives dans divers contextes, nous pouvons soutenir le développement cognitif global plutôt que de les confiner à un seul style d’apprentissage.

Ainsi, l’intégration du VARK au neurofeedback ne consiste pas à renforcer une identité rigide, mais à améliorer les compétences cognitives qui s’adaptent à tout contexte d’apprentissage. Les professionnels du neurofeedback peuvent expérimenter des approches multimodales, permettant au cerveau de s’engager de manière adaptative dans différents types de contenu. Une telle approche honore non seulement l’individualité de chaque personne entraînée, mais s’aligne également sur l’esprit même du neurofeedback — un outil visant à renforcer la flexibilité et la résilience cognitives.

Conclusion

Bien que l’intégration du VARK dans les protocoles de neurofeedback offre un nouveau potentiel, nous devons aborder ces conclusions avec un scepticisme et une flexibilité sains. La science nous invite à explorer de nouvelles idées, mais elle nous rappelle aussi les dangers d’adopter trop rapidement des modèles sans preuve solide. Dans cette optique, le neurofeedback inspiré du VARK pourrait être un ajout précieux à une stratégie d’entrainement, à condition qu’il reste une couche parmi un cadre plus large et adaptatif qui célèbre la complexité du cerveau.

En somme, en combinant les idées de cette étude avec un engagement en faveur de la flexibilité cognitive et de la croissance individualisée, les professionnels du neurofeedback peuvent améliorer l’apprentissage de manière scientifiquement solide et profondément personnalisée.

Référence

Geddam, R., & Khanpara, P. (2024). Enhancing learning abilities in students using a cognitive neuroscience model based on brain-computer interface signal analysis. Scalable Computing: Practice and Experience, 25(6), 4457-4476. http://doi.org/10.12694/scpe.v25i6.3277