Mesure de la compétence numérique

1. Résumé / Abstract

La Mesure de la compétence numérique (Digital Competence Measure – DCM), développée par Runge, Lazarides, Rubach, Richter et Scheiter (2023), constitue un instrument psychométrique d’auto-évaluation conçu pour mesurer les croyances d’efficacité et d’auto-compétence des enseignants quant à l’autonomisation et la responsabilisation des apprenants (empowering learners) par les technologies numériques. Ancré dans le cadre de référence européen des compétences numériques pour les éducateurs (DigCompEdu ; Redecker & Punie, 2017), cet instrument cible spécifiquement le Domaine 5 du référentiel, articulé autour de deux axes pédagogiques majeurs : la différenciation pédagogique et la personnalisation des apprentissages d’une part, et l’engagement actif des apprenants d’autre part.

Le questionnaire est composé de 12 items standardisés répartis équitablement en deux sous-échelles de 6 items chacune : les croyances relatives aux compétences numériques pour la différenciation (Digital competence-related beliefs regarding differentiation) et les croyances relatives aux compétences numériques pour l’engagement actif des élèves (Digital competence-related beliefs regarding actively engaging learners). Chaque énoncé est évalué à l’aide d’une échelle de Likert en 5 points allant de 1 (« pas du tout d’accord » / strongly disagree) à 5 (« tout à fait d’accord » / strongly agree).

Validée empiriquement auprès d’un échantillon d’enseignants du système éducatif allemand, la DCM affiche d’excellentes qualités métrologiques. Les analyses de cohérence interne révèlent des coefficients Oméga de McDonald (ω) exceptionnels, s’échelonnant entre .93 et .96 tant pour les sous-dimensions que pour l’échelle globale. L’exploration de la dimensionalité a confronté des modèles d’analyse factorielle confirmatoire (AFC), d’équations structurelles exploratoires (ESEM) ainsi que des architectures bi-factorielles. Les résultats démontrent la supériorité empirique et conceptuelle d’un modèle confirmatoire bi-factoriel (bifactor CFA), confirmant l’existence d’un facteur général sous-jacent de compétence perçue en matière d’autonomisation des élèves par le numérique, tout en préservant la spécificité variance-propre hautement informative des deux facettes distinctes que sont la différenciation et l’activation cognitive des apprenants.

2. Mots-clés / Keywords

Compétence numérique enseignante, croyances d’auto-efficacité, autonomisation des apprenants, différenciation pédagogique, engagement actif, DigCompEdu, modélisation par équations structurelles, analyse bi-factorielle, psychométrie éducative, technologies éducatives, qualité de l’instruction, sentiment de compétence.

3. Auteurs / Authors

L’échelle a été développée et validée par une équipe de chercheurs spécialisés en psychologie de l’éducation, sciences de l’instruction et formation des enseignants :

• Isabell Runge : Université de Potsdam, Département des Sciences de l’Éducation, Karl-Liebknecht-Straße 24-25, 14476 Potsdam, Allemagne. Identifiant ORCID : 0000-0002-4335-7451. Adresse électronique de correspondance : [email protected].
• Rebecca Lazarides : Professeure en sciences de l’éducation, Université de Potsdam, Département des Sciences de l’Éducation, Potsdam, Allemagne. Identifiant ORCID : 0000-0003-0392-4981.
• Charlott Rubach : Université de Rostock, Institut de Pédagogie Scolaire et de Recherche Éducative, Rostock, Allemagne. Identifiant ORCID : 0000-0003-0451-6429.
• Dirk Richter : Professeur en sciences de l’éducation, Université de Potsdam, Département des Sciences de l’Éducation, Potsdam, Allemagne. Identifiant ORCID : 0000-0002-2384-1588.
• Katharina Scheiter : Professeure en psychologie cognitive et technologies éducatives, Université de Potsdam, Département des Sciences de l’Éducation, Potsdam, Allemagne. Identifiant ORCID : 0000-0002-9397-7544.

4. Objectif / Purpose

L’intégration des technologies de l’information et de la communication dans l’enseignement ne garantit pas en soi une amélioration de la qualité des apprentissages. La recherche translationnelle en sciences de l’éducation a mis en évidence que l’impact pédagogique du numérique dépend fondamentalement de la manière dont les enseignants mobilisent ces ressources au service de démarches centrées sur l’apprenant. L’objectif principal de la Digital Competence Measure (DCM) est d’opérationnaliser et de quantifier avec rigueur les croyances subjectives d’auto-compétence des enseignants quant à leur capacité à mobiliser les outils numériques pour « autonomiser les apprenants » (empower learners), conformément aux orientations du cadre européen DigCompEdu.

Sur le plan théorique, la DCM comble une lacune majeure dans la littérature psychométrique relative aux compétences numériques. La majorité des instruments préexistants mesurent soit des habiletés technologiques instrumentales de base (comme l’utilisation de traitements de texte ou la navigation Internet), soit des croyances d’auto-efficacité très génériques qui ne capturent pas les pratiques didactiques sophistiquées. Or, les modèles contemporains de l’efficacité de l’enseignement soulignent que la valeur ajoutée des technologies réside dans leur capacité à soutenir l’individualisation des parcours (différenciation) et à favoriser un traitement cognitif approfondi du matériel pédagogique (engagement actif). La DCM permet d’évaluer directement le sentiment de compétence à l’intersection de la technologie, de la pédagogie générale et de la gestion de l’hétérogénéité des élèves.

Dans le domaine de la recherche, la DCM a été élaborée afin d’examiner le rôle médiateur et prédictif des croyances enseignantes sur la qualité de l’instruction auto-rapportée et observée en contexte de classe outillée par le numérique. Elle permet aux chercheurs de vérifier empiriquement comment le sentiment d’efficacité personnelle vis-à-vis des outils numériques module l’adoption de pratiques d’enseignement adaptatives et interactives, au-delà de la simple disponibilité des équipements technologiques matériels.

Sur le plan appliqué, institutionnel et clinique en formation professionnelle, l’instrument fournit un profil diagnostique précis des besoins des enseignants, qu’ils soient en formation initiale (étudiants des instituts d’éducation) ou continue (enseignants en exercice). Les formateurs peuvent identifier si des déficits perçus relèvent davantage de la gestion de l’hétérogénéité (manque de stratégies pour adapter les niveaux et rythmes via des logiciels d’apprentissage adaptatif) ou de l’animation pédagogique interactive (difficulté à motiver et mobiliser activement les élèves par le jeu sérieux, les quiz interactifs ou les démarches de projet). L’échelle constitue ainsi un indicateur sensible pour évaluer l’efficacité des programmes de développement professionnel continu consacrés à l’intégration pédagogique du numérique.

5. Construit psychologique / Construct

Le construit psychologique ciblé par la Digital Competence Measure s’enracine dans la notion de « croyances relatives aux compétences numériques » (digital competence-related beliefs), conçue comme une déclinaison contextualisée du sentiment d’auto-efficacité (self-efficacy beliefs ; Bandura, 1997). Il s’agit des jugements qu’un enseignant porte sur ses capacités organisationnelles, didactiques et réflexives à utiliser les technologies numériques pour répondre aux exigences d’une instruction centrée sur l’élève. L’instrument appréhende ce construit au travers de deux dimensions hautement articulées mais conceptuellement et empiriquement dissociables :

1. Croyances relatives aux compétences numériques pour la différenciation (Differentiation)

Cette dimension évalue le sentiment d’efficacité de l’enseignant à adapter l’enseignement aux besoins individuels, aux rythmes, aux prérequis cognitifs et aux préférences d’apprentissage des élèves à l’aide d’environnements technologiques. La différenciation pédagogique numérique va bien au-delà de la distribution de tablettes : elle implique la capacité à :

• Identifier et surmonter les blocages conceptuels relatifs au rôle des outils numériques dans l’individualisation des apprentissages (mesuré négativement via un item inversé portant sur le manque de visibilité quant à l’utilité des outils).
• Sélectionner et intégrer des didacticiels, logiciels adaptatifs et plateformes d’apprentissage offrant des parcours à niveaux de difficulté multiples et à progression flexible.
• Planifier des situations d’évaluation formative et continue permettant de monitorer en temps réel les progrès de chaque apprenant et de réajuster les trajectoires pédagogiques.
• Poser un regard méta-réflexif et critique sur la pertinence des outils numériques déployés pour la personnalisation, afin d’ajuster ses stratégies d’intervention en classe.
• Adapter, modifier et enrichir soi-même les contenus ou paramétrages des outils numériques existants pour répondre au profil évolutif des apprenants.

2. Croyances relatives aux compétences numériques pour l’engagement actif (Actively Engaging Learners)

La seconde dimension mesure la confiance de l’enseignant dans sa capacité à concevoir et animer des situations d’apprentissage médiatisées par le numérique qui placent l’élève dans une posture active, interactive et constructive, par opposition à une posture passive de simple consommateur d’écrans. Cette sous-échelle couvre plusieurs facettes didactiques critiques :

• La régulation des sentiments d’impuissance face à la motivation des élèves par le numérique (opérationnalisée par un item inversé captant la difficulté perçue à motiver les élèves avec ces outils).
• L’habileté à introduire des formats interactifs stimulants, tels que des jeux sérieux (serious games), des applications de rétroaction immédiate (quiz interactifs comme Kahoot ou Wooclap) et des plateformes collaboratives.
• La capacité à orchestrer des environnements d’apprentissage variés et stimulants favorisant les interactions sociales, la résolution de problèmes et la collaboration entre pairs.
• L’analyse réflexive continue portant sur l’impact effectif des technologies sur l’activation cognitive réelle de l’élève (éviter le piège de la distractibilité ou de l’« illusion d’apprentissage » superficielle).
• Le développement, l’innovation et l’ingénierie pédagogique par la création de scénarios complexes, tels que des projets de recherche autonome assistés par les technologies numériques.

En somme, le construit transcende la simple maîtrise technique du logiciel ou du matériel : il encapsule le sentiment d’agentivité de l’enseignant pour transformer l’outil technologique en levier d’émancipation cognitive pour ses élèves.

6. Cadre théorique / Theoretical Framework

La Digital Competence Measure repose sur une double assise théorique combinant la psychologie sociocognitive de l’agentivité humaine et les cadres contemporains de la compétence didactique des enseignants face aux technologies.

La théorie sociocognitive et l’auto-efficacité enseignante

Au niveau psychologique général, l’instrument s’appuie sur la théorie sociocognitive développée par Albert Bandura (1986, 1997). Selon Bandura, les croyances d’auto-efficacité constituent le régulateur central de la motivation humaine, des patrons de pensée et de l’action. Dans le contexte de l’enseignement, le sentiment d’auto-efficacité de l’enseignant (teacher self-efficacy ; Tschannen-Moran & Woolfolk Hoy, 2001) détermine l’effort déployé, la résilience face aux difficultés d’ordre technique ou comportemental en classe, et la disposition à adopter des innovations pédagogiques ambitieuses. Les enseignants possédant un fort sentiment d’auto-efficacité sont plus enclins à structurer leur enseignement autour des besoins spécifiques des élèves et à renoncer aux méthodes transmissives rigides au profit de démarches guidées et ouvertes.

Le modèle TPACK et le cadre européen DigCompEdu

Au plan des théories de l’intégration des technologies, la DCM s’articule avec le modèle TPACK (Technological Pedagogical Content Knowledge) formalisé par Mishra et Koehler (2006). Ce modèle postule que l’enseignement efficace avec le numérique requiert une synergie complexe entre la connaissance des contenus (CK), la pédagogie générale (PK) et la maîtrise technologique (TK), convergeant vers la connaissance technopédagogique (TPK).

Sur le plan opérationnel, Runge et ses collègues (2023) ont spécifiquement ancré la DCM dans le European Framework for the Digital Competence of Educators (DigCompEdu), publié par le Centre commun de recherche de la Commission européenne (Redecker & Punie, 2017). Le cadre DigCompEdu distingue six domaines fondamentaux de compétences professionnelles :

1. L’environnement professionnel (communication et collaboration organisationnelle).
2. Les ressources numériques (sélection, création et partage).
3. L’enseignement et l’apprentissage (gestion des interventions pédagogiques).
4. L’évaluation (stratégies d’évaluation formative et sommative).
5. L’autonomisation des apprenants (Empowering Learners).
6. Le développement de la compétence numérique des apprenants.

La DCM cible exhaustivement le Domaine 5 (Empowering Learners), reconnu comme le pivot qualitatif des réformes éducatives actuelles. Ce domaine stipule que l’usage pédagogique des technologies ne doit pas simplement répliquer les routines traditionnelles d’instruction (comme projeter un cours magistral sur tableau numérique), mais doit viser trois sous-objectifs majeurs : l’accessibilité et l’inclusion, la différenciation/personnalisation, et l’engagement actif de l’apprenant. En isolant ces composantes pédagogiques avancées, la DCM s’émancipe des échelles techno-centrées pour mesurer la capacité des enseignants à transformer l’écologie de leur classe.

7. Validité / Validity

Dans l’étude princeps menée par Runge et al. (2023), l’examen des qualités métrologiques de la Digital Competence Measure a reposé sur une démarche rigoureuse d’évaluation de la validité de construit, de la validité discriminante et des associations corrélationnelles avec des variables pédagogiques connexes.

Validité de contenu et de construit

La validité de contenu a été garantie par une dérivation directe des énoncés à partir des descripteurs de compétence du Domaine 5 du cadre officiel DigCompEdu. Chaque item a été rédigé de façon à opérationnaliser des actions observables et des démarches métacognitives reconnues par les théories de l’instruction (sélection, planification, implémentation, régulation réflexive, révision/innovation).

La validité de construit a été étayée par la comparaison systématique de quatre structures factorielles concurrentes à l’aide de l’analyse factorielle confirmatoire (AFC) et de la modélisation par équations structurelles exploratoires (ESEM). La modélisation bi-factorielle a prouvé que si les enseignants possèdent une représentation unifiée de leur sentiment de compétence numérique globale au service de l’autonomisation des élèves (facteur général), ils distinguent avec netteté les exigences didactiques de la différenciation pédagogique de celles de la dynamisation interactive de la classe (facteurs spécifiques résiduels).

Validité convergente, discriminante et liée aux critères

Bien que les données initiales de validation rapportées dans la fiche de présentation synthétique précisent un statut d’évaluation en cours pour les critères externes exhaustifs, l’étude originale de Runge et al. (2023) a intégré la DCM dans un vaste modèle structurel reliant les croyances des enseignants à la qualité de l’instruction auto-rapportée (structuration, climat de soutien, activation cognitive). Les résultats ont mis en évidence une validité prédictive substantielle :

• Les scores sur les deux sous-échelles de la DCM sont positivement corrélés avec les dimensions de la qualité de l’instruction médiatisée par les technologies. Plus précisément, les croyances d’auto-efficacité dans l’engagement actif prédisent de manière significative l’activation cognitive des élèves lors des leçons exploitant le numérique.
• Les croyances relatives à la différenciation prédisent la mise en œuvre de dispositifs d’apprentissage individualisés et adaptatifs, attestant d’une excellente validité de critère concourante.
• La corrélation inter-factorielle élevée mais non parfaite (approximativement .70 à .80 entre les dimensions de premier ordre avant modélisation bi-factorielle) soutient la validité convergente des dimensions tout en garantissant une différenciation conceptuelle suffisante pour justifier le calcul de scores spécifiques.

8. Fidélité / Reliability

La consistance interne de la Digital Competence Measure a été documentée au moyen d’indicateurs psychométriques robustes dans l’échantillon de référence d’enseignants allemands (Runge et al., 2023).

Plutôt que de se limiter au coefficient classique Alpha de Cronbach — fréquemment critiqué dans la littérature psychométrique contemporaine en raison de ses postulats contraignants de tau-équivalence stricte et de sa tendance à sous-estimer ou surestimer la fidélité en présence d’erreurs corrélées —, les auteurs ont calculé le coefficient Oméga de McDonald (ω), un estimateur structurel fondé sur les saturations factorielles réelles.

Les indices de consistance interne obtenus sont particulièrement élevés :

• Sous-échelle Croyances relatives à la différenciation (6 items) : le coefficient Oméga de McDonald s’élève à des valeurs comprises entre ω = .93 et .95.
• Sous-échelle Croyances relatives à l’engagement actif (6 items) : le coefficient Oméga se situe dans une plage analogue de ω = .94 à .96.
• Échelle globale (12 items) : la consistance interne totale atteint ω = .96.

Ces coefficients dépassent très largement le seuil conventionnel de .70 requis pour la recherche fondamentale et franchissent le seuil rigoureux de .90 exigé pour une utilisation diagnostique individuelle. Ces résultats démontrent que les items composant chaque facette partagent une très forte proportion de variance commune et mesurent leurs dimensions respectives avec une erreur de mesure minimale.

9. Analyse factorielle / Factor Analysis

Pour statuer sur la composition interne de l’instrument, Runge et ses collaborateurs (2023) ont entrepris une comparaison systématique de plusieurs modèles factoriels avancés en s’appuyant sur les méthodes d’estimation robustes pour données ordinales/continues (MLR ou WLSMV) :

1. Modèle d’Analyse Factorielle Confirmatoire à deux facteurs corrélés (CFA standard)

Ce premier modèle spécifiait deux facteurs latents indépendants mais corrélés : Facteur 1 (Différenciation, 6 items) et Facteur 2 (Engagement actif, 6 items). Si les indices d’ajustement globaux étaient satisfaisants (ex. CFI > .95, TLI > .94, RMSEA < .06), l’intensité de la corrélation latente entre les deux facteurs a révélé une redondance substantielle, suggérant la présence d’une composante d’auto-efficacité générale partagée.

2. Modèle d’Équations Structurelles Exploratoires (ESEM)

Afin de relâcher l’hypothèse de saturations secondaires strictement nulles (contrainte habituelle de l’AFC qui engendre fréquemment des biais d’estimation), un modèle ESEM avec rotation oblique (target rotation) a été ajusté. Les saturations croisées sont demeurées globalement faibles, confirmant que chaque item ciblait prioritairement son facteur théorique assigné, tout en démontrant que l’hétérogénéité des formulations entraînait des covariances communes diffuses.

3. Modèle Confirmatoire Bi-factoriel (Bifactor CFA)

Face à la forte variance commune globale et à la nécessité de préserver la pertinence des sous-échelles pour la recherche didactique, un modèle confirmatoire bi-factoriel a été testé. Dans cette configuration :

• Un Facteur Général orthogonal (General Factor: Sentiment d’efficacité globale pour l’autonomisation numérique) sous-tend l’ensemble des 12 items de l’échelle.
• Deux Facteurs Spécifiques orthogonaux (Specific Factors: Différenciation résiduelle et Engagement actif résiduel) captent la variance résiduelle unique associée aux spécificités techniques et didactiques de chaque domaine, indépendamment du niveau général d’auto-efficacité de l’enseignant.

Les analyses ont établi que le modèle bi-factoriel confirmatoire (Bifactor CFA) offrait la représentation la plus rigoureuse, parcimonieuse et compréhensive des données. Il a permis de démontrer que les deux sous-dimensions — différenciation et engagement actif — possèdent une spécificité et une variance propre bien définies qui justifient pleinement leur emploi séparé dans les analyses d’impact pédagogique, tout en autorisant l’agrégation en un score global d’autonomisation numérique.

10. Instrument de mesure / Instrument

L’inventaire de la Digital Competence Measure présente les caractéristiques formelles suivantes :

• Type d’instrument : Questionnaire / Inventaire psychométrique d’auto-évaluation standardisé (Self-report questionnaire).
• Population cible : Enseignants en exercice de tous cycles d’enseignement (primaire, secondaire, supérieur) et enseignants en formation initiale.
• Langue d’origine : Allemand (développé et testé en Allemagne ; documenté également en langue anglaise dans la littérature scientifique).
• Nombre total d’items : 12 énoncés déclaratifs rédigés à la première personne du singulier.
• Structure des sous-échelles :
  • Différenciation pédagogique (Differentiation) : 6 items (codes : Diff01 à Diff06).
  • Engagement actif des apprenants (Actively Engaging Learners) : 6 items (codes : Activ01 à Activ06).
• Échelle de réponse : Échelle de type Likert en 5 points graduée comme suit :
  • 1 = Pas du tout d’accord (strongly disagree)
  • 2 = Plutôt pas d’accord (disagree)
  • 3 = Neutre / Ni en désaccord ni d’accord (neither agree nor disagree)
  • 4 = Plutôt d’accord (agree)
  • 5 = Tout à fait d’accord (strongly agree)
• Cotation et calcul des scores :
  • Les items Diff01 (« I do not know how digital tools are supposed to help me… ») et Activ01 (« I find it difficult to use digital tools to motivate… ») expriment une incompétence perçue ou une difficulté : ils doivent faire l’objet d’un recodage inversé préalable (1 devient 5, 2 devient 4, 3 reste 3, 4 devient 2, et 5 devient 1).
  • Les scores de chaque sous-échelle sont obtenus en calculant la moyenne arithmétique (ou la somme brute) des 6 items correspondants après inversion de l’item négatif (plage de score moyen de 1.00 à 5.00 par dimension).
  • Le score global d’autonomisation numérique correspond à la moyenne des 12 items (après inversion de Diff01 et Activ01). Un score élevé traduit un fort sentiment d’auto-efficacité dans l’utilisation pédagogique transformatrice des technologies.

11. Permissions, Tarifs et Année du test / Permissions & Fee and Test Year

Les conditions d’utilisation, le statut juridique et l’historique de la mesure sont précisés ci-dessous :

• Année de publication : 2023.
• Droits d’utilisation et permissions : L’instrument est mis à disposition sous licence académique ouverte. Il peut être utilisé librement sans frais à des fins de recherche scientifique non commerciale, d’enseignement universitaire et d’évaluation pédagogique formative au sein des établissements scolaires.
• Utilisation commerciale : Non autorisée sans accord écrit préalable exprès des auteurs et des éditeurs dépositaires des droits.
• Tarifs / Coûts : Aucun coût d’utilisation. L’accès aux items et aux barèmes d’évaluation dans le cadre d’études scientifiques est gratuit (aucun droit d’enregistrement ou redevance par passation).
• Contact institutionnel : Pour toute demande d’adaptation, de traduction formelle ou d’exploitation dans des projets institutionnels d’envergure, il convient de contacter l’auteure correspondante : Isabell Runge ([email protected]), Université de Potsdam, Département des Sciences de l’Éducation.

12. Références / References

Les travaux scientifiques fondateurs et contextuels relatifs au développement et à l’ancrage psychométrique de l’instrument sont les suivants :

• Bandura, A. (1986). Social foundations of thought and action: A social cognitive theory. Prentice-Hall.
• Bandura, A. (1997). Self-efficacy: The exercise of control. W. H. Freeman and Company.
• Mishra, P., & Koehler, M. J. (2006). Technological pedagogical content knowledge: A framework for teacher knowledge. Teachers College Record, 108(6), 1017–1054. https://doi.org/10.1111/j.1467-9620.2006.00684.x
• Redecker, C., & Punie, Y. (2017). European Framework for the Digital Competence of Educators: DigCompEdu. Publications Office of the European Union. https://doi.org/10.2760/159770
• Runge, I., Lazarides, R., Rubach, C., Richter, D., & Scheiter, K. (2023). Teacher-reported instructional quality in the context of technology-enhanced teaching: The role of teachers’ digital competence-related beliefs in empowering learners. Computers & Education, 198, Article 104761, 1–13. https://doi.org/10.1016/j.compedu.2023.104761
• Tschannen-Moran, M., & Woolfolk Hoy, A. (2001). Teacher efficacy: Capturing an elusive construct. Teaching and Teacher Education, 17(7), 783–805. https://doi.org/10.1016/S0742-051X(01)00036-1

13. Questions et items du questionnaire / Scale Items