Thèse l'Apprentissage de la Notion de Magnitude Grâce à des Représentations Interactives des Données H/F - 33

Établissement : Université de Bordeaux
École doctorale : Mathématiques et Informatique
Laboratoire de recherche : LaBRI - Laboratoire Bordelais de Recherche en Informatique
Direction de la thèse : Yvonne JANSEN ORCID 000000015092551X
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-05-04T23:59:59

**Contexte**

La compréhension des quantités numériques et des échelles est une compétence cognitive fondamentale qui a des implications pour l'éducation, la prise de décision et la culture générale. Nous avons souvent du mal à appréhender les très grandes ou très petites quantités, ce qui affecte les débats sur la dette publique, le changement climatique ou la croissance démographique, où les valeurs vont de quelques millions à plusieurs milliards. Les malentendus peuvent fausser le jugement et la prise de décision.
Les recherches en numératie et en sciences cognitives suggèrent que nous avons un sens inné des nombres, présent même chez les nourrissons et certains animaux (Dehaene, 2011), mais que la compréhension faiblit en dehors de l'expérience quotidienne (Resnick et al., 2017 ; Loretan et al., 2024).
Ce projet de doctorat examinera comment des expériences interactives basées sur les données peuvent améliorer à la fois la compréhension de données de grande ampleur dans des cas spécifiques, et comment développer des compétences généralisables en matière de compréhension des grandeurs.

Les travaux actuels de visualisation de l'information visant à transmettre des données de grande ampleur se concentrent sur des approches telles que les échelles logarithmiques et leurs variantes (Batziakoudi et al., 2025). Bien qu'utiles, ces approches s'adressent généralement à des experts et sous-utilisent la cognition incarnée et enactive, où la compréhension émerge par l'interaction avec l'environnement (Noë, 2004). Appliquées aux données, la compréhension et la maîtrise des grandeurs peuvent s'améliorer grâce à des représentations enactives des grandeurs - des représentations engageant physiquement ou cognitivement.

Les analogies expérientielles, telles que des piles de billets de 100 € représentant des milliards ou la mise en correspondance du temps géologique avec des durées humaines, peuvent rendre les grandes magnitudes plus tangibles (Chevalier et al., 2013 ; Hullman et al., 2018), mais ne font pas explicitement appel à la perception enactive. Des pratiques expérimentales telles que la lecture progressive de valeurs (Yang et al., 2026), où les personnes font progressivement l'expérience de grandes valeurs par le mouvement, laissent entrevoir un potentiel enactif. Les cartographies d'expérience - traduction systématique de nombres en expériences perceptives ou enactives - pourraient sous-tendre une science de la visualisation viscérale des données.

**Objectifs du projet de doctorat**

Ce doctorat étudie comment les représentations enactives et multisensorielles peuvent améliorer la maîtrise des grandeurs. Les orientations possibles seront les suivantes :

1. Concevoir et prototyper des représentations enactives de la magnitude. Créer des représentations visuelles, verbales, physiques, expérientielles et mentales transmettant des données en faisant appel à la cognition incarnée.

2. Établir des méthodes pour mesurer la compréhension viscérale. Au-delà de l'estimation numérique, développer des échelles subjectives et des indicateurs comportementaux pour évaluer la perception intuitive de la magnitude (Wilkinson & O'Connor, 2016).

3. Examiner les cartographies d'expérience. Étudier comment les analogies numériques abstraites, concrètes et les simulations enactives influencent la compréhension et la maîtrise.

4. Explorer les dimensions performatives et sociales. Étudier la compréhension collaborative ou performative des données (par exemple, exploration conjointe, performances basées sur les données).

5. Proposer des principes de conception pour des interventions. Synthétiser les résultats en lignes directrices fondées sur des preuves pour créer des visualisations enactives qui améliorent la compréhension intuitive des quantités extrêmes.