fbpx
Créateurs de Business Games Pédagogiques

Business Games : Quel est l’enjeu de la modélisation dans les jeux d’entreprise ?

Business Games : Quel est l’enjeu de la modélisation dans les jeux d’entreprise ?
15 avril 2019 Laurent Lavogiez

Un enjeu majeur de la réussite pédagogique d’une session de jeu d’entreprise repose sur le modèle utilisé, et donc par ricochet sur les choix de modélisation opérés lors de la conception.

A quoi sert la modélisation dans un simulateur pédagogique ?

L’engagement dans un jeu d’entreprise est contractualisé entre l’apprenant, qui accepte de s’investir intellectuellement dans l’exercice, et le formateur s’il est présent, ou directement le simulateur si la session se déroule à distance.

Or, il repose en réalité sur une acceptation implicite que les résultats qui seront issus du jeu sont cohérents par rapport à une certaine réalité, qu’ils sont « neutres » et dans tous les cas incontestables.

Dans le jargon, on parlera de « boîte noire », même si le terme peut sembler péjoratif. 

La boîte noire fait le lien entre des inputs (décisions de l’apprenant dans un contexte donné) et des outputs (résultats obtenus, indicateurs issus d'un calcul)

Modéliser équivaut donc à construire les algorithmes qui constituent le simulateur.

Modèle simple ou modèle complexe, quel choix pour un outil de formation réussi ?

Classiquement, on distingue deux types de modélisation des systèmes, liée à l’utilisation qui en est faite aussi bien dans les domaines scientifiques que sociaux.

1 Tout d’abord, la modélisation peut être complexe, afin de représenter au mieux les phénomènes étudiés, et donc anticiper le résultat d’une combinaison de facteurs.

On parlera ici de modèles prédictifs, dont les plus connus sont prépondérants en météorologie ou en économie lorsqu’il s’agira pour un état d’anticiper les conséquences de telle ou telle action.

2 A l’opposé, un modèle simplifié sera à même de clarifier une situation et d’en extraire les causes et les conséquences, dans un but de facilitation de la compréhension du phénomène étudié.

Ainsi, l’utilisation de modèles simples, notamment en sciences économiques, permettra d’isoler les interactions majeures des perturbations mineures, avec le risque de passer de modélisation « simple » à « simpliste ».

Pour une simulation à but pédagogique, la question se pose légitimement.

Doit-on privilégier une approche volontairement simplificatrice, apte à mettre en exergue les impacts des choix effectués par l’apprenant ?

Ou, au contraire, doit-on opter pour un modèle fidèle à la réalité, dans un souci de réalisme ?

On pourrait naturellement choisir l’approche simplificatrice pour ses vertus pédagogiques : « une cause engendre une conséquence », « un cas peut être résolu par telle action ».

La réalité est malheureusement plus nuancée, et il peut être contre-productif de présenter des heuristiques de décisions réductrices au risque d’engendrer de futurs réflexes biaisés.

En effet, le formateur ne risque-t-il pas d’induire des raisonnements trop systématiques, en masquant la complexité du réel ?

Des prises de décision (input) par les apprenants simples et progressives

Une ambition peut amener à proposer des modèles complexes aux apprenants, aptes à les maintenir en réflexion et attiser une curiosité et une logique de dépassement de soi.

Cependant, la finesse de modélisation ne doit pas être un frein et doit être dévoilée progressivement, afin de respecter pas-à-pas les attentes pédagogiques.

De fait, agir sur un paramètre en particulier devra conduire à un débriefing ciblé sur la variable modifiée. De là naît la compréhension des interactions et l’apprentissage.

Des résultats à analyser (output) riches et discriminants

Une modélisation complexe implique de générer de nombreuses données issues du simulateur, et dont on se posera la question de l’exploitation pour l’apprenant.

Lesquelles mettre en avant ou masquer ? L’effet peut être dévastateur : un chiffre trop exposé ou un indicateur « oublié » peuvent tous deux s’avérer être anti pédagogiques. La sélection des outputs est donc essentielle, tout autant que la modélisation elle-même.

Enfin, l’apprentissage se fait aussi par comparaison. L’apprenant évalue ses résultats principalement en se mesurant avec une norme, et idéalement avec d’autres apprenants.

Au-delà de la cohérence des outputs s’impose la logique de mesure, et parfois de classement.

Dans tous les cas, le modèle devra discriminer les choix, sans doute accentuer les écarts, pour que l’apprenant prenne conscience de ses erreurs potentielles et des leviers à actionner pour progresser.

0 Avis

Laisser une réponse

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *

*