Cette étude présente la conception d’une ontologie permettant de réaliser une modélisation de la personne apprenante, de la tâche et des observables au cours d’une activité de résolution de problème dans le cadre de l’initiation à la pensée informatique. Il s’agit d’une première étape de développement d’un modèle applicable aux données et visant à analyser avec des approches computationnelles de l’apprentissage. L’enjeu est de travailler à partir d’un lot de données relativement faible (quelques dizaines à comparer aux milliers ou millions de données utilisées avec les méthodes statistiques classiques) et fortement structurées. Il s’agit alors d’introduire un maximum d’information en amont de l’analyse pour nous assurer de la pertinence et de la significativité des résultats.

Cette approche nous a permis d’aborder plus spécifiquement plusieurs grands approches pluridisciplinaires de la résolution humaine ou algorithmique de ce type de problèmes : (i) les approches ascendantes, pilotées par les éléments extérieurs (stimulus-driven) ou descendantes (goal-driven) pilotées par des éléments internes, (ii) les relations entre exploration et exploitation, en lien avec la pensée divergente ou convergente en résolution de problème. Le point clé dans ces deux cas est de regarder ces aspects en même temps du point de vue des sciences de l’éducation, des sciences cognitives et des sciences du numérique.

Des aspects complémentaires sont abordés tels que le rôle des différents types de mémoire, dans le cadre des bases cognitives de la résolution de problèmes, avec l’objective de mettre en évidence leurs effets sur l’engagement cognitif dans les activités d’apprentissage, selon un approche qui dépasse la dichotomie entre apprentissage passif ou actif.