Goose Academy · Dernière révision: 28 mai 2026
Références scientifiques
Ce document résume les recherches qui orientent la conception de Goose Academy.
L'objectif n'est pas de reproduire des protocoles académiques, mais de traduire des résultats bien établis en science cognitive en une expérience d'apprentissage simple, hors-ligne et à son propre rythme.
Goose Academy est fondé sur la recherche, pas prescrit par la recherche.
Les systèmes décrits ci-dessous sont inspirés de travaux scientifiques, mais adaptés pour l'utilisabilité, les sessions courtes et l'accessibilité.
Transparence
Bien que les principes cités soient scientifiquement fondés, leur mise en œuvre dans Goose Academy n'a pas encore été validée par des études empiriques contrôlées.
Partie 1 — Sélection adaptative des éléments
Pendant une session, Goose Academy sélectionne les éléments à l'aide d'un système de pondération dynamique basé sur :
- la maîtrise en session
- la rétention estimée (ré-exposition espacée)
- la récence (temps depuis la dernière apparition)
- l'historique d'erreurs (suivi des confusions)
- la similarité entre éléments
Fondements de la recherche
| Référence | Principe | Contexte |
|---|---|---|
| Mettler, E., et al. (2016) | Sélection adaptative basée sur les temps de réponse | Apprentissage du vocabulaire |
| Kornell, N., & Bjork, R. A. (2008) | Entrelacement vs blocage | Apprentissage inductif de catégories |
| Carvalho, P. F., & Goldstone, R. L. (2015) | Contraste discriminatif via l'entrelacement | Apprentissage visuel de catégories |
| Settles, B., & Meeder, B. (2016) | Régression de demi-vie pour l'espacement | Données massives d'apprentissage des langues |
| Metcalfe, J. (2017) | Apprendre des erreurs | Revue de littérature |
| Pyc, M. A., & Rawson, K. A. (2009) | Renforcement par récupération | Matériel verbal |
| Roediger, H. L., & Karpicke, J. D. (2006) | Effet de test | Rappel de textes |
| Bjork, R. A. (1994) | Difficultés désirables | Cadre théorique |
Formule de pondération des éléments
Chaque élément reçoit un poids :
Wᵢ = Eᵢ · Mᵢ · Bᵢ · Sᵢ · Rᵢ · (1 + α Ĉᵢ) · (1 + β K̂ᵢ Rᵢ)| Variable | Signification | Fondement |
|---|---|---|
| Bᵢ | Bonus basé sur l'espacement | Preuve solide (espacement) |
| Sᵢ | Progrès en session | Preuve modérée |
| Rᵢ | Temps depuis la dernière apparition | Preuve solide |
| Cᵢ | Confusion avec des éléments similaires | Heuristique (suivi des confusions) |
| Kᵢ | Contraste visuel / structurel | Dépendant du contexte |
| Mᵢ | Réduire le poids des éléments maîtrisés | Heuristique |
| Eᵢ | Empêcher la répétition | Contrainte UX (évite l'amorçage à court terme qui pourrait gonfler la maîtrise perçue) |
Calibration des coefficients
Ces coefficients ne sont pas calibrés empiriquement. Ce sont des choix de conception équilibrant les effets de confusion et de contraste.
Interprétation pour le design
Goose Academy traduit ces principes en comportements de sélection concrets :
- Espacement → preuve solide
- Entrelacement → preuve solide
- Apprentissage par l'erreur → preuve robuste (effet de test)
- Contraste discriminatif → dépendant de la structure des éléments
Ces choix sont des synthèses de design inspirées par la recherche ci-dessus, et non des reproductions directes des expériences sous-jacentes.
Note critique
La formule elle-même est une synthèse de design, pas un modèle validé. Son efficacité par rapport à des approches plus simples (ex. SRS pur) est actuellement inconnue.
Partie 2 — Conception des niveaux & progression
Le système de progression de Goose Academy est conçu pour l'utilisabilité et l'apprentissage incrémental.
Principes de conception
- Ordre des éléments optimisé pour le **contraste perceptif**
- Plusieurs thèmes pour solliciter **différents domaines de connaissances**
- Les éléments précédemment appris restent → **entrelacement**
Interprétation pour le design
La conception de la progression de Goose Academy équilibre trois objectifs :
- **Apprenabilité** → petites étapes
- **Rétention** → réintroduction espacée des éléments anciens
- **Utilisabilité** → durée de session prévisible et points d'arrêt clairs
Il est inspiré par la recherche, pas une reproduction stricte.
Partie 3 — Sélection des distracteurs pour le jeu de drapeaux
Dans le mini-jeu de chasse aux drapeaux, les distracteurs (drapeaux incorrects affichés à côté de la cible) sont sélectionnés en fonction de la similarité visuelle plutôt qu'au hasard. L'objectif est de rendre la tâche véritablement stimulante — en forçant l'apprenant à repérer les différences subtiles entre les drapeaux.
Méthodologie
La similarité visuelle est calculée hors-ligne à l'aide de DenseNet201 (Huang et al., 2017), un réseau de neurones convolutif profond pré-entraîné sur ImageNet (ILSVRC-2012). Chaque image de drapeau est passée dans le réseau et un vecteur de caractéristiques de 1920 dimensions est extrait de la dernière couche de pooling. La similarité cosinus entre ces vecteurs détermine quels drapeaux se ressemblent le plus.
Génération des données
Pour chacun des ~250 drapeaux du jeu, les 35 drapeaux les plus visuellement similaires sont pré-calculés et stockés dans un fichier JSON statique. Pendant le jeu, les distracteurs sont tirés de cette liste classée.
Justification
- Les distracteurs basés sur la similarité mobilisent le **contraste discriminatif** (Carvalho & Goldstone, 2015) — l'apprenant doit prêter attention aux différences fines
- Des distracteurs aléatoires seraient souvent trivialement distinguables, réduisant la valeur d'apprentissage
- Les caractéristiques d'un CNN profond capturent à la fois la distribution des couleurs et les motifs structurels, fournissant une approximation raisonnable de la similarité perceptive humaine
Limites
Les classements de similarité n'ont pas été validés par des jugements humains de similarité. Les caractéristiques de DenseNet201 capturent des traits visuels de bas à moyen niveau mais peuvent ne pas correspondre parfaitement à la perception humaine de la similarité des drapeaux (les associations culturelles ou sémantiques sont ignorées). L'approche est une heuristique pratique, pas un modèle perceptif.
Références
Dernière vérification : mai 2026
- Bjork, R. A. (1994).
- Carvalho, P. F., & Goldstone, R. L. (2015). https://doi.org/10.3389/fpsyg.2015.00505
- Huang, G., Liu, Z., van der Maaten, L., & Weinberger, K. Q. (2017). https://doi.org/10.1109/CVPR.2017.243
- Kornell, N., & Bjork, R. A. (2008). https://doi.org/10.1111/j.1467-9280.2008.02127.x
- Metcalfe, J. (2017). https://doi.org/10.1146/annurev-psych-010416-044022
- Mettler, E., et al. (2016). https://doi.org/10.1037/xge0000176
- Pyc, M. A., & Rawson, K. A. (2009). https://doi.org/10.1016/j.jml.2009.01.001
- Roediger, H. L., & Karpicke, J. D. (2006). https://doi.org/10.1111/j.1467-9280.2006.01693.x
- Settles, B., & Meeder, B. (2016). https://doi.org/10.18653/v1/P16-1174
Goose Academy traduit la science cognitive en une expérience d'apprentissage ludique et hors-ligne. Ce document reflète un engagement envers la transparence, la rigueur et l'humilité — comblant le fossé entre la recherche en laboratoire et l'utilisation réelle.