lundi 6 janvier 2020

La modélisation en sciences : dans la recherche et dans l'école …

Le PER (Plan d'étude Romand) pose la modélisation comme une compétence transversale des math et sciences expérimentales : la MSN 35 modélisation.
Cette compétence est de plus en plus explicitement au centre de l'activité scientifique, - certains diront qu'il n'y a pas de science sans modèles.
"Un modèle scientifique est une représentation abstraite, simplifiée, d'un système de phénomènes qui rend ses caractéristiques principales explicites et visibles et peut être utilisé pour générer des explications et des prédictions"  (Harrison &Treagust, 2000).

Il n'y a pas d'apprentissage des sciences sans que les élève maitrisent de nouveaux modèles pour comprendre le monde au-delà du sens commun.
Cf p. ex (Quillin, K., &Thomas, S., 2015, Schwarz, C. et al., 2009, Tiberghien, A.,1994, Treagust, D. F., et al., 2002).

La manière dont on peut aider les élèves à acquérir ces nouveaux modèles est remise en question par des travaux récents : par exemple 
Potvin, P., (2013) ici, qui donnera deux conférences le mercredi 26 février (francais à 14h15 U 159, en anglais à 17h15 SCII).

encourage le lecteur à aller vérifier dans les articles d’origine cf en bas.

Le terme de modéliser peut avoir de nombreux sens : on peut parler d'un processus de développement de modèles mentaux, de formalisation de ces modèles pour les communiquer, les discuter ou encore les intégrer dans des ordinateurs pour faire des prédictions, des explications. Cf. p. ex. Martinand, J.-L. (1992),Coquidé, M., & Le Maréchal, J. F. (2006)


Pour les applications en classe Cf. par exemple Bio-tremplins : Rechercher le top-modèle pour expliquer la biologie ?

La place de la modélisation dans les enseignements est donc un double défi : à cause de la transformation de la science mais aussi les enjeux inévitables de la numérisation de l'école.

La science est-elle devenue virtuelle, abandonne-t-elle les manipulations et l'expérience ?



Un cycle de conférences grand public avec culture&rencontres sera l'occasion de voir comment certain-e-s des meilleur-e-s scientifiques du moment conçoivent la modélisation, et si elle remplace, s'oppose, ...ou s'articule avec l'expérience et l'observation !


Pour améliorer ses cours peut-être, mais aussi pour se faire plaisir et écouter des spécialistes enthousiasmant-e-s - et une belle opportunité d'y emmener des élèves… pourquoi pas ?

Modéliser le réel,,Un outil et un défi pour la
                science,,ENVIRONNEMENT BIOLOGIE,,CLIMAT
A 20h Entrée libre Aula du Collège de Saussure 9, Vieux-Chemin-d’Onex, Petit-Lancy

Depuis 1998, culture&rencontre organise des cycles de conférences scientifiques, en collaboration avec l’UNIGE. Cette année, les cinq scientifiques choisis présenteront les applications de la modélisation dans des domaines aussi variés que le climat, la biologie et l’environnement. Pourquoi modéliser le réel? Est-ce vraiment possible d’appréhender la complexité de notre environnement à l’aide d’un modèle informatique 3D? Les mathématiques peuvent-elles expliquer le monde?
Autant de questions et défis qui attendent les chercheurs

Des publications sélectionnées par les conférenciers pour vous !

Les conférenciers proposent aux abonnés de une sélection d'articles - qui sont indiqués sous leurs noms - pour vous préparer et profiter au mieux des conférences. Ou approfondir après. Ou pour ceux qui ne peuvent pas venir...
(Les membres Expériment@l-Tremplins peuvent obtenir ces articles
Vu le début de l'année : une première sélection pour la première conférence … les autres suivront !

imageMercredi 8 janvier 2020 à 20h

L’histoire d’un lézard : quand Darwin rencontre von Neumann et Turing
Prof. Michel Milinkovitch, Département de génétique
et évolution, Faculté des sciences, UNIGE
Le lézard ocellé naît brun avec des points blancs. Sa peau se transforme en- suite en un labyrinthe de pixels verts et noirs, chaque pixel correspondant à une écaille. L’ensemble de ces écailles se comporte comme un ‘automate cellulaire’, un modèle inventé dans les années 1940 par le génial mathématicien John von Neumann. Nous démontrons que la peau du lézard ocellé est le premier exemple connu d’un automate cellulaire vivant. Pour comprendre cette observation spectaculaire, nous devons rencontrer un autre mathématicien de génie, Alan Turing, pionnier de l’informatique.
encourage le lecteur à aller vérifier dans l’article d’origine : ici




Mercredi 15 janvier 2020 à 20h

Jusqu’où peut-on modéliser le monde qui nous entoure ?

Prof. Bastien Chopard, Département d’informatique, Faculté des sciences, UNIGE

Les ordinateurs modernes offrent des moyens d’investigation scientifique de plus en plus puissants. Le monde qui nous entoure peut être simulé par l’informatique, pour mieux le comprendre et le prédire. Mais quels sont les modèles de la réalité à disposition? On parle notamment d’équations mathématiques, d’automates cellulaires, ou de systèmes multi-agents. Et quelles sont les limites de cette démarche? Peut-on tout modéliser? Cette présentation tentera de donner quelques réponses à travers des exemples d’applications allant de simples systèmes physiques à des modèles économiques et physiologiques.
 


Mercredi 22 janvier 2020  à 20h
 

Modélisation et ADN préhistorique :à la recherche de nos origines

Dr Mathias Currat, Département de génétique et évolution,

Faculté des sciences, UNIGE
Notre patrimoine génétique se trouve sous la forme de molécules d’ADN et recèle une multitude d’informations sur l’évolution de nos ancêtres, notamment leurs migrations et leurs interactions avec d’autres formes humaines aujourd’hui disparues. La simulation informatique est l’une des techniques de pointe utilisée pour décoder ces informations en combinant différents aspects biologiques et environnementaux dans des modèles mathématiques. Son application à l’ADN préhistorique ouvre de fabuleuses perspectives de recherche.

le conférencier propose ces articles



  • Currat, M., & Excoffier, L. (2011). Strong reproductive isolation between humans and Neanderthals inferred from observed patterns of introgression. Proceedings of the National Academy of Sciences, 108(37), 15129‑15134. https://doi.org/10.1073/pnas.1107450108
  • 2016 Hofmanová Z, …, Currat M, …et al . Early farmers from across Europe directly descended from Neolithic Aegeans. Proceedings of the National Academy of Sciences USA, published ahead of print June 6, 2016.
  • Pinhasi, R., Thomas, M. G., Hofreiter, M., Currat, M., & Burger, J. (2012). The genetic history of Europeans. Trends in Genetics, 28(10), 496‑505. https://doi.org/10.1016/j.tig.2012.06.006



  • Mercredi 29 janvier 2020 à 20h

    Comprendre le climat grâce aux simulations numériques

    Dre Maura Brunetti, Institut des sciences de l’environnement, UNIGE

    Le climat de la terre est un système très complexe: des boucles de rétroaction entre ses composantes, notamment l’atmosphère, les océans et la banquise, peuvent le stabiliser ou, au contraire, le déstabiliser et mener à des points de bascule où une petite perturbation provoque un changement rapide et irréversible, potentiellement catastrophique. Faute de pouvoir réaliser des expériences sur la terre entière, les simulations numériques sont indispensables pour comprendre le climat et étudier quelles interactions sont les plus importantes et quel est leur e et. Cette présentation illustrera quelques exemples de simulation de points de bascule dans le climat.
    encourage le lecteur à aller vérifier dans les articles sélectionnés par la chercheure :
    • Brunetti, M., Kasparian, J., &Vérard, C. (2019). Co-existing climate attractors in a coupled aquaplanet. Climate Dynamics, 53(9), 6293‑6308. https://doi.org/10.1007/s00382-019-04926-7
    • Lenton, T. M., Held, H., Kriegler, E., Hall, J. W., Lucht, W., Rahmstorf, S., & Schellnhuber, H. J. (2008). Tipping elements in the Earth’s climate system. Proceedings of the National Academy of Sciences, 105(6), 1786‑1793. https://doi.org/10.1073/pnas.0705414105


    Mercredi 5 février 2020  à 20h

    Un ordinateur et des maths pour simuler la matière et le vivant

    Prof. Assyr Abdulle, Institut de Mathématiques, EPFL

    La simulation numérique a révolutionné la recherche en sciences naturelles. Elle est devenue essentielle, au même titre que la théorie et l’expérimentation, mobilisant les mathématiques et les outils numériques pour créer des modèles de la matière ou du vivant. Le dé est de rendre les idées mathématiques calculables et décomposables en modules élémentaires aptes à être mis en œuvre sur un ordinateur. Des exemples basés sur la simulation d’accidents vasculaires cérébraux, de fonte des glaciers ou d’écoulement de chaleur dans un microprocesseur illustreront cette approche.

    (Les membres Jump-to-science  peuvent obtenir ces articles…).


    Références:




    • Coquidé, M., & Le Maréchal, J. F. (2006). Modélisation et simulation dans l’enseignement scientifique : Usages et impacts. Aster, 43, 7‑16. https://doi.org/10.4267/2042/16799
    • Harrison, A. G., & Treagust, D. F. (2000). A typology of school science models. International journal of science education, 22(9), 1011‑1026. https://doi.org/10.1080/095006900416884
    • Martinand, J.-L. (1992). Enseignement et apprentissage de la modélisation en sciences (Laboratoire interuniversitaire de recherche sur l’éducation scientifique et technologique). Institut national de recherche pédagogique.
    • Potvin, P. (2013). Proposition for improving the classical models of conceptual change based on neuroeducational evidence : Conceptual prevalence. Neuroeducation, 2(1), 16‑43. https://doi.org/10.24046/neuroed.20130201.16
    • Quillin, K., & Thomas, S. (2015). Drawing-to-Learn : A Framework for Using Drawings to Promote Model-Based Reasoning in Biology. Cell Biology Education, 14(1), es2‑es2. https://doi.org/10.1187/cbe.14-08-0128
    • Schwarz, C., Reiser, B. J., Davis, E. A., Kenyon, L., Achér, A., Fortus, D., Shwartz, Y., Hug, B., & Krajcik, J. (2009). Developing a learning progression for scientific modeling : Making scientific modeling accessible and meaningful for learners. Journal of Research in Science Teaching, 46(6), 632‑654. https://doi.org/10.1002/tea.20311
    • Tiberghien, A. (1994). Modeling as a basis for analyzing teaching-learning situations. Learning and Instruction, 4(1), 71‑87. https://doi.org/10.1016/0959-4752(94)90019-1
    • Treagust, D. F., Chittleborough, G., & Mamiala, T. L. (2002). Students’ understanding of the role of scientific models in learning science. International journal of science education, 24(4), 357‑368. https://doi.org/10.1080/09500690110066485

    Aucun commentaire:

    Enregistrer un commentaire