Ann Kiefer & Khoi Mai Huy

De nos jours, il est essentiel de saisir les enjeux des débats touchant à l’éducation, à la société, à la politique, à l’environnement et à la santé. Pour ce faire, il est impératif de maîtriser l’interprétation des données statistiques et d’exercer un jugement éclairé sur la validité des résultats. La statistique est omniprésente dans notre société actuelle. Comprendre les données statistiques est essentiel pour prendre des décisions éclairées.

De nombreux auteurs insistent sur l’importance pour les citoyens d’aujourd’hui et de demain de maîtriser la compréhension et l’interprétation des statistiques afin de prendre des décisions éclairées dans leur quotidien, particulièrement lorsqu’ils sont susceptibles d’être confrontés à l’abondance de données présentes dans les médias (Cobb, 1999 ; Lajoie, Jacob et Lavigne, 1995). Ces données risquent d’être acceptées facilement par le grand public sans qu’ils réfléchissent d’une façon critique sur leur viabilité. De plus, dans beaucoup de cas, les données sont sélectionnées ou détournées de telle sorte pour mener la population à penser ou agir dans un certain sens souhaité, par les dirigeants politiques, par des médias, ou encore par des publicités s’adressant à une grande masse. Contre ces dangers de manipulations statistiques des médias et de la politique, Huff (1954), à l’époque de la Guerre froide, soulignait, déjà dans son livre How to lie with statistics, la nécessité d’avoir un langage statistique, car sinon tout citoyen court le risque d’une ignorance statistique, ce qui signifie qu’il sera plus manipulable. Plus récemment, Brest (2012), renouvelle et remet l’accent sur ce danger omniprésent dans son fameux ouvrage Damned lies and Statistics. En effet, cet auteur y présente et discute les meilleurs exemples tirés des récents débats politiques illustrant les défis liés à l’amélioration de la littératie statistique.

L’enseignement de la statistique à l’école est crucial pour former des citoyens informés capables d’analyser les informations quantitatives. Historiquement, l’enseignement statistique se concentrait sur les compétences computationnelles et les procédures de calcul statistique. Cependant, les approches plus récentes en enseignement et en apprentissage de la statistique, et ce dès le primaire dans certains pays occidentaux comme au Canada par exemple (Ministère de l’éducation du Québec, 2001), mettent davantage l’accent sur le développement de la pensée statistique, la compréhension des concepts et la capacité à interpréter les résultats. Au Luxembourg, ces compétences figurent sur les programmes scolaires de mathématiques des cycles inférieurs de l’enseignement secondaire classique et général¹. Un des domaines de compétences du Guide de référence pour l’éducation aux et par les médias² concerne aussi les informations et les données.

Plusieurs recherches soulignent l’importance de la pensée critique à l’égard des données statistiques (Shaughnessy, 2007 ; Shaughnessy, Garfield et Greer, 1996). Plusieurs auteurs (Cobb, 1999 ; Gattuso, 2011 ; Lajoie, Jacob et Lavigne, 1995 ; McClain, Cobb et Gravemeijer, 2000 ; McNab et al., 2006 ; Whitin, 2006) avancent que le processus de réflexion avec et sur les données statistiques doit être réalisé avec une réflexion critique, c’est-à-dire que la personne en question doit avoir des capacités et une posture pour aborder ces situations quantitatives. En outre, de nombreux autres auteurs affirment qu’il est important que les jeunes comprennent le sens plutôt que d’apprendre les solutions pour parvenir à penser de façon autonome, réfléchie et critique à propos des mathématiques et des sciences (Daniel, Lafortune, Pallascio et Sykes, 1996 ; Daniel, 2005). C’est précisément la pensée critique qui permet à l’élève d’organiser, de sélectionner et d’analyser les données afin de pouvoir en tirer des conclusions ou des prévisions pertinentes. De plus, l’élève est en mesure, du moins en partie, de juger et de prévoir l’importance et la portée de ses conclusions et de ses communications dans des situations quantitatives (Daniel, 2005).

La pensée critique, élément phare du modèle des 4C, a été identifié dans Guiding Principles for Learning in the Twenty-first Century, par Hughes et Acedo (2017) comme enjeu éducatif de premier ordre.

Critical thinking is essential for students to become autonomous, independents and open-minded individuals.

Elle est indispensable dans la vie courante afin de prendre des décisions éclairées et réfléchies. Elle est aussi essentielle pour évaluer les données statistiques de manière rigoureuse. Les élèves doivent donc apprendre, dans le cours de mathématiques, à poser des questions, à remettre en question les modèles statistiques et à considérer les biais potentiels.

C’est pourquoi, dans ce module, les élèves analysent des données réelles, doivent résoudre des problèmes concrets et justifier leurs choix statistiques. L’idée n’est bien sûr pas de développer une pensée critique générale avec un seul module de statistiques, mais plutôt de faire développer chez leurs élèves une « perspective critique » en lien avec la notion de « justice » à travers le traitement des données. Ainsi, une « perspective critique » serait un outil métacognitif pour les élèves afin qu’ils portent un regard critique et qu’ils questionnent leurs modèles mathématiques pour arriver à un modèle final plus juste, plus adapté et plus argumenté selon eux.

Une deuxième idée fondamentale de ce module est de montrer qu’en statistique il n’y a pas une seule réponse correcte et juste. Plusieurs approches différentes peuvent être justifiées. On peut même aller un pas plus loin, et montrer aux élèves que des perspectives différentes sur un même thème peuvent mener à des modèles statistiques différents et des conclusions différentes.

Par ailleurs, remarquons aussi que plusieurs recherches soulignent l’importance de la pensée critique à l’égard des données statistiques (Shaughnessy, 2007; Shaughnessy, Garfield et Greer, 1996). Cependant, ces recherches ne se penchent pas sur la question de la manifestation d’une pensée critique à l’égard des statistiques et des influences de celles-ci dans un contexte scolaire. En général, il y a un manque de liens explicites et systématiques entre la pensée critique et l’apprentissage de la statistique.

1 https://ssl.education.lu/eSchoolBooks/Web/ES
2 https://edumedia.lu/wp-content/uploads/2024/12/Medienkompass_FR_web.pdf

Références

1. Best, J. (2012). Damned Lies and Statistics: Untangling Numbers from the Media, Politicians, and Activists (1st ed.). University of California Press.
2. Cobb, P. (1999). Individual and Collective Mathematical Development: The Case of Statistical Data Analysis. Mathematical Thinking and Learning, 1(1), 5-43.
3. Daniel, M.-F. (2005). Pour l’apprentissage d’une pensée critique au primaire. Québec : Les Presses de l’Université du Québec.
4. Daniel, M.-F., Lafortune, L., Pallascio, R., et Sykes, P. (1996a ; rééditions 1999, 2004). Philosopher sur les mathématiques et les sciences. Québec : Le Loup de Gouttière.
5. Gattuso, L. (2011). L’enseignement de la statistique : où, quand, comment, pourquoi pas ? Statistique et Enseignement, 2(1), 5-30 http://publications-sfds.fr/index.php/StatEns/article/view/71
6. Huff, D. (1954). How to lie with statistics. New York: W. W. Norton.
7. Hughes, C. et Acedo, C. (2017). Guiding principles for learning in the twenty-first century. Educational practices series, 28. https://unesdoc.unesco.org/ark:/48223/pf0000262678
8. Lajoie, S., Jacobs, V. et Lavigne, N. (1995). Empowering Children in the Use of Statistics. Journal of Mathematical Behavior, 14, 401-425.
9. McClain, K., Cobb, P. et Gravemeijer, K. (2000). Supporting Students’ Ways of Reasoning about Data. In M. J. Burke et R. F. Curcio (Eds.) Learning Mathematics for a New Century, 2000 Yearbook (p. 174-187). Reston: National Council of Teachers of Mathematics.
10. McNab, S., Moss, J., Woodruff, E. et Nason, R. (2006). « We were nicer, but we weren’t fairer! » Mathematical modeling exploring « fairness » in data management. Thinking and Reasoning with Data and Chance: 68th NCTM Yearbook (p. 171-184). Reston: National Council of Teachers of Mathematics.
11. Ministère de l’éducation du Québec (2001). Programme de formation de l’école québécoise. Éducation préscolaire et enseignement primaire. Québec, QC: Gouvernement du Québec.
12. Shaughnessy, J. M. (2007). Research on statistics learning and reasoning. In F. Lester (dir.) Second handbook of research on mathematics teaching and learning: National Council of Teachers of Mathematics, (p. 957-1009). Reston, VA: National Council of Teachers of Mathematics.
13. Shaughnessy, J. M., Garfield, J., et Greer, B. (1996). Data handling. In A. Bishop et al. (dir.), International handbook of mathematics education (v.1, p. 205-237). Dordrecht, Netherlands: Kluwer.
14. Whitin, D. J. (2006). Learning to talk back to a statistic. In Thinking and Reasoning with Data and Chance: 68th NCTM Yearbook (p. 31-40). Reston: National Council of Teachers of Mathematics.