Comprendre d’abord, calculer ensuite.

Améliorer la
résolution de problèmes en CM1
Ingrid Claracq, Michel Fayol, Bruno Vilette

To cite this version:

Ingrid Claracq, Michel Fayol, Bruno Vilette. Comprendre d’abord, calculer ensuite. Améliorer la
résolution de problèmes en CM1. A.N.A.E. Approche neuropsychologique des apprentissages chez
l’enfant, 2022, 180, pp.1-10. �hal-03861069v2�

HAL Id: hal-03861069

[Link]
Submitted on 19 Nov 2022

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
 1

TITRE : Comprendre d'abord, calculer ensuite. Améliorer la résolution de

problèmes en CM1

Claracq, I., doctorante, Univ. Lille, ULR 4072 - PSITEC - Psychologie : Interactions Temps
Émotions Cognition, F-59000 Lille, France

Ingrid CLARACQ
399, groenstraat
9041 Oostakker
Belgique
[Link]@[Link]

Fayol, M., Professeur émérite, Université Clermont-Auvergne - Laboratoire de Psychologie

Sociale et Cognitive (LAPSCO) – Centre National de la Recherche Scientifique.

Vilette, B., Professeur, Univ. Lille, ULR 4072 - PSITEC - Psychologie : Interactions Temps
Émotions Cognition, F-59000 Lille, France

1
 2

TITRE : Comprendre d'abord, calculer ensuite. Améliorer la résolution de

problèmes en CM1

Résumé :
Les problèmes arithmétiques sont résolus difficilement par les jeunes élèves. Nous faisons l’hypothèse
que cet apprentissage pourrait être amélioré si l’on mettait l’accent sur la compréhension des énoncés
verbaux plutôt que sur le traitement du calcul. Pour tester cette hypothèse, nous comparons les
performances de deux groupes d’élèves de CM1 dont l’un apprend à résoudre des problèmes en
l’absence de valeur numérique. Les résultats montrent qu’en mobilisant la compréhension avant le
calcul, on améliore significativement et durablement la résolution de problèmes arithmétiques.

Mots-clés : résolution de problèmes, compréhension, calculs, apprentissage, instruction

Abstract:
Young children struggle with word problem solving. We examine whether the
performance of solving word problem improves if we concentrate on problem comprehension
rather than on its numerical treatment. In order to test our hypothesis, we compare the
performance of two groups in four year of French elementary school (age between 9 and 10).
The experimental group learns how to solve word problem without numerical values unlike the
witness group. Results show that this method improves, significantly and at long term, pupils’
performance of solving word problem.

Key words: word problem solving, comprehension, computation, instruction, learning

2
 3

Les comparaisons nationales et internationales PISA 2015 (OECD, 2015) et TIMSS

2015 (IEA, 2015) mettent en évidence que la résolution de problèmes constitue une source
fréquente d’échecs, quels que soient le niveau scolaire et les pays concernés. Il est donc
important de chercher à comprendre l’origine des difficultés rencontrées par les élèves avec,
comme objectif, le souci d’intervenir en vue de prévenir ces difficultés ou de transmettre les
connaissances et les savoir-faire susceptibles de permettre aux élèves de les surmonter. De très
nombreux travaux ont été conduits dans cette perspective, faisant apparaître les impacts des
variables socio-économiques et culturelles (e.g. professions des parents : Arnold & Doctoroff,
2003), des capacités cognitives générales (e.g. la mémoire de travail : Swanson, 2017), des
capacités langagières (e.g. niveau de vocabulaire : Cummins et al., 1988), des difficultés
spécifiques aux mathématiques (e.g. fractions ou proportions : Van Dooren et al., 2015) (pour
une synthèse : Thevenot, 2017). Parmi ces variables, deux ont particulièrement retenu
l’attention des chercheurs : le rôle des traitements numériques (calculs et opérations) et celui de
la compréhension des énoncés verbaux.
Un problème arithmétique verbal simple et classique est par exemple « Paul et Louis
ont 12 euros ensemble. Paul a 9 euros. Combien Louis a-t-il d’euros ? ». Ce type d'énoncé relève
à la fois du narratif (i.e. story problem) puisqu’il relate une histoire, même sommaire, et d’un
type textuel particulier : le problème (Zagar, 1991). Des informations manquent, que l’élève
doit identifier pour effectuer les opérations permettant d’aboutir à la résolution. Pour y parvenir,
les enfants doivent préalablement comprendre la situation problème décrite par l'énoncé. Cette
étape de compréhension nécessite en principe de construire une représentation mentale la plus
proche possible de celle qui est requise pour la résolution, en imageant et simulant mentalement
les relations décrites par le texte (modèle mental : Johnson-Laird, 1983; Thevenot, 2010 ; ou
modèle de situation : Brissiaud & Sander, 2010; Van Dijk & Kintsch, 1983). Elle constitue une
première source de difficulté (Cummins et al., 1988). L’élève doit ensuite réaliser des calculs
en s’appuyant sur les données fournies et sur ses savoirs et savoir-faire. Pour cela, il lui faut
faire appel au symbolisme mathématique (chiffres, signes) et aux traitements associés
(opérations).
L’activité de résolution de problème relève traditionnellement de l’arithmétique. On
pourrait donc s’attendre à ce que les performances correspondantes dépendent fortement de
celles relatives aux calculs et aux opérations. Tel n’est pas le cas. Ainsi, Muth (1984) rapporte
que la dimension computationnelle n’explique spécifiquement que 8% de la variance en
résolution de problèmes chez des élèves de classe de sixième (G6). Lin (2021) a synthétisé les
données de 98 études empiriques (plus de 100 000 élèves) et mis en évidence que, bien que tous

3
 4

les problèmes arithmétiques nécessitent la prise en compte des nombres et de leurs relations
pour réaliser les opérations conduisant au résultat, ces dimensions ont un poids non dominant
( = 0,24) sur les performances. De plus, les analyses des comportements des élèves au cours
de la résolution de problèmes ont fait apparaître que les données numériques présentes dans les
énoncés focalisent l’attention des élèves au détriment des informations textuelles fournissant
des indications quant aux situations et relations décrites entre états ou transformations (De Corte
& Verschaffel, 1981; De Corte et al., 1990; Zagar, 1991). Leur présence amène souvent les
élèves à effectuer les calculs avant même d’avoir élaboré la structure du problème, d’où
l’occurrence d’erreurs.
Les difficultés en résolution de problème surviennent ainsi même lorsque les opérations
arithmétiques sont maîtrisées des élèves (Swanson, 2017). Comme souligné précédemment,
l’attention de ces élèves se focalise souvent sur les données numériques aux dépens de la
compréhension des situations décrites dans les énoncés. Ce constat a conduit à étudier plus
précisément les relations entre compréhension et résolution de problèmes, en référence aux
travaux de Kintsch et Greeno (1985). Les études ont établi des corrélations, souvent élevées
(e.g. r=.67 chez Vilenius-Tuohimaa et al., 2008), quels que soient les niveaux scolaires
envisagés. Ces relations varient selon la complexité des problèmes et les caractéristiques
individuelles (Pongsakdi, 2020). Certaines études ont induit des améliorations de performances
en rendant plus explicites, et donc plus compréhensibles, les formulations des énoncés (Coquin-
Viennot & Moreau, 2003; De Corte et al., 1985; Devidal et al., 1997; Thevenot et al., 2007) ;
elles ont porté sur des interventions visant à encadrer l’interprétation des énoncés, de sorte que
les élèves parviennent à associer plus facilement des énoncés avec des catégories de modalités
de résolution (e.g. des schémas inspirés des travaux de Carpenter & Moser, 1984 ou Riley et
al.,1983 ; voir Chan et Kwan, 2021 ; Cook et al., 2020; Fuchs et al., 2021). Des recherches
récentes s’efforcent d’intégrer les résultats spécifiques des travaux antérieurs dans des
démarches « écologiques » impliquant les enseignants et des classes entières. Fuchs et al.,
(2020) recourent à différents dispositifs (Pirate Maths ; Hot Math ; Super Solvers) qui tous font
appel à une instruction explicite, à une simulation (enacted via role playing with concrete
objects) et à l’utilisation de schémas. Les élèves parcourent le problème, le lisent eux-mêmes
ou suivent le texte en écoutant quelqu’un le lire, effectuent un rappel qui les oblige à prêter
attention aux données de l’énoncé, catégorisent les problèmes (i.e. les affectent aux catégories
de schémas) et écrivent l’opération correspondante. Ils relisent et introduisent les données
numériques dans les parties (slots) des schémas, ce qui permet de résoudre les problèmes. De
manière générale, les groupes entraînés font mieux que les groupes contrôles : les moyennes

4
 5

sont plus élevées et la dispersion diminue. Toutefois, les auteurs soulignent qu’ils ne savent pas
si ces effets positifs perdurent (Fuchs et al., 2021).
Les données issues des travaux antérieurs ci-dessus exposés nous ont conduits à élaborer
une démarche nouvelle accordant une priorité à l’activité de compréhension et à faire intervenir
les traitements numériques dans un second temps. Il s’agissait de prévenir une focalisation
immédiate de l’attention des élèves sur les nombres et les opérations au détriment de la
compréhension de la situation décrite par l’énoncé. Pour cela, nous avons contraint les élèves à
élaborer d’abord une représentation épisodique – un modèle de situation ou un modèle mental
- simulant le déroulement ou l’état de la situation évoquée par l’énoncé, à déterminer les
données disponibles et à identifier celles qui manquent et qui constituent la ou les inconnue(s).
Cette première phase était explicitement travaillée en mettant en place une lecture de l’énoncé,
un rappel et/ou une paraphrase de celui-ci, une simulation du déroulement des faits ou de l’état
de la situation (e.g. mimes, gestes). Elle était suivie, dans une deuxième phase, par l’élaboration
progressive d’une représentation schématique plus abstraite, constituant un aboutissement :
élaboré par les élèves au fil des séances, allant de représentations analogiques (e.g. dessins) à
des formalisations proches des organisations « partie-partie-tout » (Willis & Fuson, 1988). Les
données numériques étaient introduites dans un troisième temps et permettaient la résolution
effective des problèmes.
La présente recherche repose sur un dispositif et une démarche qui visent à enseigner
explicitement la résolution de problèmes arithmétiques à des élèves de CM1 en mettant l’accent
sur l’activité de compréhension d’énoncés initialement dépourvus de données numériques. Un
ensemble de classes (désigné comme le Groupe Expérimental ou GE) a reçu cet enseignement
axé sur la compréhension alors qu’un autre ensemble de classes (Groupe Contrôle Actif : GCA)
apparié le mieux possible au GE était, lui, confronté aux mêmes énoncés mais comportant
comme il est usuel les données numériques. La recherche concernant les GE et GCA s’est
déroulée sur 12 semaines à raison de 4 séances par semaine . Dans le GE, lors de chaque séance,
les énoncés de problèmes sans valeur numérique étaient d'abord présentés aux élèves qui
devaient les comprendre à travers des lectures suivies de paraphrases (et non de simples rappels)
et de simulations gestuelles collectives en grand et/ou en petit groupe. Lorsque la
compréhension du déroulement des faits décrits dans les énoncés était assurée, reformulée et
simulée, les élèves devaient représenter, d’abord collectivement, puis individuellement sur un
cahier au fil des séances, la manière dont ils imaginaient la situation problème et son évolution
ou ses états. Ensuite, les données numériques étaient introduites dans l’énoncé resté disponible
au tableau depuis le début de la séance. Les élèves étaient alors invités, d’abord collectivement,

5
 6

puis individuellement au fil des séances, à résoudre le problème en écrivant la ou les opérations
et en réalisant les calculs. Les élèves du GCA recevaient les énoncés sous le format classique :
ceux-ci restaient disponibles au tableau au cours de la séance. Dans les deux groupes GE et
GCA une correction collective était établie en fin de séance pour chaque problème.
Nous faisions trois hypothèses. Premièrement, nous attendions que les performances du
GE, initialement équivalentes (ou statistiquement contrôlées) à celles du GCA au pré-test,
soient meilleures au post-test que celles du GCA, bien que ce dernier ait traité les mêmes
problèmes mais selon une approche traditionnelle présentant d’emblée les énoncés avec les
données numériques. Deuxièmement, le recours à un second post-test différé (de 1 à 2 mois)
nous permettait d’évaluer la stabilité (très rarement testée dans les recherches antérieures) des
performances de GE et GCA : nous attendions en particulier que la supériorité des élèves du
GE sur les GCA se maintienne au post-test différé. Enfin, le rôle fondamental que nous
attribuons à la compréhension dans la résolution de problèmes devrait permettre de dissocier le
poids de la compréhension à l’écrit de celui du traitement numérique (calcul exact ou
estimation) et du traitement visuo-spatial (cf. Lonneman et al., 2008 pour les relations étroites
entre les habiletés de calcul et les représentations spatiales), et plus particulièrement encore
sous l’effet de l’intervention dans le GE. En conséquence, nous nous attendions non seulement
à ce que l’effet de la compréhension à l’écrit explique significativement les performances en
résolution de problème au pré-test dans les deux groupes (GE et GCA), mais plus encore au
post-test dans le GE après l’apprentissage axé sur la compréhension.

Méthode

Participants

Vingt-sept classes ont été initialement retenues dans différentes circonscriptions de la région
Hauts de France pour participer à cette recherche avec l'accord des Inspecteurs de l'Éducation
Nationale. Six classes ont été exclues a postériori des analyses, soit parce que l'enseignant a été
longuement absent, soit parce que le protocole expérimental n'a pas été respecté. Au final, les
données de 387 élèves de CM1 (21 classes) ont été exploitées après exclusion des élèves absents
à l'un et/ou l'autre des tests, essentiellement en raison de la crise sanitaire. Parmi ces 392 élèves,
234 sont issus d'écoles classées en Réseau d’éducation prioritaire (R) et 158 élèves d’écoles
Non classées en Réseau d’éducation prioritaire (NR). Outre les élèves absents au test, cinq
autres sujets ont été exclus des analyses en raison de patrons de réponses aberrants.

6
 7

Matériel

Le matériel utilisé dans les tests et les séances d'apprentissage comprend respectivement :
- une épreuve évaluant les performances en résolution de Problèmes Arithmétiques (PA) et
quatre épreuves évaluant des compétences associées à la résolution de problèmes : Opération
Arithmétiques (OA), Compréhension à l’écrit (CE), Traitement Visuo-spatial (TV) et
Estimation Numérique (EN) ;
- une banque de problèmes (n=57) exploitée par les enseignants du GE et du GCA durant les
séances consacrées à la résolution de problèmes arithmétiques.

Procédure générale

Les élèves retenus (N=387) ont été répartis dans deux groupes : le GE constitué de 130 élèves
(dont 54 en R et 76 en NR) et le GCA comprenant 257 élèves (dont 178 en R et 79 en NR).
La procédure mise en œuvre comprend un pré-test, une phase d'apprentissage ou de pratique de
la résolution de problèmes, un post-test immédiat et un post-test différé. Le pré-test a été réalisé
en deux séances d'environ 20 minutes chacune entre le mois de décembre et début janvier. Tous
les participants ont passé les épreuves du pré-test dans l’ordre suivant : PA, OA, TV, EN, et
CE.
La phase d'apprentissage a commencé juste après le pré-test et s'est poursuivie pendant douze
semaines (soit un trimestre scolaire). Les deux post-tests ont été réalisés en une seule séance
d’environ 15 minutes, le premier juste après les congés scolaires du mois d'avril, et le second
un mois et demi plus tard.
Avant l'expérimentation, les enseignants des deux groupes ont bénéficié d'une formation
(d'environ 2h) durant laquelle étaient présentés la banque de problèmes, les critères de difficulté
(selon les types de problèmes, le contexte des énoncés, le nombre de pas pour atteindre la
résolution et la taille des nombres utilisée) et sa construction spiralaire rebrassant tous les types
de problèmes. A l'issue de cette formation, les enseignants devaient être en mesure de
réorganiser la séquence d'apprentissage s’ils ne pouvaient pas suivre l’intégralité des problèmes
proposés (absences). Cette réorganisation permettait à l’enseignant de conserver une diversité
dans les problèmes proposés aux élèves : diversité de types de problèmes, diversité de contexte,
diversité dans le nombre de pas et la taille des nombres. Les enseignants du GE ont bénéficié
en outre d'une information sur la démarche de résolution de problèmes à mettre en œuvre auprès

7
 8

de leurs élèves : comment prioriser l'activité de compréhension avant de réaliser le traitement

numérique (voir l'introduction pour une description de la démarche).
Avant le début de l’expérimentation tous les enseignants ont été observés mettant en œuvre un
même problème avec leurs élèves. A cette occasion une grille d’observation a été remplie et a
permis de caractériser leur pratique. Les enseignants du GCA mettaient en œuvre une démarche
suivant trois phases et impliquant d’emblée les données numériques : présentation du problème,
recherche de l’opération( schéma éventuel) et phrase réponse.
Durant le déroulement de l'expérimentation, tous les enseignants du GE et du GCA pouvaient
échanger sur leurs pratiques et la mise en œuvre de la banque via une plateforme numérique
dédiée à cet usage. Cette plateforme permettait également de déposer les problèmes de la
banque (par paliers progressifs), de solliciter au besoin les responsables de la recherche, et enfin
de transmettre régulièrement le relevé des problèmes effectivement traités, ce qui permettait de
suivre le type et le nombre total de problèmes traités dans chaque classe. De plus, au cours des
12 semaines de la phase d'apprentissage, les enseignants du GE ont été conviés à deux réunions
de régulation en distanciel (d'environ 1h30 chacune) afin d'échanger sur la démarche mise en
œuvre et répondre à leurs questions. Durant cette phase, un des promoteurs (la première auteure)
de la recherche s'est également rendue au moins une fois dans chacune des classes du GE pour
s'assurer du respect du protocole et, au besoin, réguler la démarche des enseignants.

Description des tests

Problèmes Arithmétiques (PA). Cette épreuve comporte 10 problèmes extraits de l'échelle de

Weschler (WISC 4) et adaptés à une passation collective à l'écrit. L’élève doit lire chaque
problème, effectuer les calculs mentalement (sans brouillon), puis écrire sa réponse. Un temps
total limité à six minutes est accordé pour résoudre le maximum de problèmes. Ces problèmes
suivent un ordre de difficulté croissant. Au total, on a un problème additif à un pas, un problème
additif à deux pas et trois problèmes multiplicatifs à un pas dont l’un implique des nombres
décimaux et les deux autres une démarche de division. Enfin, on compte cinq problèmes additifs
et multiplicatifs à trois pas. Parmi ces derniers, deux impliquent des heures et un calcul de
moyenne. Pour tous les problèmes, le contexte est familier pour les élèves (gâteaux, livres,
images, etc.). La réponse à chaque problème est cotée 2 points si la réponse est correcte ; 1
point si la réponse est erronée mais l’opération correcte (erreurs de calcul) ; 0 point en l'absence
de réponse ou si la réponse est erronée (score max.=20).

8
 9

Opération Arithmétique (OA). L'épreuve d’opérations arithmétiques comporte trois séries de

40 opérations présentées à l’écrit. La première série évalue les calculs additifs, la deuxième les
calculs soustractifs, et la troisième les calculs multiplicatifs. Pour chaque série, l’élève dispose
d’une minute pour résoudre un maximum d'opérations. La cotation est binaire (score max.=40
à chaque série).
Traitement Visuo-spatial (TV). L’épreuve visuo-spatiale est issue des travaux de l’IREM Paris
Nord. Cette épreuve est composée de neuf items. A chaque item, le dessin d’une pyramide en
perspective représentée avec des cubes (certains sont visibles, d’autres non) est montrée à
l’élève qui doit indiquer le nombre total de cubes (visibles ou non), qui varie entre 5 et 84. Le
temps de présentation des 9 items est limité à trois minutes. La cotation est binaire (score
max.=18).
Estimation Numérique (EN). L'épreuve d'estimation numérique est issue de la batterie
ZAREKI-R (von Aster et Dellatolas, 2006) adaptée pour une passation collective. Elle
comporte six items. Les élèves doivent positionner sur un segment de droite borné de 0 à 100
un nombre présenté à l'oral (trois items) ou à l'écrit (trois items). Pour les deux séries d’items,
une grille de cotation permet d'attribuer à chaque réponse un score compris entre 0 et 2 points
suivant l'éloignement correspondant au placement exact (score max.=12).
Compréhension Ecrite (CE). L’épreuve de compréhension sémantico-syntaxique (Jordan et
Lechenard (2007) est constituée de deux blocs de 12 items. A chaque item, l’élève doit juger
de l’adéquation sémantique de deux phrases présentées à l’écrit. Pour cela, l’élève lit
silencieusement les deux phrases et doit juger si elles ont ou non la même signification. Pour
chaque bloc, les élèves disposent de cinq minutes. La cotation est binaire (score max.=24).

Description de l’apprentissage

Dans le groupe GE, les élèves résolvent les problèmes fournis dans la banque, d’abord sans les
nombres, puis avec les données numériques. Dans une séance de résolution, un problème est
proposé aux élèves. La durée de résolution de celui-ci est d’environ 25 minutes. Les élèves du
GCA utilisent la même banque de problèmes que le GE mais sont d’emblée confrontés aux
énoncés incluant les données numériques. Les énoncés sont systématiquement lus en premier
par l’enseignant, puis par les élèves. L’énoncé reste disponible dans les cahiers et au tableau
tout au long de la phase de travail. D’après les données d’un sondage réalisé auprès de tous les
enseignants, chaque élève des deux groupes, GE comme GCA, consultait au moins deux fois le
texte du problème.

9
 10

Dans le GE, les enseignants incitaient les élèves à traiter les problèmes sans donnée numérique
en mettant l'accent sur la compréhension. Les élèves étaient amenés après lecture à reformuler
l'énoncé, à recourir à des mimes et des simulations avant de produire des représentations
picturales, dont des schémas, puis de passer à l’opération. Les gestes devenaient au fil des
séances un canal de communication privilégié pour la compréhension. Les représentations ou
schémas n’étaient pas d’emblée imposées aux élèves ; ils évoluaient au fil des séances selon un
cheminement à la fois collectif et individuel.
La banque de problèmes utilisée par les enseignants des deux groupes était organisée en cinq
paliers avec une montée progressive en difficulté – progression établie notamment à partir des
catégories sémantiques de Riley, Greeno et Heller (1983) et de Vergnaud (1982). Un tiers des
problèmes était additif avec les catégories combinaison, comparaison et transformation. Les
deux autres tiers étaient multiplicatifs incluant également les problèmes de proportionnalité, de
division-partition et de division-quotition. Chaque palier était organisé de sorte à ce que tous
les types de problèmes soient présents une ou deux fois dans chaque palier.
Cinq critères de complexification ont été exploités : le contexte (familier, scolaire ou éloigné),
le nombre de pas, la taille des nombres, les unités de mesure (longueur, masse, durée), le codage
ordinal/cardinal des problèmes (Gros et al., 2021) et la nature des nombres en jeu (entiers ou
décimaux). Chaque élève pouvait être confronté à 57 problèmes (au maximum) – présentés
successivement en 5 paliers - lors des douze semaines. Tous les problèmes étaient fournis avec
une mise en page spécifique et un support cahier1.

Résultats

Le tableau 1 présente les moyennes des scores obtenus à chaque épreuve dans les deux groupes
(GE; GCA).

Insérer Tableau 1.

Les données sont analysées en fonction des hypothèses. Tout d'abord, nous évaluons les effets
de l'intervention sur les performances en résolution de problèmes arithmétiques. Pour cela, une
analyse de variance (ANOVA) a été réalisée sur les scores PA du pré-test, puis une analyse de
la covariance (ANCOVA) en traitant les scores PA du prétest comme facteur covariant et les

1 La banque de problèmes est disponible sur demande à la première autrice.

10
 11

scores PA du post-test comme variable dépendante. Ces analyses étaient nécessaires dans la
mesure où les performances arithmétiques au pré-test diffèrent entre les groupes (cf. Tableau 1
et Figure 1), bien que de manière statistiquement non significative. Des analyses de régression
ont ensuite été réalisées (corrélationnelles, puis multiples), d'une part, pour étudier les relations
entre les capacités de la résolution de problèmes arithmétiques (PA) et certaines habiletés
associées à la résolution de problèmes (OA, CE, TV et EN) ; d'autre part, pour évaluer le poids
de ces habiletés sur la résolution de problèmes arithmétiques.

Effets de l'intervention sur les performances arithmétiques

Une ANOVA factorielle a été réalisée sur les scores du pré-test en prenant comme prédicteurs
catégoriels le facteur groupe (GE, GCA) et le facteur milieu (R, NR). Cette analyse révèle un
effet principal significatif du milieu (F(5, 314)=3.39, p<.005, Eta-deux=.051) et aucun effet
principal significatif du facteur groupe (F(5, 314)=1.20, ns), ni de l'interaction groupe x milieu
(F(5, 318)=1.35, ns). Les comparaisons effectuées entre les deux groupes sur chacun des scores
du prétest n'indiquent aucune différence significative au seuil p<.05 (PA: F(1, 318)=0.81, ns ;
OA: F(1, 318)=2.52, ns ; CE: F(1, 318)=0.04, ns ; TV: F(1, 318)=0.07, ns ; EN: F(1, 320)=1.54,
ns).

L'analyse de covariance (ANCOVA) a été réalisée sur les scores PA du post-test en prenant
comme prédicteur continu les scores PA du prétest et comme prédicteurs catégoriels les facteurs
groupe (GE, GCA) et milieu (N, NR). Il ressort un effet significatif du covariant PA (F(1,
383)=523.02, p<.0001, Eta-deux=.577), une tendance marginalement significative du facteur
milieu (F(1, 383)= 3.15, p<.08, Eta-deux=.008), ainsi qu'une tendance marginalement
significative du facteur groupe (F(1, 383)=3.08, p<.08, Eta-deux=.008). Comme l'illustre la
figure 1, l’augmentation des scores PA entre le prétest et le post-test est plus importante dans
le GE que dans le GCA. Une ANOVA sur les scores PA du post-test révèle que la différence
entre GE et GCA est significative (F(1, 363)=5.70, p<.02, Eta-deux=.061).

Insérer Figure 1

La figure 1 montre également que la différence de scores PA entre GE et GCA se maintient au

post-test différé ; elle reste marginalement significative (F(1,363)=3.19, p<.08, Eta-deux=.037).

11
 12

Relations entre les performances arithmétiques et les variables individuelles

Une analyse de corrélations de Pearson (bivariée et point bisériale) a été réalisée (Tableau 2)
afin de tester les liens entre les variables dépendantes (les scores au pré-test et au post-test) et
les variables indépendantes (le groupe et le milieu). Le tableau indique si la différence est
significative au seuil corrigé 0.004 (correction de Bonferroni pour comparaisons multiples)

Insérer Tableau 2.

On constate un lien positif et significatif entre le milieu (R ou NR) et les scores PA aux post-
tests immédiat et différé, ainsi qu'entre le milieu et les scores en compréhension de l'écrit (CE)
et en estimation numérique (EN). Les autres relations ne sont pas corrélées significativement.
Par conséquent, la variable milieu sera contrôlée dans les analyses de régression suivantes.

Nous avons d'abord procédé à une analyse de corrélations partielles entre tous les scores, avec
contrôle du milieu (Tableau 3). Le tableau indique si la corrélation est significative au seuil
corrigé 0.001 (correction de Bonferroni). Tous les scores sont corrélés positivement et
significativement. Les corrélations les plus élevées se situent entre les scores PA (problèmes
arithmétiques), CM (calcul mental écrit) et CE (compréhension de l'écrit).

Insérer Tableau 3.

Nous avons procédé ensuite à deux analyses de régression multiple pour évaluer l'impact du
traitement visuo-spatial (TV), de la compréhension écrite (CE), des opérations arithmétiques
(OA) et de l'estimation numérique (EN) sur les performances en résolution de problèmes. Afin
de contrôler l’effet du milieu (R, NR), cette variable a été introduite dans un premier bloc
comme variable contrôle. Les scores TV, CE, OA et EN ont ensuite été entrés dans un second
bloc comme variables prédictives. La première analyse de régression avait pour variable
dépendante les scores PA au pré-test sur l'ensemble des groupes (Tableau 4); la seconde
analyse, les scores PA au post-test sur chacun des groupes séparément (Tableau 5). La troisième
analyse reprenait la seconde sur les scores PA au post-test différé (Tableau 6).

12
 13

Insérer Tableau 4.

L'analyse de régression multiple sur les scores PA du pré-test (tableau 4) montre qu'après
contrôle du milieu, les effets de OA (opérations arithmétiques), de CE (compréhension de
l'écrit) et de TV (traitement visuo-spatial) sont significatifs au seuil p<.001.

L'analyse de régression sur les scores PA du post-test sur chacun des groupes (Tableau 5) révèle
que les effets de OA et CE sont les seuls prédicteurs significatifs dans le groupe GE ; et que les
effets de OA, CE et TV sont significatifs dans le groupe GCA.

Insérer Tableau 5.

L'analyse de régression sur les scores PA du post-test différé sur chacun des groupes (Tableau
6) confirme que les effets de OA et les effets de CE sont toujours des prédicteurs significatifs
dans le groupe GE. Dans le groupe GCA, seuls Les effets de OA (Opérations arithmétiques) et
de TV (traitement visuo-spatial) sont des prédicteurs significatifs.

Insérer Tableau 6.

Globalement, les résultats des analyses font ressortir les relations étroites et toujours
significatives entre les performances en résolution de problèmes arithmétiques (PA) et les
performances aux opérations arithmétiques à l'écrit (OA) et en compréhension de phrases (CE).
C’est dans le groupe GE que les poids de OA et surtout de CE augmentent particulièrement
comparativement au groupe GCA. On notera également que, dans le groupe GE, la proportion
de variance expliquée par CE est la plus élevée quelle que soit l’analyse de régression (PA pré-
test, PA post-test ou PA différé).

Conclusions et discussion

Cette recherche avait pour objectif de vérifier la possibilité d'améliorer la réussite en résolution
de problèmes en privilégiant la compréhension des énoncés au cours des phases d’apprentissage
du traitement des problèmes. Pour cela, un protocole expérimental a été mis en place dans lequel
les enseignants apprennent aux élèves à résoudre des problèmes arithmétiques dont les énoncés
sont présentés d'abord sans données numériques, ces dernières étant introduites dans un second

13
 14

temps. Ce protocole repose sur l’hypothèse qu'en l'absence de données numériques, les élèves
se focalisent sur la compréhension des énoncés et élaborent des représentations épisodiques -
un modèle de situation ou un modèle mental - qui assurent la compréhension des situations
décrites et devraient de ce fait améliorer les performances en résolution de problèmes.

Les résultats confirment que les élèves ayant bénéficié de ce protocole (GE) améliorent
significativement leur performance en résolution de problèmes. De plus, cette amélioration est
plus importante au post-test, bien que marginalement significative (au seuil p<.08), que celle
du GCA dont les élèves n'ont pas suivi le protocole mais ont travaillé au même rythme et selon
le même agenda sur la même banque de problèmes arithmétiques élaborée à partir de
taxonomies expérimentalement évaluées (Riley, Greeno et Heller, 1983 ; Vergnaud, 1982). Les
élèves du GCA améliorent également leur réussite en résolution de problèmes au post-test mais
cette amélioration est moindre que celle du GE. Rappelons que les performances arithmétiques
(PA) entre les deux groupes ne diffèrent pas significativement au pré-test mais qu'elles diffèrent
significativement au premier post-test (p<.02) et marginalement (p>.08) au second post-test 1
mois et demi après le premier alors même qu’elles se maintiennent et même continuent de
progresser. La différence de performance entre GE et GCA reste significative en faveur de GE,
ce qui confirme la stabilité des performances dans GE et dans GCA entre les deux post-tests.
Enfin, les résultats des analyses de régression confirment les effets attendus de la
compréhension à l‘écrit sur les performances en résolution de problèmes. Non seulement les
effets de CE sont significatifs au pré-test et aux deux post-tests dans le GE, ainsi qu'au pré-test
et au premier post-test dans le GCA, mais l’impact de la compréhension à l’écrit sur les
performances en résolution de problèmes est plus élevé encore dans le GE après l’apprentissage.
Notre démarche s’inscrit dans la ligne des travaux contemporains qui, après avoir rapporté les
fortes corrélations entre performances en compréhension de texte et résolution de problèmes
(Boonen et al., 2016 ; Cirino et al., 2018 ; Lin et al., 2021 ; Vilenius-Tuohimaa, 2008), après
avoir théorisé le rôle de la compréhension de textes lors du traitement des énoncés (Kintsch &
Greeno, 1985 ; van Dijk & Kintsch, 1983 ; Pongsakdi et al., 2020) et après avoir montré que
des modifications de la formulation des énoncés (De Corte et al., 1985 ; Devidal et al., 1997)
ou des reformulations permettant un recodage sémantique (Gvozdic & Sander, 2020 ; Gros et
al., 2020) suffisent à améliorer les résultats en résolution, ont récemment entrepris d’intervenir
plus ou moins directement sur la compréhension elle-même. Par exemple, Fuchs et al. (2021)
rappellent que la résolution de problèmes verbaux est plus liée à la compréhension du langage
qu’à l’arithmétique. Ces auteurs développent une intervention privilégiant l’activité de

14
 15

compréhension au cours même de l’activité de résolution. Pour cela, ils demandent aux élèves
de réaliser des paraphrases, des simulations (e.g. par gestes ou usage de matériel) et d’élaborer
ou de sélectionner des schémas. Les résultats du groupe expérimental sont meilleurs que ceux
du groupe contrôle ne faisant appel qu’aux schémas. Notre démarche s’inscrit dans la même
perspective à ceci près qu’elle sépare le travail portant sur la compréhension des énoncés de
celui traitant les données numériques comme le suggèrent Fuchs et al. (2020). Pour rendre plus
crédible la pertinence de notre approche, le GCA est confronté parallèlement au GE aux mêmes
problèmes selon le même agenda mais avec des enseignements qui suivent la présentation et la
pédagogie traditionnelles. Au total, les élèves du GE et du GCA ont résolu de 37 à 38 problèmes
au cours des 12 semaines dédiées à notre recherche en suivant une instruction dispensée par
leurs enseignants.
La conséquence de l’attention que nous avons accordée aux conditions écologiques de
l’instruction dispensée – classes ordinaires, enseignants avec leurs élèves – et aux conditions
scientifiques de réalisation et d’utilisation du matériel – même banque de problèmes organisée
selon des paliers de difficulté progressive, même agenda à quelques jours près, même durée de
travail en résolution de problèmes - de la recherche ont abouti à une amélioration générale des
performances des deux groupes GE et GCA, avec néanmoins, comme attendu, un effet
significatif au post-test et marginalement significatif au post-test différé, mais une différence
faible en termes d’intensité d’effet. Nous connaissions le risque de n’obtenir aucun effet ou un
effet faible, surtout en demandant aux enseignants eux-mêmes d’assurer l’instruction et en
évaluant le suivi du protocole par des visites et un questionnaire. Toutefois, même faible, cet
effet conforte notre hypothèse principale : travailler dans une première phase la compréhension
des énoncés en l’absence de données numériques pour n’introduire ces dernières que dans la
phase suivante permet d’assurer la compréhension des situations décrites dans les énoncés et
d’améliorer de ce fait les résolutions.
La recherche ici rapportée souffre principalement de trois limites : l’une relative au plan
expérimental (design), l’autre concernant le suivi du protocole, la troisième ayant trait aux
énoncés de problèmes. La faible durée de la recherche et le nombre relativement réduit d’élèves
(avec des conditions particulières associées à la pandémie) rendent souhaitable une réplication
de notre travail, en ajoutant un second groupe contrôle autonome (business as usual). Bien que
les enseignants du GCA aient suivi une formation préalable, aient pu interagir régulièrement
avec les chercheurs et l’encadrement, le suivi du protocole mériterait d’être étudié et évalué, ne
serait-ce que pour éventuellement repérer les démarches les plus efficaces, s’il en est. Enfin, la
banque de problèmes elle-même devrait être analysée en essayant de déterminer si la

15
 16

progression retenue est bien optimale ou si des aménagements pourraient lui être apportés. Ces
faiblesses devraient être corrigées dans les recherches à conduire. Ces dernières devront aussi
s’attacher à déterminer les éventuels effets à moyen et long termes des interventions mises en
place. Il est connu que les résultats des interventions pédagogiques tendent à se dissiper
rapidement. Toutefois, les interventions ont rarement une durée longue et une organisation aussi
régulière (i.e. travail initial sur la compréhension suivi de la résolution avec les données
numériques). Cette récurrence pourrait se traduire par l’apprentissage par les élèves d’une
véritable stratégie de traitement consistant à s’attacher d’abord à comprendre l’énoncé sans
tenir compte des nombres avant de passer à la résolution elle-même. Les recherches ultérieures
devront s’intéresser à ce possible apprentissage et à son intérêt pour les progrès des traitements
de problèmes académiques plus complexes.

Remerciements à la mission mathématiques du département du nord, aux inspecteurs,

conseillers pédagogiques et enseignants des circonscriptions de Lille1-centre, Lille1-
Hellemmes, Lille-2 Loos, Lille-3 Ronchin, Roubaix-Hem, Tourcoing-Est, Tourcoing-Ouest,
Tourcoing Roncq, Valenciennes-Anzin.

Conflit d’intérêt : aucun

16
 17

Arnold, D., & Doctoroff, G. (2003). The Early Education of Socioeconomically

Disadvantaged Children. Annual Review of Psychology, 54, 517‑545.
[Link]
Boonen, A. J. H., de Koning, C. C., Jolles, J., & van der Schoot, M. (2016). Word problem
solving in contemporary math education: A plea for reading comprehension skills
training. Frontiers in Psychology, 7(191). [Link] fpsyg.2016.00191
Brissiaud, R., & Sander, E. (2010). Arithmetic word problem solving: A situation strategy
first framework. Developmental Science, 13(1), 92–107.
[Link]
Carpenter, T. P., & Moser, J. M. (1984). The Acquisition of Addition and Subtraction
Concepts in Grades One through Three. Journal for Research in Mathematics
Education, 15(3), 179‑202.
Chan, W. W. L., & Kwan, J. L. Y. (2021). Pathways to word problem solving : The mediating
roles of schema construction and mathematical vocabulary. Contemporary
Educational Psychology, 65, 101963. [Link]
Cirino, P. T., Child, A. E., & Macdonald, K. T. (2018). Longitudinal predictors of the
overlap between reading and math skills. Contemporary Educational Psychology,
54, 99–111. [Link]
Cook, S. C., Collins, L. W., Morin, L. L., & Riccomini, P. J. (2020). Schema-Based
Instruction for Mathematical Word Problem Solving : An Evidence-Based Review for
Students With Learning Disabilities. Learning Disability Quarterly, 43(2), 75‑87.
[Link]
Coquin-Viennot, D., & Moreau, S. (2003). Highlighting the role of the episodic situation
model in the solving of arithmetical problems. European Journal of Psychology of
Education, 18(3), 267‑279.
Cummins, D. D., Kintsch, W., Reusser, K., & Weimer, R. (1988). The role of understanding
in solving word problems. Cognitive Psychology, 20, 405–438.
[Link]
De Corte, E. & Verschaffel, L. (1981). Children’s Solution Processes in Elementary
Arithmetic Problems : Analysis and Improvement. Journal of Educational
Psychology, 73(6), 765-779.
De Corte, E., Verschaffel, L., & de Win, L. (1985). Influence of rewording verbal problems
on children’s problem representations and solutions. Journal of Educational
Psychology, 77(4), 460‑470. [Link]

17
 18

De Corte, E., Verschaffel, L., & Pauwels, A. (1990). Influence of the semantic structure of
word problems on second graders’ eye movements. Journal of Educational
Psychology, 82(2), 359‑365. [Link]
Devidal, M., Fayol, M., & Barrouillet, P. (1997). Stratégies de lecture et résolution de
problèmes arithmétiques. L’Année psychologique, 97(1), 9‑31.
[Link]
Fuchs, L. S., Fuchs, D., Seethaler, P. M., & Craddock, C. (2020). Improving Language
Comprehension to Enhance Word-Problem Solving. Reading & Writing Quarterly,
36(2), 142‑156. [Link]
Fuchs, L. S., Seethaler, P. M., Sterba, S. K., Craddock, C., Fuchs, D., Compton, D. L., Geary,
D. C., & Changas, P. (2021). Closing the word-problem achievement gap in first
grade : Schema-based word-problem intervention with embedded language
comprehension instruction. Journal of Educational Psychology, 113(1), 86‑103.
[Link]
Gros, H., Thibaut, J-P., & Sander, E. (2020). Semantic congruence in arithmetic: A new
conceptual model for word problem solving. Educational Psychologist, 55 (2), 69-87.
Gros, H., Thibaut, J.-P., & Sander, E. (2021). What we count dictates how we count : A tale of
two encodings. Cognition, 212. DOI: 10.1016/[Link].2021.104665
Gvozdic, K., & Sander, E. (2020). Learning to be an opportunistic word problem solver :
Going beyond informal solving strategies. ZDM, 52(1), 111‑123.
[Link]
Johnson-Laird, P. N. (1983). Mental models: Towards a cognitive science of language,
inference, and consciousness. Cambridge, MA: Harvard University Press.
[Link]
Jordan, M. & Lechenard, A. (2007). Evaluation de la compréhension écrite de phrases et de
ses compétences associées. Université de Lyon. Mémoire d’orthophonie.
Kintsch, W., & Greeno, J. G. (1985). Understanding and solving word arithmetic problems.
Psychological Review, 92(1), 109‑129. [Link]
Lin, X. (2021). Investigating the Unique Predictors of Word-Problem Solving Using Meta-
Analytic Structural Equation Modeling. Educational Psychology Review, 33(3),
1097‑1124. [Link]
Lonnemann, J., Linkersdörfer, J., Nagler, T., Hasselhorn, M. and Lindberg, S. (2013). Spatial
representations of numbers and letters in children. Frontiers in Psychology, 4 (544), 1-
5. [Link]

18
 19

Muth, K. D. (1984). Solving arithmetic word problems : Role of reading and computational
skills. Journal of Educational Psychology, 76(2), 205‑210.
[Link]
Pongsakdi, N., Kajamies, A., Veermans, K., Lertola, K., Vaurus, M., & Lehtinen, E. (2020).
What makes mathematical word problem solving challenging? Exploring the roles of
word problem characteristics, text comprehension, and arithmetic skills. International
Journal on Mathematics Education, 52(1), 33–44. [Link]
019-01118-9
Riley, M. S., Greeno, J. G., & Heller, J. I. (1983). Development of children's problem-solving
ability in arithmetic. In H. P. Ginsburg (Ed.), The development of mathematical
thinking (pp. 153-196). New York: Academic Press.
Swanson, H. L. (2017). Verbal and visual-spatial working memory: What develops over a life
span? Developmental Psychology, 53(5), 971‑995.
[Link]
Thevenot, C., Devidal, M., Barrouillet, P., & Fayol, M. (2007). Why does placing the
question before an arithmetic word problem improve performance? A situation model
account. The Quarterly Journal of Experimental Psychology, 60(1), 43–56.
[Link]
Thevenot, C. (2010). Arithmetic word problem solving: Evidence for the construction of a
mental model. Acta Psychologica, 133, 90-95.
[Link]
Thevenot, C. (2017). Arithmetical word problem solving: The role of prior knowledge. In D.
Geary, D. Berch, K. Mann-Koepke (Eds.), Mathematical Cognition and Learning.
Vol.3: Acquisition of Complex Arithmetic Skills and Higher-Order Mathematics
Concepts (pp. 47-66). Academic Press.
Van Dijk, T. A., & Kintsch, W. (1983). Strategies of discourse comprehension. New York,
NY: Academic Press.
Vergnaud, G. (1982). A classification of cognitive tasks and operations of thought involved in
addition and subtraction. In T. Carpenter , J. Moser, & T. Romberg (Eds.), Addition
and subtraction: A cognitive perspective (pp. 39-59). Hillsdae, NJ: Lawrence Erlbaum
Associates Inc.
Von Aster, M.G. & Dellatolas, G. (2006). ZAREKI-R - Batterie pour l’évaluation du
traitement des nombres et du calcul chez l’enfant. Paris, Editions ECPA.

19
 20

Vilenius‐Tuohimaa, P. M., Aunola, K., & Nurmi, J. (2008). The association between

mathematical word problems and reading comprehension. Educational Psychology,

28(4), 409‑426. [Link]
Willis, G. B., & Fuson, K. C. (1988). Teaching Children to Use Schematic Drawings to Solve
Addition and Subtraction Word Problems. Journal of Educational Psychology, 80(2),
192-201.
Zagar, D., Fayol, M. & Devidal, M. (1991). Une stratégie de prise d'information particulière à
la lecture de problèmes? Psychologie Française, 36(2), 143-149.

20
 21

Tableau 1. Moyennes des scores à chaque épreuve

des groupes GE et GCA (N=387).
GE GCA
R NR R NR
(n=54) (n=76) (n=178) (n=79)
Pré-test Prob. Arith. (PA) 7,15 8,10 6,43 8,19
Post-test Prob. Arith. (PA) 9,17 10,71 8,08 10,05
Post Différé Prob. Arith. (PA) 9,16 11,81 8,96 11,41
Opération Arithmétique (OA) 50,41 49,84 45,79 49,39
Compréhension à l'Ecrit (CE) 16,49 17,47 16,36 17,74
Traitement Visuospatial (TV) 3,95 3,86 3,49 4,21
Estimation Numérique (EN) 5,88 6,90 6,39 7,11
R (NR): classes situées (Non situées) en Réseau d’éducation prioritaire.

21
 22

Tableau 2. Corrélations entre les variables dépendantes et indépendantes (N=305)

Variables PA prétest PA post-test PA différé CE OA TV EN

Groupe .07 .15 .11 .07 .11 .05 .01
Milieu .12 .16* .19* .24* .10 .11 .17*
PA= Problèmes arithmétiques ; OA= Opérations arithmétiques ; CE=
Compréhenson de l'écrit ; TV= Traitement visuo-spatial ; EN= Estimation
numérique. *p<.004

22
 23

Tableau 3. Corrélations partielles entre les scores du pré-test et

des post-tests avec contrôle du milieu (N=305)
Variables 1 2 3 4 5 6
1. PA prétest -
2. PA post-test .75* -
3. PA Différé .74* .79* -
4. OA .59* .61* .60* -
5. CE .34* .42* .39* .36* -
6. TV .31* .29* .30* .24* .24* -
7. EN .22* .28* .27* .28* .29* .17*
PA= Problèmes arithmétiques; OA= Opérations arithmétiques ;
CE= Compréhension de l'écrit ; TV= Traitement visuo-spatial ;
EN= Estimation numérique. *p<.001

23
 24

Tableau 4. Analyse de régression multiple prédisant la

performance arithmétique au prétest (N=322)
Performance Arithmétique (PA) au prétest
ß R2
1. Variable de contrôle
Milieu .02 5,42%
2. Variables prédictives
OA .51** 20,65%
CE .11** 23,98%
TV .14** 10,18%
EN .02 16,42%
**p<.001

24
 25

Tableau 5. Analyse de régression multiple prédisant la performance

arithmétique au post-test dans chacun des groupes
Performance Arithmétique (PA) au post-test
GE (n=108) GCA (n=206)
ß R2 ß R2
1. Variable de contrôle
Milieu .08 8,25% .03 7,06%
2. Variables prédictives
OA .42*** 24,13% .52** 19,53%
CE .27*** 25,47% .17** 23,36%
TV .08 11,80% .11* 10,65%
EN .02 20,50% .08 16,04%
*p<.05 ; **p<.01 ; ***p<.001

25
 26

Tableau 6. Analyse de régression multiple prédisant la performance

arithmétique au post-test différé dans chacun des groupes
Performance Arithmétique (PA) au post-test
GE (n=111) GCA (n=194)
2
ß R ß R2
1. Variable de contrôle
Milieu .01 7,17% .01 7,17%
2. Variables prédictives
OA .42*** 23,21% .52*** 17,90%
CE .30*** 25,90% .10 22,73%
TV .07 10,38% .17* 10,86%
EN .06 17,86% .07 14,91%
*p<.05 ; **p<.01 ; ***p<.001

26
 27

Figure 1. Scores moyens observés au prétest, au post-test et au post-test différé

à l'épreuve de problèmes arithmétiques (PA) dans chaque groupe.

11.00
10.50
10.00
9.50
9.00 GE
8.50
8.00 GCA
7.50
7.00
6.50
6.00
Pré-test Post-test Différé

27