Design des classements et de la compétition : effets psychologiques, systèmes de notation et comparaison équitable entre difficultés

Findings

1. Les classements dans l’éducation : qui ils motivent, qui ils démotivent

La revue systématique de 2023 « The use of leaderboards in gamified educational settings » cadre le résultat central comme dépendant de la position, pas uniforme : la réponse d’un apprenant dépend fortement de l’endroit où il tombe sur le tableau [2]. Une étude de 2025 sur le retour basé sur les classements plaide pour « des façons plus standardisées d’examiner les effets potentiels », parce que la recherche antérieure mélangeait des résultats positifs et nuls au lieu de séparer les performeurs du haut, du milieu et du bas [2]. L’étude de Christy et Fox (2014) a trouvé qu’une manipulation de comparaison sociale (un classement ordonné) avait un effet plus fort sur la performance mathématique que la menace du stéréotype, et certaines participantes qui ont moins bien performé sous pression de comparaison ont quand même rapporté une identification académique plus élevée — les effets comportementaux et de motivation ressentie peuvent diverger [1]. Une méta-analyse plus large de 41 études de gamification (5 071 participants) a trouvé un large effet agrégé (g = 0,822) mais n’a pas pu isoler les effets spécifiques aux classements sur les performeurs les plus faibles — une moyenne positive ne signifie pas que chaque position de rang bénéficie également [3]. La conclusion de design : les classements aident l’engagement en moyenne tout en concentrant un risque réel de préjudice en bas, invisible sauf s’il est mesuré par position.

2. Théorie de la comparaison sociale et enfants

La théorie de Festinger (1954) soutient que les gens évaluent leurs capacités en se comparant aux autres, particulièrement en l’absence d’un étalon objectif [4]. La comparaison vers le haut (à quelqu’un de meilleur) peut motiver les personnes ayant une estime de soi élevée mais démoraliser celles qui doutent déjà d’elles-mêmes ; la comparaison vers le bas protège le moral sans produire de gain d’apprentissage [4]. Les enfants ont généralement une estime de soi moins stable que les adultes, et un classement permanent, toujours tourné vers le haut — où l’enfant médian voit toujours des gens devant lui et ne se voit jamais montrer de contexte rassurant — favorise structurellement la comparaison vers le haut que la théorie signale comme démoralisante pour les individus à faible confiance.

3. Théorie de l’autodétermination : la compétition comme contrôlante vs. informative

La théorie de l’autodétermination (Deci & Ryan) organise la motivation autour de l’autonomie, de la compétence et de la relation, sur un spectre allant du contrôlé à l’autonome [5]. L’effet de la compétition dépend de si elle est vécue comme un retour informatif sur sa propre compétence grandissante, ou comme une pression contrôlante pour battre les autres. Un classement dont un enfant ne peut pas se retirer, visible par les pairs, liant l’identité au rang, se rapproche du contrôlant ; le même signal de compétence délivré en privé et cadré comme « tu t’es amélioré » se rapproche de l’informatif. C’est pourquoi l’optionnalité importe autant que le calcul du classement lui-même [5].

4. Alternatives coopératives : les preuves

La méta-analyse de Johnson et Johnson de 1981 (122 études, 286 résultats) et une extension ultérieure (148 études sur les premiers adolescents) ont toutes deux trouvé que les structures d’objectifs coopératives surpassent les structures compétitives et individualistes en termes de réussite, parce que les cadres coopératifs génèrent un soutien entre pairs que les cadres compétitifs ne génèrent pas [6]. Cela soutient directement les mécaniques d’équipe/de total de classe (XP de classe combiné, total de « ligue familiale ») comme complément au classement individuel — les objectifs coopératifs recrutent un canal motivationnel que la compétition individuelle ne peut pas.

5. Systèmes de notation : Elo, Glicko-2, TrueSkill, OpenSkill

Elo : E_A = 1/(1+10^((R_B−R_A)/400)), R_A' = R_A + K·(S_A−E_A). Aucun concept de confiance — une note issue de 3 parties est traitée comme celle issue de 300 — et connu pour dériver/s’inflater sur de longs horizons (la population 2 700+ des échecs est passée de 1 joueur en 1979 à 44 en 2012) [7].

Glicko-2 ajoute la déviation de notation (RD), quantifiant la confiance (elle diminue avec le jeu, augmente avec l’inactivité), et la volatilité (σ), quantifiant la constance des résultats [8]. Les nouveaux joueurs commencent avec une RD élevée (implémentation de référence : 350) de sorte que les premiers résultats déplacent les notes rapidement ; les joueurs établis à faible RD se déplacent lentement. Un paramètre tau (τ) (~0,3–1,2) contraint la vitesse à laquelle la volatilité elle-même change. Il opère sur des périodes de notation discrètes [8].

TrueSkill (Microsoft Research) représente chaque joueur comme une gaussienne (μ, σ), étendant la notation bayésienne aux équipes en sommant les compétences individuelles (fait fonctionner le matchmaking de Xbox Live) ; il ne peut pas détecter la triche, ne peut pas gérer les handicaps intentionnels, et ne peut pas séparer la contribution individuelle quand des joueurs font constamment équipe ensemble [9].

OpenSkill est une alternative open-source, non grevée de brevet, implémentant les approximations bayésiennes de Weng-Lin (Bradley-Terry, Plackett-Luce, Thurstone-Mosteller), ciblant le matchmaking asymétrique multi-équipes [10].

Adéquation pour une appli d’apprentissage : Math Challenge est fondamentalement un joueur unique contre du contenu, plus proche du domaine d’origine de Glicko-2 (individus, jeu irrégulier, besoin d’une mesure de confiance) que du domaine d’équipe de TrueSkill/OpenSkill. Glicko-2 convient mieux ; la mécanique de somme d’équipe résout un problème (compétition d’équipe) qui n’est pas actuellement nécessaire, à un coût réel de complexité ajoutée.

6. Comparaison équitable entre niveaux de difficulté très différents

Sommer naïvement des points bruts récompense qui répond le plus de problèmes faciles le plus vite — exactement ce contre quoi se prémunissent des plateformes de programmation compétitive comme Codeforces : « la vitesse à résoudre des problèmes plus faciles est souvent décisive » est signalé comme une distorsion de notation connue, corrigée en pratique en notant la performance relative à des adversaires de note connue plutôt qu’une valeur de point fixe par problème [11].

Le principe généralisable est la théorie de la réponse à l’item (TRI) : au lieu de comptes de bonnes réponses bruts, la TRI estime conjointement la compétence d’une personne (θ, un trait latent, standardisé à moyenne 0, écart-type 1) et la difficulté (b) et la discrimination (a) de chaque item, via un modèle logistique p(θ) = c + (1−c)/(1+e^(−a(θ−b))) [11]. Deux personnes ayant répondu à des items complètement différents, de difficulté différente, atterrissent sur la même échelle de compétence — précisément le problème « enfant de 6 ans vs. docteur en mathématiques » que le classement global doit résoudre. La TRI sous-tend aussi les tests adaptatifs, où chaque item est choisi pour être maximalement informatif à l’estimation de compétence actuelle du candidat [11].

Un précédent non numérique est le World Handicap System du golf : Course Handicap = (Handicap Index × Slope Rating)/113 + (Course Rating − Par), où le Slope Rating (55–155) capture à quel point un parcours est plus difficile pour un golfeur bogey que pour un golfeur scratch — normalisant simultanément la compétence du joueur et la difficulté de la tâche, la même forme de problème que comparer le score d’addition d’un enfant au score de topologie d’un adulte [12].

7. Anti-inflation et remises à zéro de saison

Les systèmes de la famille Elo dérivent à mesure que les populations grandissent ; les systèmes réels contrent cela avec des recalibrations périodiques et en ancrant la médiane de la population (Lichess rapporte que sa médiane reste proche de 1 500 sans dérive significative à long terme) [8]. La RD de Glicko-2 fournit un outil anti-inflation complémentaire gratuit : une note non exercée devient automatiquement plus incertaine, de sorte qu’une ancienne note ne peut pas dériver silencieusement à une valeur inflatée — chaque réentrée en compétition re-teste le nombre.

8. Sandbagging et smurfing

Le sandbagging (sous-performer délibérément pour affronter des adversaires plus faciles) et le smurfing (un joueur habile sur un compte neuf, mal noté) sont des défaillances bien documentées du matchmaking par compétence en général. Le sandbagging est typiquement détecté par une variance de résultat inhabituellement élevée par rapport à l’historique ; le smurfing est inhérent au fait de donner aux nouveaux comptes des notes basses/neutres avec une incertitude élevée, puisqu’un compte nouveau habile gagne rapidement avant que sa RD ne s’effondre et que la vraie note ne le rattrape. Aucun des deux n’est résoluble par la formule seule — les systèmes réels combinent une convergence rapide de RD/σ avec une détection d’anomalies en dehors de la notation elle-même.

9. Comment les produits nommés gèrent la compétition enfantine

• Duolingo : ligues hebdomadaires d’environ 30 apprenants regroupés par niveau d’activité/fuseau horaire similaire, classés par XP, promotion des meilleurs et relégation des moins bons performeurs, un tournoi d’élimination pour le palier supérieur, et un opt-out complet du classement [13].
• Khan Academy : points d’énergie et système de badges à cinq niveaux pour les compétences/vidéos/défis ; des classements existent pour plusieurs métriques, mais le cadrage met l’accent sur les points/badges comme reconnaissance de l’effort et de la maîtrise.
• Zearn : explicitement basé sur la maîtrise et non compétitif — les leçons sont conditionnées par un contrôle de maîtrise « Tower of Power » plutôt que de battre les pairs, aucun classement dans sa documentation de design ; la justification déclarée est l’équité et le rythme individualisé.
• Prodigy Math : progression de jeu et monnaie intégrée au jeu superposées au contenu mathématique ; a reçu une plainte auprès de la FTC de plus de 20 organisations de défense des droits des enfants (couverture du Financial Times, NBC News) alléguant des pratiques manipulatrices, de marketing trompeur et de vente incitative visant les enfants, et une revue du NEPC concluant qu’une étude commanditée par Prodigy à Johns Hopkins « ne parvient pas à soutenir » les affirmations de résultats d’apprentissage de l’entreprise [14][15][16].
• Mathletics / Live Mathletics (3P Learning) : organise de grandes compétitions limitées dans le temps (« World Maths Day ») et un mode « Live Mathletics » en temps réel tête-à-tête ; les mécaniques détaillées n’étaient pas accessibles de façon indépendante et doivent être traitées comme non confirmées.

10. Critiques nommées à prendre au sérieux

La critique académique publiée de la gamification compétitive dans l’apprentissage des enfants est plus mince que ne le suggère la couverture médiatique du secteur : la plupart des études rigoureuses trouvent des effets réels mais hétérogènes — de larges gains agrégés aux côtés d’effets flous ou négatifs concentrés à des positions de rang spécifiques — pas une histoire « toujours bon/mauvais », et appellent de façon répétée à mesurer les effets par sous-groupe plutôt que par moyenne de classe entière [1][2][3].

Implications de design pour Math Challenge

1. Adopter Glicko-2, pas Elo ni TrueSkill, comme algorithme de notation central. Suivre (rating μ, RD, volatility σ) par joueur et par bande de niveau/matière. Paramètres de départ selon la référence Glicko-2 : note 1 500, RD 350, σ ≈ 0,06, τ dans la plage 0,3–0,5 (privilégier l’extrémité basse — résister aux fluctuations volatiles davantage qu’un serveur d’échecs ne le ferait) [8]. Utiliser de courtes périodes de notation (par ex. quotidiennes), étant donné les nombreux petits « matchs » (problèmes) plutôt que des tournois de plusieurs jours [8].
2. Ne pas noter tête-à-tête ; noter contre la difficulté de l’item, façon TRI. Modéliser chaque problème avec sa propre difficulté/discrimination estimée conjointement [11]. Une bonne réponse sur un item difficile est un signal bien plus important qu’une bonne réponse sur un item facile — le correctif direct pour « celui qui fait les problèmes les plus faciles le plus vite gagne », puisque les totaux de points bruts n’entrent jamais dans la comparaison.
3. Normaliser le classement global sur une estimation de compétence (θ), jamais sur des points bruts ou la vitesse. Le θ d’addition d’un enfant de 6 ans et le θ de mathématiques avancées d’un adulte vivent sur la même échelle parce que les deux sont estimés à partir de réponses à des items calibrés séparément — le même principe que le Course Handicap du golf [12]. Classer le tableau global par θ (ou une transformation bornée de celui-ci), pas par XP ou nombre de résolutions.
4. Conserver les tableaux par bande de niveau et le tableau global, mais classer le tableau global sur la même échelle θ normalisée. Les tableaux par bande de niveau peuvent montrer des métriques plus simples et adaptées à l’âge (étoiles, séries) ; le classement basé sur θ est réservé à la couche destinée à être véritablement comparable entre âges.
5. Promotion/relégation de ligue : conserver la taille de groupe d’environ 30 personnes de Duolingo ; rendre la relégation douce. Promouvoir la bande supérieure (par ex. top 15-20 %) chaque semaine ; ne reléguer que la toute dernière bande (par ex. dernier 10 %), et ne jamais reléguer quelqu’un actif moins de N jours cette semaine-là — l’inactivité devrait geler, pas punir, ciblant directement la conclusion « le bas se désengage » [1][2].
6. Protéger structurellement les 20 % du bas, pas seulement via le texte. Puisque le bas de tout groupe vit une comparaison ascendante constante [4], donner à la bande du bas un signal privé, non comparatif (« tu t’es amélioré de X % cette semaine » par rapport à sa propre histoire) au lieu d’un simple rang public — recadrant le retour de comparatif à informatif [5].
7. Ne jamais montrer par défaut à un enfant le numéro de rang littéral de la dernière place. Le préjudice empirique se concentre tout en bas [1][2] ; montrer des bandes « top moitié / pas top moitié » plutôt qu’un rang exact pour les bandes les plus jeunes, en réservant le rang numérique exact au tableau global (opt-in) et aux bandes de niveau plus âgées.
8. Rendre le classement optionnel et réversible. Les utilisateurs (ou un parent/enseignant) devraient pouvoir se retirer du tableau global public tout en continuant à utiliser les ligues/le mode classe, ou inversement, selon le propre précédent de Duolingo et le principe d’autonomie de la SDT [5][13].
9. Ajouter une couche coopérative aux côtés du classement individuel : totaux de classe/famille. Selon les preuves de Johnson & Johnson [6], ajouter une métrique de total de classe ou de total d’équipe (bonnes réponses combinées, jours de série combinés) pour le mode classe, qui réussit ou échoue ensemble, recrutant l’encouragement entre pairs comme second canal motivationnel.
10. Se prémunir structurellement contre le sandbagging/smurfing, pas par la confiance. Les nouveaux comptes obtiennent une RD/σ élevée de sorte que les premières victoires d’un smurf se corrigent d’elles-mêmes en une poignée de sessions [8]. Signaler pour examen les comptes présentant une variance de résultat anormalement élevée plutôt que de prévenir le sandbagging uniquement par règle.
11. Remettre à zéro les classements de saison, mais garder θ/RD/σ persistants entre les saisons. Les classements publics de ligue hebdomadaires devraient se remettre à zéro à chaque cycle ; l’estimation de compétence privée devrait persister et simplement regagner de l’incertitude pendant les intervalles — le même mécanisme anti-inflation que les systèmes réels utilisent, et cela évite de pénaliser un enfant qui revient après une pause d’année scolaire.
12. Ne pas laisser les mécaniques de jeu/récompense dépasser le contenu mathématique. La critique documentée de Prodigy concerne spécifiquement des mécaniques de progression de jeu/monétisation diluant le temps de pratique des mathématiques [14][15][16] ; plafonner la fraction du temps de session sur la boucle de jeu non mathématique, et faire correspondre chaque événement gagnant des points/XP à un problème mathématique réellement résolu.
13. Rapporter les effets du classement par position de rang dans les propres analytiques de Math Challenge. Puisque la plainte centrale de la littérature est que la plupart des études ne rapportent qu’un effet moyenné [1][2][3], instrumenter le produit pour suivre la rétention/l’engagement séparément pour les utilisateurs de bande supérieure, moyenne et inférieure au sein de chaque ligue — le seul moyen de détecter tôt le motif « le bas se désengage ».
14. Pour le mode classe, laisser l’enseignant choisir l’intensité compétitive par salle. Donner aux enseignants une bascule par salle entre mode classé individuel, mode équipe coopératif, ou mode pratique classement masqué — opérationnalisant les conclusions SDT/apprentissage coopératif comme un contrôle réel plutôt qu’une politique globale fixe [5][6].

Questions ouvertes pour le propriétaire du projet

1. Le tableau global devrait-il classer par θ brut, ou par une transformation bornée/normalisée (par ex. percentile au sein d’une cohorte appariée par niveau) — le θ brut est plus « honnête », le percentile plus lisible pour un enfant sans exiger qu’il comprenne un nombre de notation ?
2. Quelle cadence de période de notation — quotidienne ou par session — convient à la fréquence de jeu attendue de Math Challenge ? Cela règle la décroissance de la RD de Glicko-2.
3. La relégation devrait-elle jamais être totalement suspendue pour la bande de niveau la plus jeune, ou la relégation douce (dernier 10 %, actifs uniquement) est-elle suffisante pour tous les âges ?
4. La bascule d’intensité compétitive par salle de l’enseignant devrait-elle être un réglage de salle unique ou ajustable en milieu de semaine, et son changement remet-il à zéro les classements de cette semaine-là ?
5. Y a-t-il un appétit pour construire « amélioré par rapport à sa propre histoire » comme métrique de premier plan pour la bande du bas dès le lancement, ou est-ce un périmètre pour une itération ultérieure ?
6. La difficulté des nouveaux items devrait-elle être amorcée par le curriculum (heuristique de niveau scolaire) avec un raffinement TRI en ligne dès le premier jour, ou lancer avec curriculum seul et ajouter la calibration TRI une fois que suffisamment de données de réponse existent ?