C’est un cliché d’affirmer que les données sont le « nouveau pétrole », une ressource à exploiter. Nous les collectons sur le terrain, les affinons avec des experts, et nous les utilisons pour prendre des décisions. Cependant, nous demandons rarement ce que ce modèle extractif fait aux travailleurs et aux communautés qui fournissent les matières premières. Voici un résumé de la façon dont et pourquoi nous avons développé le moteur d’idées pour collecter et partager des perspectives.
Le flux de données reste largement unidirectionnel. Nous demandons aux acteurs locaux de rendre compte de la couverture vaccinale, des foyers de maladies ou des pénuries d’approvisionnement. Pourtant, bien trop souvent, cette information précieuse remonte la chaîne sans jamais revenir aux personnes qui l’ont générée d’une manière qu’elles peuvent utiliser.
Et si l’acte de rendre compte était en lui-même un acte d’apprentissage ? Et si le mécanisme de saisie était conçu non seulement pour alimenter une base de données, mais pour informer le praticien ? Et si cela reconnaissait l’importance des expériences qualitatives qui sont généralement rejetées comme des anecdotes ?
Ce changement de perspective est la force motrice derrière le Moteur d’idées de la Fondation Apprendre Genève, lancé pour la première fois en juillet 2020 avec un groupe de plus de 600 praticiens qui ont conçu le COVID-19 Peer Hub avec le soutien de la Fondation Bill & Melinda Gates (BMGF).
Ce mécanisme nous aide à aller au-delà du modèle d’enquête traditionnel pour créer un système de valeur réciproque. Chaque donnée partagée devient un outil d’autonomisation, de connexion et de changement dirigé localement.
Moteur d’idées: aller au-delà de l’exploitation de la ligne de front
Les épidémiologistes sont formés à rejeter l’expérience comme anecdotique, à minimiser les biais et à extraire des données claires. Nous traitons l’acteur local comme un capteur ou un instrument passif pour mesurer la couverture ou l’incidence des maladies. Mais un acteur local n’est pas un capteur. C’est un professionnel ayant la capacité de penser, d’agir et d’apprendre. Et pourtant, les données rapportées par les acteurs locaux sont traitées avec suspicion, généralement supposées être peu fiables pour de multiples raisons.
Quand nous traitons un bénévole communautaire ou un responsable médical de district simplement comme une source de données, nous faisons plus que manquer le contexte. Nous les dépouillons de leur pouvoir d’agir. Nous réduisons un professionnel pensant et adaptable opérant dans un système adaptatif complexe à une ligne anonyme dans un ensemble de données.
C’est une injustice épistémique. Elle suppose que le savoir réside au centre, chez les experts qui analysent les données, tandis que la périphérie devient une source ou une informatrice anonyme.
Quand nous traitons les personnes et les communautés comme des sources de données, nous échouons également à capturer le savoir tacite qui explique les chiffres. Nous manquons l’histoire de la façon dont une infirmière à Kano a négocié avec un chef de communauté pour permettre l’accès aux vaccinateurs. Nous manquons comment un responsable de district au Bihar a adapté la logistique de la chaîne du froid pendant une inondation.
Le mécanisme d’perspectives qui a conduit au développement du « moteur d’idées » n’est pas un outil d’enquête conçu pour extraire des informations au profit du centre. C’est un modèle pédagogique conçu pour construire le pouvoir à la périphérie. Il soutient la capacité inhérente des acteurs locaux à apprendre les uns des autres, tout en offrant aux acteurs mondiaux une occasion rare: la chance d’écouter, d’agir en fonction de ce qu’ils entendent, et de remettre en question les hypothèses directrices qui animent les stratégies mondiales.
Notre mécanisme d’perspectives est conçu pour capturer cette couche de réalité. Il opérationnalise ce que les théoriciens de l’apprentissage comme Diana Laurillard décrivent comme un cadre conversationnel, mais l’applique en dehors des salles de classe et à grande échelle. Au lieu d’un dialogue enseignant-étudiant, nous facilitons un dialogue pair à pair au-delà des frontières. Cela s’appuie sur le connectivisme de George Siemens, où l’apprentissage se fait en connectant des nœuds d’information à travers un réseau. Nous ajoutons ensuite une couche critique de structure pour assurer que ces connexions mènent à l’action. Cela incarne la vision de Cope et Kalantzis sur la production active de connaissances, où l’apprenant n’est pas un consommateur de contenu, mais un créateur. Enfin, nous nous appuyons sur les perspectives du travail de Karen E. Watkins et Victoria Marsick pour cartographier la capacité de changement ou la « culture d’apprentissage » qui fixe les limites extérieures dans lesquelles les acteurs locaux opèrent.
Ce mécanisme remixe ces cadres théoriques pour les appliquer à la limite du chaos. Il fonctionne dans les urgences humanitaires, les catastrophes, les zones de guerre et la pauvreté extrême, engageant des dizaines de milliers de participants là où les systèmes traditionnels s’effondrent.
Réciprocité comme justice, pas transaction
Dans le marketing traditionnel, il existe un concept appelé donnant-donnant. Vous donnez une ressource gratuite pour obtenir une adresse e-mail. C’est transactionnel. Notre philosophie est différente. Nous croyons que la réciprocité est une exigence de la justice.
Quand un agent de santé dans une zone de conflit prend trente minutes pour partager une histoire de lutte contre l’hésitation vaccinale, il effectue un travail non rémunéré pour le bien mondial. Si nous ne lui rendons pas cette valeur rapidement et sous une forme utilisable, nous participons à la même extraction que nous prétendons combattre.
En savoir plus : Pourquoi répondre aux questions de Teach to Reach ?
Notre mécanisme Insights repose donc sur une architecture de réciprocité précise. Il renvoie de la valeur au contributeur à chaque étape du processus. Cela garantit que le mécanisme sert d’abord le praticien, et que la hiérarchie est là pour le soutenir. Ce cadre éthique distinct nous permet de maintenir des niveaux élevés d’engagement et de confiance au fil du temps.
L’architecture du Ideas Engine : de la réflexion à l’action
Le mécanisme combine des scripts pédagogiques, des flux de travail techniques et des boucles d’engagement communautaire. Il fonctionne comme le système central de nos programmes d’apprentissage. Il alimente à la fois les événements Teach to Reach et l’Impact Accelerator.
1. L’entrée : des réflexions, pas des rapports
La collecte de données standard demande des statistiques. Combien d’enfants avez-vous vaccinés ? Cela déclenche la conformité. Nos questions demandent des récits. Parlez-nous d’un moment où vous avez fait face à un défi. Qu’avez-vous fait ?
Ce libellé est intentionnel. Il force l’utilisateur à s’arrêter et à réfléchir à sa propre pratique. C’est la métacognition. Elle transforme la personne en producteur de connaissances, pas seulement en source de données.
2. Le retour immédiat : des collections d’expériences
Notre équipe Insights lit chaque contribution. L’équipe effectue ensuite le travail exigeant de produire une collection d’Expériences partagées. C’est un recueil de centaines et parfois de milliers d’histoires de pairs. Il est filtré uniquement pour supprimer le contenu insensé ou généré par l’IA.
Nous nous efforçons de le partager avec la communauté aussi rapidement que possible. Cela valide les connaissances tacites. Cela dit au professionnel de la santé que son expérience compte suffisamment pour être partagée avec le monde rapidement. Un professionnel de la santé confronté à une épidémie de choléra aujourd’hui a plus de chances d’en bénéficier si les dernières expériences sont partagées quand et où elles sont nécessaires, pas selon un calendrier de publication scientifique qui peut prendre des mois ou des années. (Notre processus comprend des commentaires de pairs, et nous soutenons qu’il résout en fait certains des défis auxquels fait face la publication scientifique.)
3. La synthèse : des rapports d’insights thématiques
La collection brute est rapide. Nous utilisons ensuite des techniques de recherche qualitative plus conventionnelles pour produire des rapports d’insights thématiques, également appelés « rapports de témoin oculaire ». Chaque rapport distille des dizaines, des centaines ou des milliers de contributions en résumés courts de ce que nous en avons appris, sur un sujet ou un défi précis. Écrits pour la communauté, ils identifient des modèles qu’aucun individu ne pourrait voir seul. Ces rapports s’avèrent aussi étonnamment pertinents et utiles pour les acteurs non locaux.
4. Le dialogue : traduction des connaissances dynamique et pilotée par les événements
La connaissance en action est dynamique, par définition. Le Ideas Engine transforme la connaissance en action. C’est pourquoi nous accueillons Insights Live. Ce sont des sessions en direct rapides où les données prennent vie, avec des contributeurs, des guides et toute personne intéressée qui se joint pour discuter de la façon dont ils utilisent ce que nous apprenons ensemble.
Nous invitons les contributeurs eux-mêmes à prendre la parole en tant que nos invités d’honneur. Beaucoup de ce qui se passe dans ces sessions en direct, qui parle, ce que nous apprenons, nous ne le prédisons pas à l’avance. C’est émergent. Cela s’apparente davantage à une improvisation de jazz, plutôt qu’à l’orchestration musicale classique rigide des webinaires de présentation. Nous invitons les partenaires mondiaux et les bailleurs de fonds à écouter. Cela inverse la dynamique de pouvoir habituelle. Nous transformons ensuite ces événements en direct en podcasts. Cela garantit que même ceux qui ont une faible bande passante ou pas de temps pour regarder un écran peuvent accéder à l’apprentissage.
5. L’application : fermer la boucle
La connaissance est inutile si elle ne peut pas être partagée. C’est pourquoi nous fournissons des outils de diffusion. Par exemple, nous préparons de courts diaporamas que les contributeurs peuvent utiliser pour présenter les insights à leurs collègues et à leurs équipes.
De manière cruciale, cela comprend une fonction de retour. Nous suivons non seulement qui a téléchargé le diaporama, mais aussi qui l’a présenté et ce que ses collègues ont dit. Cela nous permet de mesurer l’effet d’entraînement de l’insight, y compris l’utilisation réelle et, dans certains cas, comment l’utilisation d’un insight a conduit à des changements de pratique et à des améliorations tangibles des résultats.
Le Ideas Engine fait-il vraiment une différence ?
Est-ce que cela fonctionne vraiment ? Est-ce mieux qu’un sondage ? Les données suggèrent que oui.
Dans une analyse indépendante du Centre for Change and Complexity in Learning de l’Université d’Australie du Sud, les chercheurs ont examiné notre Ideas Engine. C’était un élément central de ce mécanisme lors du COVID-19 Peer Hub. Le rapport a révélé l’ampleur de l’engagement que cette méthode génère.
- Les Scholars ont contribué 1 103 idées et 3 061 commentaires. Cela fait en moyenne 2,77 commentaires par idée.
- 80,2 % des participants ont déclaré utiliser le Ideas Engine.
- Parmi eux, 92,9 % ont déclaré avoir trouvé des idées utiles pour leur travail.
- Peut-être le plus important, l’analyse des citations a montré que les deux tiers des citations dans les plans d’action provenaient d’idées de pairs travaillant à différents niveaux du système de santé.
Cela prouve que le mécanisme ne se contente pas de collecter des données. Il parvient à faire le lien entre la connaissance et l’action en mettant en contact des praticiens de différents niveaux hiérarchiques.
Photo: The Geneva Learning Foundation Collection © 2020
Cet article a été mis à jour le 6 janvier 2026 pour refléter ce que nous avons appris depuis 2020.