Quatre types d'analytique sont g\u00e9n\u00e9ralement distingu\u00e9s en fonction de la question \u00e0 r\u00e9soudre :<\/p>\n\n
- \n \t
- l'analytique descriptive : que s'est-il pass\u00e9 dans le pass\u00e9 ?<\/li>\n \t
- l'analytique diagnostique : pourquoi quelque chose s'est produit dans le pass\u00e9 ?<\/li>\n \t
- l'analytique pr\u00e9dictive : qu'est-ce qui est le plus susceptible de se passer dans le futur ?<\/li>\n \t
- l'analytique prescriptive : quelles actions prendre pour affecter ces r\u00e9sultats ?<\/li>\n<\/ul>\n
Qu'est-ce que c'est ?<\/h3>\n
Les outils p\u00e9dagogiques bas\u00e9s sur LA sont tr\u00e8s divers, allant des tableaux de bord pour la visualisation des donn\u00e9es aux syst\u00e8mes de recommandation. La recherche dans ce domaine est actuellement tr\u00e8s active.Nous nous limiterons \u00e0 r\u00e9sumer les probl\u00e9matiques fr\u00e9quentes rencontr\u00e9es dans la litt\u00e9rature. Chacun de ces probl\u00e8mes conduit \u00e0 des familles d'outils ciblant principalement les apprenants ou les enseignants qui repr\u00e9sentent la plupart des utilisateurs ultimes des applications bas\u00e9es sur LA.<\/p>\n\n
Pr\u00e9dire et am\u00e9liorer les r\u00e9sultats d'apprentissage des \u00e9tudiants<\/h3>\n[caption id=\"attachment_234\" align=\"alignright\" width=\"200\"]
![\"\"](\"http:\/\/aiopentext.itd.cnr.it\/wp-content\/uploads\/sites\/15\/2023\/11\/ch3-page-2-Purdue-LA-1.jpg\")
Figure 1: Dashboard \u00e9tudiants de l'Universit\u00e9 Purdue[\/caption]\nL'une des applications embl\u00e9matiques de LA est la pr\u00e9diction des \u00e9checs.<\/p>\n
Les indicateurs d'apprentissage sont calcul\u00e9s automatiquement \u00e0 partir des traces num\u00e9riques et sont accessibles directement par les apprenants afin qu'ils puissent adapter leurs propres strat\u00e9gies d'apprentissage.<\/p>\n
L'une des premi\u00e8res exp\u00e9riences a \u00e9t\u00e9 men\u00e9e \u00e0 l'Universit\u00e9 de Purdue (USA) avec une application portable con\u00e7ue comme un tableau de bord \u00e0 base de feux de circulation2<\/sup>.<\/p>\n
Chaque \u00e9tudiant peut suivre ses propres indicateurs de progression.<\/p>\n
Une capture d'\u00e9cran du tableau de bord est pr\u00e9sent\u00e9e dans la fig#1.<\/p>\n
Les indicateurs peuvent \u00e9galement \u00eatre adress\u00e9s aux enseignants comme dans un syst\u00e8me d'alerte pr\u00e9coce (Early Warning System<\/em> EWS).<\/p>\n
C'est le choix fait par le centre national d'enseignement \u00e0 distance (CNED) fran\u00e7ais dans une \u00e9tude en cours3<\/sup>.<\/p>\n
L'objectif d'un EWS est d'alerter le plus t\u00f4t possible les tuteurs charg\u00e9s du suivi des \u00e9tudiants afin qu'ils puissent mettre en \u0153uvre au plus t\u00f4t les actions de rem\u00e9diation appropri\u00e9es.<\/p>\n\n
Analyser le processus d'apprentissage des \u00e9tudiants<\/h3>\n[caption id=\"attachment_233\" align=\"alignleft\" width=\"404\"]
![\"\"](\"http:\/\/aiopentext.itd.cnr.it\/wp-content\/uploads\/sites\/15\/2023\/11\/ch3-page-2-efran-1.jpg\")
Figure 2: Dashboard du projet METAL[\/caption]\nLes techniques LA peuvent aider \u00e0 mod\u00e9liser le comportement d'apprentissage d'un apprenant ou d'un groupe d'apprenants (c'est-\u00e0-dire une classe). Le mod\u00e8le peut \u00eatre utilis\u00e9 pour afficher les processus d'apprentissage dans les applications LA, fournissant ainsi des informations suppl\u00e9mentaires qui permettront aux enseignants de d\u00e9tecter les lacunes, ce qui contribuera \u00e0 am\u00e9liorer le mat\u00e9riel et les m\u00e9thodes de formation. En outre, l'analyse du processus d'apprentissage est un moyen d'observer l'engagement de l'apprenant. Par exemple, pour le projet e-FRAN METAL, les indicateurs ont \u00e9t\u00e9 rassembl\u00e9s dans un tableau de bord co-con\u00e7u avec une \u00e9quipe d'enseignants du secondaire comme le montre la fig#2 4<\/sup>.<\/p>\n\n
Personnaliser les parcours d'apprentissage<\/h3>\n
La personnalisation des parcours d'apprentissage peut intervenir dans les syst\u00e8mes de recommandation ou d'apprentissage adaptatif. Les syst\u00e8mes de recommandation visent \u00e0 sugg\u00e9rer, \u00e0 chaque apprenant, les meilleures ressources ou les comportements appropri\u00e9s qui peuvent aider \u00e0 atteindre efficacement les objectifs p\u00e9dagogiques.<\/p>\n
Certains syst\u00e8mes s'attachent \u00e0 mettre l'enseignant dans la boucle en pr\u00e9sentant d'abord les recommandations propos\u00e9es pour leur validation. Les syst\u00e8mes d'apprentissage adaptatifs permettent \u00e0 l'apprenant de d\u00e9velopper des comp\u00e9tences et des connaissances de mani\u00e8re plus personnalis\u00e9e et \u00e0 son propre rythme en adaptant constamment le parcours d'apprentissage \u00e0 l'exp\u00e9rience de l'apprenant.<\/p>\n\n
Est-ce que \u00e7a marche ?<\/h3>\n
Dans les publications, le retour d'information se focalise principalement sur les \u00e9tudiants (et dans l'enseignement sup\u00e9rieur). Les observations ont tendance \u00e0 montrer une am\u00e9lioration des performances des apprenants (par exemple, +10% de notes A et B \u00e0 l'Universit\u00e9 de Purdue). Pour les enseignants, l'impact des LA est plus complexe \u00e0 \u00e9valuer. Les \u00e9tudes bas\u00e9es sur le mod\u00e8le d'acceptation de la technologie (MAT) sugg\u00e8rent que les enseignants ont une perception positive de l'utilisation des outils LA. Il est int\u00e9ressant de noter dans une de ces \u00e9tudes l'analyse finale des forces, faiblesses, opportunit\u00e9s et menaces (SWOT) que nous reproduisons ici5<\/sup> (voir fig#3) :<\/p>\n\n\n[caption id=\"attachment_232\" align=\"aligncenter\" width=\"1024\"]
![\"\"](\"http:\/\/aiopentext.itd.cnr.it\/wp-content\/uploads\/sites\/15\/2023\/11\/ch3-page-2-swot-1.jpg\")
Figure 3: Analyse SWOT de l'acceptabilit\u00e9 des LA5<\/sup>[\/caption]\nCertains des points d'attention, inclus dans les parties Menaces et Faiblesses, constituent la base de r\u00e9flexion de la communaut\u00e9 de la Society for Learning Analytics Research<\/em> (SoLAR) pour recommander une approche \"Ethics by design\" pour les applications LA (Drashler-16).<\/p>\n
Les recommandations sont r\u00e9sum\u00e9es dans une liste de contr\u00f4le de 8 mots-cl\u00e9s : D\u00e9terminer, Expliquer, L\u00e9gitime, Impliquer, Consentir, Anonymiser, Technique, Externe (DELICATE).<\/p>\n\n\n
\n\n1<\/sup> P.Long and G. Siemens: 1st International Conference on Learning Analytics and Knowledge<\/em>, Banff, Alberta, February 27\u2013March 1, 2011\n2<\/sup> K. Arnold, M. Pistilli: Course signals at Purdue: Using learning analytics to increase student success<\/em>, LAK2012, ACM International Conference Proceeding Series. (2012).\n3<\/sup> A. Ben Soussia, A. Roussanaly, A. Boyer: Toward An Early Risk Alert In A Distance Learning Context<\/em>. ICALT (2022)\n4<\/sup> A. Brun, G. Bonnin, S. Castagnos, A. Roussanaly, A. Boyer: Learning Analytics Made in France: The METAL project<\/em>. IJILT (2019)\n5 A. Mavroudi, Teachers\u2019 Views Regarding Learning Analytics Usage Based on the Technology Acceptance Model<\/em>, TechTrends. 65 (2021)","rendered":"Qu’est-ce que l’analyse de l’apprentissage ?<\/h3>\n
De plus en plus d’organisations utilisent l’analyse de donn\u00e9es pour r\u00e9soudre des probl\u00e8mes et am\u00e9liorer les d\u00e9cisions li\u00e9es \u00e0 leurs activit\u00e9s. Et le monde de l’\u00e9ducation ne fait pas exception car, avec la g\u00e9n\u00e9ralisation des espaces num\u00e9rique de travail (ENT) et des syst\u00e8mes de gestion de l’apprentissage (LMS), on dispose d\u00e9sormais de donn\u00e9es d’apprentissage massives, g\u00e9n\u00e9r\u00e9es par l’interaction des apprenants avec ces outils.<\/p>\n
On parle alors de Learning Analytics (LA) : LA est un champ disciplinaire d\u00e9fini comme \u201cla mesure, la collecte, l’analyse et le rapport de donn\u00e9es sur les apprenants et leurs contextes, dans le but de comprendre et d’optimiser l’apprentissage et les environnements dans lesquels il se produit\u00a0\u00bb<\/em>1<\/sup>.<\/p>\n
Quatre types d’analytique sont g\u00e9n\u00e9ralement distingu\u00e9s en fonction de la question \u00e0 r\u00e9soudre :<\/p>\n
- \n
- l’analytique descriptive : que s’est-il pass\u00e9 dans le pass\u00e9 ?<\/li>\n
- l’analytique diagnostique : pourquoi quelque chose s’est produit dans le pass\u00e9 ?<\/li>\n
- l’analytique pr\u00e9dictive : qu’est-ce qui est le plus susceptible de se passer dans le futur ?<\/li>\n
- l’analytique prescriptive : quelles actions prendre pour affecter ces r\u00e9sultats ?<\/li>\n<\/ul>\n
Qu’est-ce que c’est ?<\/h3>\n
Les outils p\u00e9dagogiques bas\u00e9s sur LA sont tr\u00e8s divers, allant des tableaux de bord pour la visualisation des donn\u00e9es aux syst\u00e8mes de recommandation. La recherche dans ce domaine est actuellement tr\u00e8s active.Nous nous limiterons \u00e0 r\u00e9sumer les probl\u00e9matiques fr\u00e9quentes rencontr\u00e9es dans la litt\u00e9rature. Chacun de ces probl\u00e8mes conduit \u00e0 des familles d’outils ciblant principalement les apprenants ou les enseignants qui repr\u00e9sentent la plupart des utilisateurs ultimes des applications bas\u00e9es sur LA.<\/p>\n
Pr\u00e9dire et am\u00e9liorer les r\u00e9sultats d’apprentissage des \u00e9tudiants<\/h3>\n
Figure 1: Dashboard \u00e9tudiants de l’Universit\u00e9 Purdue<\/figcaption><\/figure>\n L’une des applications embl\u00e9matiques de LA est la pr\u00e9diction des \u00e9checs.<\/p>\n
Les indicateurs d’apprentissage sont calcul\u00e9s automatiquement \u00e0 partir des traces num\u00e9riques et sont accessibles directement par les apprenants afin qu’ils puissent adapter leurs propres strat\u00e9gies d’apprentissage.<\/p>\n
L’une des premi\u00e8res exp\u00e9riences a \u00e9t\u00e9 men\u00e9e \u00e0 l’Universit\u00e9 de Purdue (USA) avec une application portable con\u00e7ue comme un tableau de bord \u00e0 base de feux de circulation2<\/sup>.<\/p>\n
Chaque \u00e9tudiant peut suivre ses propres indicateurs de progression.<\/p>\n
Une capture d’\u00e9cran du tableau de bord est pr\u00e9sent\u00e9e dans la fig#1.<\/p>\n
Les indicateurs peuvent \u00e9galement \u00eatre adress\u00e9s aux enseignants comme dans un syst\u00e8me d’alerte pr\u00e9coce (Early Warning System<\/em> EWS).<\/p>\n
C’est le choix fait par le centre national d’enseignement \u00e0 distance (CNED) fran\u00e7ais dans une \u00e9tude en cours3<\/sup>.<\/p>\n
L’objectif d’un EWS est d’alerter le plus t\u00f4t possible les tuteurs charg\u00e9s du suivi des \u00e9tudiants afin qu’ils puissent mettre en \u0153uvre au plus t\u00f4t les actions de rem\u00e9diation appropri\u00e9es.<\/p>\n
Analyser le processus d’apprentissage des \u00e9tudiants<\/h3>\n
Figure 2: Dashboard du projet METAL<\/figcaption><\/figure>\n Les techniques LA peuvent aider \u00e0 mod\u00e9liser le comportement d’apprentissage d’un apprenant ou d’un groupe d’apprenants (c’est-\u00e0-dire une classe). Le mod\u00e8le peut \u00eatre utilis\u00e9 pour afficher les processus d’apprentissage dans les applications LA, fournissant ainsi des informations suppl\u00e9mentaires qui permettront aux enseignants de d\u00e9tecter les lacunes, ce qui contribuera \u00e0 am\u00e9liorer le mat\u00e9riel et les m\u00e9thodes de formation. En outre, l’analyse du processus d’apprentissage est un moyen d’observer l’engagement de l’apprenant. Par exemple, pour le projet e-FRAN METAL, les indicateurs ont \u00e9t\u00e9 rassembl\u00e9s dans un tableau de bord co-con\u00e7u avec une \u00e9quipe d’enseignants du secondaire comme le montre la fig#2 4<\/sup>.<\/p>\n
Personnaliser les parcours d’apprentissage<\/h3>\n
La personnalisation des parcours d’apprentissage peut intervenir dans les syst\u00e8mes de recommandation ou d’apprentissage adaptatif. Les syst\u00e8mes de recommandation visent \u00e0 sugg\u00e9rer, \u00e0 chaque apprenant, les meilleures ressources ou les comportements appropri\u00e9s qui peuvent aider \u00e0 atteindre efficacement les objectifs p\u00e9dagogiques.<\/p>\n
Certains syst\u00e8mes s’attachent \u00e0 mettre l’enseignant dans la boucle en pr\u00e9sentant d’abord les recommandations propos\u00e9es pour leur validation. Les syst\u00e8mes d’apprentissage adaptatifs permettent \u00e0 l’apprenant de d\u00e9velopper des comp\u00e9tences et des connaissances de mani\u00e8re plus personnalis\u00e9e et \u00e0 son propre rythme en adaptant constamment le parcours d’apprentissage \u00e0 l’exp\u00e9rience de l’apprenant.<\/p>\n
Est-ce que \u00e7a marche ?<\/h3>\n
Dans les publications, le retour d’information se focalise principalement sur les \u00e9tudiants (et dans l’enseignement sup\u00e9rieur). Les observations ont tendance \u00e0 montrer une am\u00e9lioration des performances des apprenants (par exemple, +10% de notes A et B \u00e0 l’Universit\u00e9 de Purdue). Pour les enseignants, l’impact des LA est plus complexe \u00e0 \u00e9valuer. Les \u00e9tudes bas\u00e9es sur le mod\u00e8le d’acceptation de la technologie (MAT) sugg\u00e8rent que les enseignants ont une perception positive de l’utilisation des outils LA. Il est int\u00e9ressant de noter dans une de ces \u00e9tudes l’analyse finale des forces, faiblesses, opportunit\u00e9s et menaces (SWOT) que nous reproduisons ici5<\/sup> (voir fig#3) :<\/p>\n
Figure 3: Analyse SWOT de l’acceptabilit\u00e9 des LA5<\/sup><\/figcaption><\/figure>\n Certains des points d’attention, inclus dans les parties Menaces et Faiblesses, constituent la base de r\u00e9flexion de la communaut\u00e9 de la Society for Learning Analytics Research<\/em> (SoLAR) pour recommander une approche \u00ab\u00a0Ethics by design\u00a0\u00bb pour les applications LA (Drashler-16).<\/p>\n
Les recommandations sont r\u00e9sum\u00e9es dans une liste de contr\u00f4le de 8 mots-cl\u00e9s : D\u00e9terminer, Expliquer, L\u00e9gitime, Impliquer, Consentir, Anonymiser, Technique, Externe (DELICATE).<\/p>\n
\n1<\/sup> P.Long and G. Siemens: 1st International Conference on Learning Analytics and Knowledge<\/em>, Banff, Alberta, February 27\u2013March 1, 2011
\n2<\/sup> K. Arnold, M. Pistilli: Course signals at Purdue: Using learning analytics to increase student success<\/em>, LAK2012, ACM International Conference Proceeding Series. (2012).
\n3<\/sup> A. Ben Soussia, A. Roussanaly, A. Boyer: Toward An Early Risk Alert In A Distance Learning Context<\/em>. ICALT (2022)
\n4<\/sup> A. Brun, G. Bonnin, S. Castagnos, A. Roussanaly, A. Boyer: Learning Analytics Made in France: The METAL project<\/em>. IJILT (2019)
\n5 A. Mavroudi, Teachers\u2019 Views Regarding Learning Analytics Usage Based on the Technology Acceptance Model<\/em>, TechTrends. 65 (2021)<\/p>\n","protected":false},"author":1,"menu_order":2,"template":"","meta":{"pb_show_title":"","pb_short_title":"","pb_subtitle":"","pb_authors":["anne-boyer-mhu4syfujr","azim-roussanaly-0e3rnd2yic","jiajun-pan-a8wfq3pcr6"],"pb_section_license":""},"chapter-type":[],"contributor":[65,66,67],"license":[],"part":82,"_links":{"self":[{"href":"https:\/\/aiopentext.itd.cnr.it\/iapourlesenseignants\/wp-json\/pressbooks\/v2\/chapters\/88"}],"collection":[{"href":"https:\/\/aiopentext.itd.cnr.it\/iapourlesenseignants\/wp-json\/pressbooks\/v2\/chapters"}],"about":[{"href":"https:\/\/aiopentext.itd.cnr.it\/iapourlesenseignants\/wp-json\/wp\/v2\/types\/chapter"}],"author":[{"embeddable":true,"href":"https:\/\/aiopentext.itd.cnr.it\/iapourlesenseignants\/wp-json\/wp\/v2\/users\/1"}],"version-history":[{"count":1,"href":"https:\/\/aiopentext.itd.cnr.it\/iapourlesenseignants\/wp-json\/pressbooks\/v2\/chapters\/88\/revisions"}],"predecessor-version":[{"id":89,"href":"https:\/\/aiopentext.itd.cnr.it\/iapourlesenseignants\/wp-json\/pressbooks\/v2\/chapters\/88\/revisions\/89"}],"part":[{"href":"https:\/\/aiopentext.itd.cnr.it\/iapourlesenseignants\/wp-json\/pressbooks\/v2\/parts\/82"}],"metadata":[{"href":"https:\/\/aiopentext.itd.cnr.it\/iapourlesenseignants\/wp-json\/pressbooks\/v2\/chapters\/88\/metadata\/"}],"wp:attachment":[{"href":"https:\/\/aiopentext.itd.cnr.it\/iapourlesenseignants\/wp-json\/wp\/v2\/media?parent=88"}],"wp:term":[{"taxonomy":"chapter-type","embeddable":true,"href":"https:\/\/aiopentext.itd.cnr.it\/iapourlesenseignants\/wp-json\/pressbooks\/v2\/chapter-type?post=88"},{"taxonomy":"contributor","embeddable":true,"href":"https:\/\/aiopentext.itd.cnr.it\/iapourlesenseignants\/wp-json\/wp\/v2\/contributor?post=88"},{"taxonomy":"license","embeddable":true,"href":"https:\/\/aiopentext.itd.cnr.it\/iapourlesenseignants\/wp-json\/wp\/v2\/license?post=88"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}