Gérer l’éducation

15 Analytique de l’apprentissage et exploration des données éducatives

Anne Boyer; Azim Roussanaly; et Jiajun Pan

Qu’est-ce que l’analyse de l’apprentissage ?

De plus en plus d’organisations utilisent l’analyse de données pour résoudre des problèmes et améliorer les décisions liées à leurs activités. Et le monde de l’éducation ne fait pas exception car, avec la généralisation des espaces numérique de travail (ENT) et des systèmes de gestion de l’apprentissage (LMS), on dispose désormais de données d’apprentissage massives, générées par l’interaction des apprenants avec ces outils.

On parle alors de Learning Analytics (LA) : LA est un champ disciplinaire défini comme “la mesure, la collecte, l’analyse et le rapport de données sur les apprenants et leurs contextes, dans le but de comprendre et d’optimiser l’apprentissage et les environnements dans lesquels il se produit »1.

Quatre types d’analytique sont généralement distingués en fonction de la question à résoudre :

  • l’analytique descriptive : que s’est-il passé dans le passé ?
  • l’analytique diagnostique : pourquoi quelque chose s’est produit dans le passé ?
  • l’analytique prédictive : qu’est-ce qui est le plus susceptible de se passer dans le futur ?
  • l’analytique prescriptive : quelles actions prendre pour affecter ces résultats ?

Qu’est-ce que c’est ?

Les outils pédagogiques basés sur LA sont très divers, allant des tableaux de bord pour la visualisation des données aux systèmes de recommandation. La recherche dans ce domaine est actuellement très active.Nous nous limiterons à résumer les problématiques fréquentes rencontrées dans la littérature. Chacun de ces problèmes conduit à des familles d’outils ciblant principalement les apprenants ou les enseignants qui représentent la plupart des utilisateurs ultimes des applications basées sur LA.

Prédire et améliorer les résultats d’apprentissage des étudiants

Figure 1: Dashboard étudiants de l’Université Purdue

L’une des applications emblématiques de LA est la prédiction des échecs.

Les indicateurs d’apprentissage sont calculés automatiquement à partir des traces numériques et sont accessibles directement par les apprenants afin qu’ils puissent adapter leurs propres stratégies d’apprentissage.

L’une des premières expériences a été menée à l’Université de Purdue (USA) avec une application portable conçue comme un tableau de bord à base de feux de circulation2.

Chaque étudiant peut suivre ses propres indicateurs de progression.

Une capture d’écran du tableau de bord est présentée dans la fig#1.

Les indicateurs peuvent également être adressés aux enseignants comme dans un système d’alerte précoce (Early Warning System EWS).

C’est le choix fait par le centre national d’enseignement à distance (CNED) français dans une étude en cours3.

L’objectif d’un EWS est d’alerter le plus tôt possible les tuteurs chargés du suivi des étudiants afin qu’ils puissent mettre en œuvre au plus tôt les actions de remédiation appropriées.

Analyser le processus d’apprentissage des étudiants

Figure 2: Dashboard du projet METAL

Les techniques LA peuvent aider à modéliser le comportement d’apprentissage d’un apprenant ou d’un groupe d’apprenants (c’est-à-dire une classe). Le modèle peut être utilisé pour afficher les processus d’apprentissage dans les applications LA, fournissant ainsi des informations supplémentaires qui permettront aux enseignants de détecter les lacunes, ce qui contribuera à améliorer le matériel et les méthodes 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 été rassemblés dans un tableau de bord co-conçu avec une équipe d’enseignants du secondaire comme le montre la fig#2 4.

Personnaliser les parcours d’apprentissage

La personnalisation des parcours d’apprentissage peut intervenir dans les systèmes de recommandation ou d’apprentissage adaptatif. Les systèmes de recommandation visent à suggérer, à chaque apprenant, les meilleures ressources ou les comportements appropriés qui peuvent aider à atteindre efficacement les objectifs pédagogiques.

Certains systèmes s’attachent à mettre l’enseignant dans la boucle en présentant d’abord les recommandations proposées pour leur validation. Les systèmes d’apprentissage adaptatifs permettent à l’apprenant de développer des compétences et des connaissances de manière plus personnalisée et à son propre rythme en adaptant constamment le parcours d’apprentissage à l’expérience de l’apprenant.

Est-ce que ça marche ?

Dans les publications, le retour d’information se focalise principalement sur les étudiants (et dans l’enseignement supérieur). Les observations ont tendance à montrer une amélioration des performances des apprenants (par exemple, +10% de notes A et B à l’Université de Purdue). Pour les enseignants, l’impact des LA est plus complexe à évaluer. Les études basées sur le modèle d’acceptation de la technologie (MAT) suggèrent que les enseignants ont une perception positive de l’utilisation des outils LA. Il est intéressant de noter dans une de ces études l’analyse finale des forces, faiblesses, opportunités et menaces (SWOT) que nous reproduisons ici5 (voir fig#3) :

Figure 3: Analyse SWOT de l’acceptabilité des LA5

Certains des points d’attention, inclus dans les parties Menaces et Faiblesses, constituent la base de réflexion de la communauté de la Society for Learning Analytics Research (SoLAR) pour recommander une approche « Ethics by design » pour les applications LA (Drashler-16).

Les recommandations sont résumées dans une liste de contrôle de 8 mots-clés : Déterminer, Expliquer, Légitime, Impliquer, Consentir, Anonymiser, Technique, Externe (DELICATE).


1 P.Long and G. Siemens: 1st International Conference on Learning Analytics and Knowledge, Banff, Alberta, February 27–March 1, 2011
2 K. Arnold, M. Pistilli: Course signals at Purdue: Using learning analytics to increase student success, LAK2012, ACM International Conference Proceeding Series. (2012).
3 A. Ben Soussia, A. Roussanaly, A. Boyer: Toward An Early Risk Alert In A Distance Learning Context. ICALT (2022)
4 A. Brun, G. Bonnin, S. Castagnos, A. Roussanaly, A. Boyer: Learning Analytics Made in France: The METAL project. IJILT (2019)
5 A. Mavroudi, Teachers’ Views Regarding Learning Analytics Usage Based on the Technology Acceptance Model, TechTrends. 65 (2021)

Licence

Symbole de Licence Creative Commons Attribution 4.0 International

Analytique de l'apprentissage et exploration des données éducatives Droit d'auteur © 2024 par Anne Boyer; Azim Roussanaly; et Jiajun Pan est sous licence Licence Creative Commons Attribution 4.0 International, sauf indication contraire.

Partagez ce livre