Innovating Pedagogy

Fondé sur l’analyse des données des activités et des environnements d’apprentissage
Impact : moyen/haut
Délai de réalisation : moyen (2-5 ans)

Learning Analytics a émergé au cours de la dernière décennie dans le domaine beaucoup plus large de l’analyse des données. En s’installant sur l’internet, les entreprises ont perçu le potentiel du « big data » : les vastes ensembles de données produits par l’interaction en ligne. Afin d’augmenter les revenus et la part de marché, ils ont développé l’analyse commerciale. Amazon, par exemple, a utilisé les habitudes d’achat des clients et du personnel subalterne pour développer son puissant moteur de recommandation, les supermarchés ont introduit des cartes de fidélité pour suivre le comportement des acheteurs et, de manière plus controversée, les compagnies d’assurance ont commencé à collecter des données sur le mode de vie afin d’estimer l’espérance de vie.

L’introduction des environnements d’apprentissage virtuels (EAV) a fait entrer de grands volumes de données dans l’éducation. Cela a conduit à l’émergence de l’exploration des données éducatives (EDM) dans le domaine plus large de l’analyse des données, les informaticiens et les statisticiens ayant commencé à essayer d’extraire de la valeur de ces nouveaux ensembles de données. Ils ont pu appliquer des techniques d’exploration de données bien établies pour récolter et préparer les données, et pour étudier les caractéristiques qui pouvaient être identifiées automatiquement. L’analyse de regroupement et de classification a permis de distinguer les novices des experts dans les situations d’apprentissage, la méthode d’association de l’exploration de règles a permis d’identifier les caractéristiques communes des apprenants qui ont bien réussi ou qui ont abandonné, et l’exploration de motifs séquentiels a été utilisée pour identifier les itinéraires empruntés par les apprenants au fur et à mesure qu’ils se frayaient un chemin dans les supports de cours.

Ces premières approches de la pédagogie fondées sur les données étaient neutres – elles ne reposaient pas sur des théories concernant les méthodes d’enseignement et d’apprentissage efficaces. Cette situation a changé lorsque l’apprentissage en ligne et l’apprentissage mixte sont devenus plus répandus et que les chercheurs ont commencé à appliquer les connaissances des sciences de l’apprentissage à leurs travaux. L’introduction de l’analyse des réseaux sociaux dans la boîte à outils de l’exploration des données a marqué un changement vers une approche plus axée sur la théorie. Les analystes des réseaux sociaux ont été informés par les vues de Vygotsky, qui a soutenu que l’apprentissage se fait par la négociation sociale, et par le travail de Wenger sur les communautés de pratique.

Au cours des cinq dernières années, les préoccupations politiques ont rendu ce domaine plus important et ont conduit à s’inquiéter qu’il ait été exagéré. Les partis politiques américains sont de plus en plus préoccupés par le fait que les analyses comparatives internationales montrent que les normes éducatives des États-Unis s’affaiblissent, ce qui réduit leur capacité future à concurrencer les autres pays. Une série de rapports et d’articles de la fondation basée à EDUCAUSE a suggéré que l’analyse pourrait offrir une solution permettant d’augmenter les taux de rétention et de réussite scolaire. Ceux-ci ont suscité l’intérêt des politiques et le financement de la région a commencé à augmenter. EDUCAUSE a travaillé dur pour établir l’importance des analyses et aussi pour clarifier les termes utilisés pour les décrire.

En 2008, l’exploration des données éducatives était un domaine établi avec une société internationale, une revue et une conférence annuelle. Elle était encore axée sur les données et mettait l’accent sur le développement d’outils et d’algorithmes. L’analyse, en revanche, était désormais clairement axée sur l’apprentissage et l’enseignement. Une distinction plus évidente est désormais faite entre l' »analytique académique » et l' »analytique de l’apprentissage ». Les analyses académiques se concentrent sur les besoins de l’institution, tels que l’augmentation du recrutement, de la rétention et du taux de réussite. L’analytique d’apprentissage se réfère aux besoins des étudiants et du corps professoral et se concentre donc sur la compréhension et l’apprentissage et l’optimisation des environnements dans lesquels il se déroule.

L’exemple phare actuel de l’analytique d’apprentissage est le projet mené par Signals à l’université Purdue, située au sud de Chicago. Les signaux sont des évaluations formatives présentées aux étudiants en temps réel – il n’est pas nécessaire d’attendre la fin de la semaine ou du semestre pour avoir un retour. Le projet a attiré des fonds de la Fondation Gates et, par le biais de partenariats commerciaux, Signals est employé dans d’autres universités américaines.

Signals recueille des données sur les caractéristiques des étudiants, telles que leur parcours scolaire, leur effort tel qu’indiqué par leur engagement dans les éléments en ligne du cours, et leurs performances telles que reflétées par leurs notes. Les informations sur la préparation, la performance et l’effort sont combinées pour générer des signaux. Ceux-ci sont présentés comme des feux de signalisation : le vert indique que tout va bien, l’orange suggère certaines zones de préoccupation et le rouge signale des problèmes importants. Ces couleurs ne sont pas présentées aux étudiants et aux tuteurs de manière isolée, mais déclenchent également des messages et des interventions.

Purdue fait état d’une forte relation entre l’utilisation des signaux et les taux de rétention. Lorsque les étudiants sont inscrits à des cours sans repères, le taux de rétention est de 70 %, lorsqu’ils sont inscrits à un ou deux cours avec repères, le taux de rétention est nettement plus élevé, et lorsqu’ils sont inscrits à trois cours ou plus avec repères, le taux de rétention passe à 93 %. Les commentaires des étudiants suggèrent que la plupart d’entre eux estiment avoir obtenu une meilleure note grâce au projet Signals.

p27%20snapp.bmp

Un autre exemple d’analytique d’apprentissage est SNAPP. L’université de la Colombie-Britannique utilise cet outil pour fournir des visualisations en temps réel de l’activité des forums, montrant qui communique avec qui et à quel niveau. SNAPP intègre les VLE commerciaux et open source courants, y compris la version standard de Moodle. Elle peut être utilisée pour identifier les élèves désengagés et donc à risque, pour sélectionner les courtiers d’informations clés au sein d’une classe, pour trouver les élèves potentiellement performants et peu performants afin que les enseignants puissent mieux planifier leurs interventions, et pour montrer à quel point une communauté d’apprentissage se développe dans un cours. Elle peut également soutenir la réflexion sur la pratique – en montrant, par exemple, quand le personnel a concentré son attention sur certains groupes ou individus lorsqu’ils ont maîtrisé l’interaction du cours.

Les organisations d’apprentissage à distance sont bien placées pour exploiter l’analytique pour l’apprentissage, en s’appuyant sur des ensembles de données détaillées sur l’apprentissage et l’enseignement qui ont été accumulés pendant de nombreuses années. Les chercheurs de l’Open University sont à la pointe dans des domaines liés à l’analyse de l’apprentissage social, à l’analyse visuelle, à l’analyse de l’apprentissage pour l’accessibilité et au partage de données ouvertes et liées. Désormais, le défi consiste à rassembler des ensembles de données et des connaissances provenant de l’intérieur et de l’extérieur de l’établissement afin d’appliquer de puissants outils d’analyse ayant un impact positif et mesurable sur l’apprentissage et l’enseignement.

Ressources

Signaux du système de l’Université Purdue:
Outil SNAPP présentant des données en ligne aux étudiants du réseau dans une interface utilisateur facilement interprétable:http://research.uow.edu.au/learningnetworks/seeing/snapp/index.html

Sensibilisation croissante des enseignants de Loco-Analyst au processus d’apprentissage se déroulant dans leurs classes : http://jelenajovanovic.net/LOCO-Analyst/
GISM système de surveillance et de suivi des étudiants : http://gismo.sourceforge.net/index.html

Moodog montrant aux enseignants comment les étudiants interagissent avec les supports de cours en ligne : Zhang, H. et Almeroth, K. (2010). Moodog : Tracking Student Activity in Online Course Management Systems, Journal of Interactive Learning Research, 21(3), 407-429.

Check My Activity (CMA), qui permet aux étudiants de comparer leur propre activité sur Blackboard avec un résumé anonyme de leurs pairs du cours : Fritz, J. (2011). Classroom walls that talk : Using online course activity data of successful students to raise self-awareness of underperforming peers, The Internet and Higher Education, 14 (2), 89-97.

Blackboard Learn Analytics pour le module, conçu pour aider les utilisateurs à avoir un aperçu de l’activité des utilisateurs, de la conception des cours et des données sur les performances des étudiants:

Social Learning Analytics:
Buckingham Shum, S. et Ferguson, R. (2011). Social Learning Analytics. Rapport technique KMI-11-01, Knowledge Media Institute, The Open University, Royaume-Uni. http://kmi.open.ac.uk/publications/pdf/kmi-11-01.pdf

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *