L’utilisation débridée d’indicateurs pour mesurer la performance de cours en ligne nuit potentiellement à la compréhension des phénomènes qu’ils prétendent mesurer. En nous focalisant sur les MOOC, nous illustrons trois types de travaux qui permettent de renouveler le regard sur ces métriques à partir d’analyses de traces d’interaction. Le premier consiste à questionner la terminologie mobilisée. Il convient d’identifier le phénomène que l’on évoque lorsque l’on parle de nombre d’étudiants, d’inscrits, ou de certificats délivrés. Par exemple, les inscriptions sont souvent faites par « rafales » et correspondent à des cours qui se (…)
Innovation Pédagogique et transition
Une initiative de l'Institut Mines-Télécom avec un réseau de partenaires
Matthieu Cisel
Articles de cet auteur (54)
-
Analyse de traces d’interaction et reconceptualisation des indicateurs de performance de MOOC : une revue de littérature
-
Recherches sur les technologies éducatives et usage des méthodes mixtes
Dans le cadre d’une ANR, l’ANR Hubble, je me suis intéressé à deux questions relatives à la classification des démarches de recherche dans le champ de la fouille de données issues d’Environnements Informatiques pour l’Apprentissage Humain (EIAH), que nous nommerons traces d’interaction. L’objectif qui sous-tend cette démarche est avant tout de contribuer à l’établissement d’un vocabulaire commun au sein d’une communauté de recherche sur les EIAH caractérisée par sa pluridisciplinarité. La première classification est celle des méthodes mixtes (Creswell, 2009) dans le champ des recherches en éducation, celles-ci étant définies par l’usage (…)
-
L’origine des confusions autour du terme MOOC
Un article publié en mai 2016 sur le site numérique pédagogique de Mathieu Cisel
Bon, allez, malgré ce que je vous ai dit l’autre fois, je vous propose dans un petit billet de revenir sur les origines du terme MOOC. L’impact médiatique du phénomène (Bulfin, 2014 ; Kovanovic, 2015), notamment sur les réseaux sociaux (Shen & Kuo, 2015 ; Zhang, 2015), son appropriation par de multiples acteurs et l’évolution constante des dispositifs n’ont pas manqué de jeter un certain flou quant à la définition de l’objet. Le succès qu’ont rencontré les MOOC à partir de 2012 a conduit à de nombreux détournements plus ou moins intentionnels du terme, (…) -
Learning analytics : une typologie d’analyses
J’inaugure aujourd’hui une série d’articles au cours desquels je me propose de revenir sur la diversité des types d’analyses quantitatives menées sur les traces d’interaction, en nous inscrivant dans la démarche de classification que nous avons suivie pour les méthodes mixtes. Nous emploierons le terme forme d’analyse pour désigner les différents types d’analyses quantitatives étudiées ici. Il est possible de classifier les formes d’analyse selon plusieurs axes, le premier étant celui de l’objectif sous-jacent, le second étant la nature de l’analyse réalisée. Les travaux réalisés dans le champ de l’Educational Data Mining peuvent avoir (…)
-
Le MOOC, un projet d’apprentissage ?
Je fais régulièrement le lien entre le suivi d’un MOOC et ce que l’on nomme les projets d’apprentissage, un vieux concept, puisqu’il est proposé dès 1971 par Allen Tough. Néanmoins, il me faut souligner que les éventuels projets d’apprentissage correspondant aux MOOC se distinguent à bien des égards de ceux que décrit Tough dans ses travaux séminaux. Quelques mots sur la question …
Pour l’auteur, un projet d’apprentissage dure en moyenne une centaine d’heures et mobilise en moyenne une dizaine de personnes-ressources. Or les MOOC de FUN ne nécessitent qu’une vingtaine d’heures en moyenne si l’on se base les estimations fournies par les (…) -
Modélisation prédictive et découverte de structure, deux classiques de la recherche en Educational Data Mining
Le billet d’aujourd’hui est consacré à deux approches utilisées en EDM lors d’analyses quantitatives : la modélisation prédictive d’une part, et la découverte de structure d’autre part. Cet article s’inscrit dans une série de billets consacrés aux techniques d’analyse en Educational Data Mining (fouille de données éducatives). La lecture des articles précédents est nécessaire pour mieux comprendre la démarche.
Modélisation prédictive
Dans le cas de la modélisation prédictive (predictive modeling), l’objectif est de développer un modèle qui infère sur un aspect particulier des données, comme une variable dite « dépendante », à partir (…) -
Méthodes mixtes en éducation : stratégies concomitantes et transformatives
Ce billet fait partie d’une série d’articles sur les méthodes mixtes en éducation. La lecture des articles précédents est nécessaire pour comprendre le billet du jour, consacré aux stratégies concomitantes et transformatives, deux formes de méthodes mixtes.
Stratégie concomitante avec étayage réciproque
Dans le design concomitant avec étayage réciproque (concurrent with triangulation, pour les anglo-saxons), l’objectif est de confirmer, de corroborer, de réaliser une validation croisée des résultats obtenus au sein d’une même étude. Nous avons préféré le terme étayage réciproque comme traduction du terme triangulation. Les données (…) -
Quelques mots sur le concept d’autorégulation
Pendant une partie de ma thèse, j’ai été séduit par le concept d’autorégulation, et bien que pas particulièrement opératoire au vu de la nature des questions que je traitais, j’ai cherché, à tort, à l’appliquer. Même si je ne l’ai repris dans la version finale de mon manuscrit de thèse, je mets quelques extraits de ces réflexions d’un moment sur la question.
Jézégou (2013) se basant notamment sur les travaux d’auteurs nord-américains (Zimmernan, 2002 ; Schunk & Zimmerman, 2007 ; Cosnefroy, 2011), définit le concept d’autorégulation (Self-regulation) comme suit : « Au sens large, il réfère au contrôle que l’apprenant exerce sur son (…) -
Stratégies d’analyse et fouille de données éducatives : des modèles pour guider le travail de fouille
Je vous propose aujourd’hui de nous attarder sur deux éléments : la « distillation de données pour le jugement humain », et la fouille médiée par des modèles. Cet article s’inscrit dans une série de billets consacrés aux techniques d’analyse en Educational Data Mining (fouille de données éducatives). La lecture des articles précédents est nécessaire pour mieux comprendre la démarche.
Data distillation for Human Judgement
Dans certains cas, les humains peuvent faire des inférences à propos des données, lorsqu’elles sont présentées de manière appropriée, qui vont au-delà de méthodes de fouilles de données automatisées. Les méthodes de (…) -
Manifeste pour un catalogue d’analyses (pour les learning analytics)
Aujourd’hui, je souhaiterais suggérer des pistes relatives au travail de vulgarisation des méthodes d’analyse de données éducatives, dont j’ai donné l’esprit au cours des billets précédents. On va notamment parler d’une idée qui me trotte dans la tête depuis longtemps, un catalogue d’analyses pour les traces d’interaction (ou learning analytics), dans lequel un analyste pourrait venir piocher à loisir des idées.
La première pourrait consister à poursuivre le travail de construction de typologies effectuées en subdivisant certaines des catégories proposées jusqu’à présent, et en créant davantage de catégories spécifiques du champ (…)
