Cet article Un peu de psychologie de la motivation pour comprendre l’apprentissage en ligne est est repris duBlog de Matthieu Cisel.
Aujourd’hui, je vous propose de revenir brièvement sur la théorie des buts d’accomplissement, une théorie de psychologie de la motivation que je trouve super pour comprendre l’apprentissage en ligne, et en particulier pour interpréter ce qui se passe dans un MOOC. Aujourd’hui, je vous propose de revenir sur cette théorie et sa terminologie. Bref, une théorie à diffuser, et qui m’a personnellement énormément plu, même si au final je ne l’ai pas utilisée dans le cadre de mon doctorat. Et je conclue sur un (…)
Innovation Pédagogique et transition
Une initiative de l'Institut Mines-Télécom avec un réseau de partenaires
Matthieu Cisel
Articles de cet auteur (54)
-
Un peu de psychologie de la motivation pour comprendre l’apprentissage en ligne
-
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 (…) -
Analyse de traces d’interaction et reconceptualisation des indicateurs de performance de MOOC : une revue de littérature
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 (…)
-
Stratégies d’analyse et fouille de données éducatives : le Relationship Mining
Dans le cas du Relationship mining, l’objectif est de découvrir des relations entre variables dans un jeu de données qui en comprend un nombre important. Cela peut conduire à chercher à identifier les variables qui sont le plus fortement associées avec une variable d’intérêt, ou à établir parmi l’ensemble de paires de variables celles dont la relation est la plus forte. Il existe grossièrement quatre types de Relationship mining : l’association rule mining, le correlation mining, le sequential pattern mining, le causal data mining. Cet article s’inscrit dans une série de billets consacrés aux techniques d’analyse en Educational Data (…)
-
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 (…) -
Modélisation du décrochage en formation : les origines
Un article repris du blog "Numérique pédagogique" de Mathieu Cisel
Dans les années 1970 outre-Atlantique, la recherche sur la question des formes d’attrition à l’université évolue rapidement. On cherche à développer des modèles de causalité et à dépasser l’approche descriptive. Je vous propose aujourd’hui de revenir sur ces travaux, en concluant notamment sur leur application au contexte de la formation à distance.
Comme le souligne Tinto (2006), lorsque la question de la rétention dans l’enseignement supérieur commence à prendre de l’importance dans la littérature scientifique au cours des années 1960, c’est au travers de la (…) -
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 (…) -
MOOC : croiser questionnaires et traces d’activité – le Classico de la recherche
Dans le dernier billet, nous avons entamé une première revue de littérature sur la question des MOOC, portant tant sur les traces d’activité que sur les revues de littérature. Aujourd’hui, je vous propose de revenir sur quelques publications où les chercheurs croisent données de questionnaires et traces d’activité.
S’est développée depuis quelques années une littérature focalisée plus ou moins exclusivement sur l’analyse des enquêtes diffusées auprès des participants de MOOC, et fournissant des résultats intéressants au regard des motivations pour s’inscrire ou de la composition sociodémographique des audiences. Cette littérature (…) -
Stratégies d’analyse et fouille de données éducatives : le Relationship Mining
Dans le cas du Relationship mining, l’objectif est de découvrir des relations entre variables dans un jeu de données qui en comprend un nombre important. Cela peut conduire à chercher à identifier les variables qui sont le plus fortement associées avec une variable d’intérêt, ou à établir parmi l’ensemble de paires de variables celles dont la relation est la plus forte. Il existe grossièrement quatre types de Relationship mining : l’association rule mining, le correlation mining, le sequential pattern mining, le causal data mining. Cet article s’inscrit dans une série de billets consacrés aux techniques d’analyse en Educational Data (…)
-
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 (…)
