Dans mon blog Educpros, j’ai fait tout une série de billets consacrés aux certificats de MOOC, et à l’intérêt que les participants lui portent. J’aimerais conclure aujourd’hui par un petit article sur la question. Dans la mesure où cet article fait beaucoup référence à des travaux de recherche, sa tonalité est tout indiquée pour un articles dans Hypothèses. Nous parlons aujourd’hui autoformation compensatoire, certificat, et légitimation d’apprentissages.
Le gros du public des MOOC portant un intérêt professionnel au certificat est constitué de salariés en poste, dont la plupart disposent d’un niveau de diplomation supérieur ou égal à (…)
Innovation Pédagogique et transition
Une initiative de l'Institut Mines-Télécom avec un réseau de partenaires
Matthieu Cisel
Articles de cet auteur (54)
-
Intérêt pour le certificat des MOOC : quelques réflexions sur une enquête
-
Développer l’éducation par la recherche avec un carnet numérique
Élèves Savanturiers en pleine expérience, mai 2017. Savanturiers, CC BY-NC-SA
Dans la plupart des pays développés, l’enseignement des sciences poursuit sa lente mutation. Les considérations méthodologiques occupent dans les discours une place croissante. Au moins sur le papier, les nouvelles générations d’enseignants sont encouragées à mettre davantage l’accent sur l’appropriation de la démarche scientifique, du raisonnement, et moins sur la mémorisation de faits ou de lois.
On rappelle à loisir que les enjeux dépassent la formation des futures générations de scientifiques, car il s’agit aussi, au travers de la maîtrise de la démarche (…) -
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 (…) -
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 (…)
-
Les grandes lignes de ma thèse sur les MOOC
Il y a quelques billets, je vous ai présenté mes questions de recherches. Il est temps maintenant de vous présenter les grandes orientations méthodologiques de mon travail, les données que je compte mobiliser, et tout le tintouin. Les quelques données sur lesquelles se base l’article de Koller et al. (2013) que nous évoquions l’autre fois – article fondateur s’il en est – ouvrent des pistes pour mieux appréhender la question des faibles taux de certification des MOOC, mais elles sont fragmentaires ; par ailleurs, le format de cet article est davantage celui d’un billet d’opinion que d’une publication scientifique. Bref, c’est un peu léger. Si ma thèse s’inspire de ces pistes de réflexion, mon rôle est d’étoffer ce discours avec un corpus d’analyses autrement plus conséquent. Je vous propose de revenir sur mes quelques chapitres de résultats. -
Quelques mots sur l’apprentissage autodirigé et sur l’autodirection
Nous poursuivons aujourd’hui les quelques réflexion sur l’autodirection et sur l’apprentissage autodirigé, que nous avions entamé avec un billet sur l’autorégulation il y a une semaine.
Jézégou (2009, 2011) s’est penchée sur l’utilisation du concept d’autodirection dans le cadre des recherches sur la formation à distance. L’auteur souligne qu’il est nécessaire de prendre garde à ne pas confondre l’apprentissage autodirigé à l’autodirection de l’apprenant, au risque de le réduire à sa seule dimension psychologique. L’autodirection est fonction des caractéristiques du dispositif dans lequel elle s’exerce (Spear & Mocker, 1984). Long (…) -
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 (…)
-
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 (…) -
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 (…) -
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 (…)
