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 (…)
Innovation Pédagogique et transition
Une initiative de l'Institut Mines-Télécom avec un réseau de partenaires
Matthieu Cisel
Articles de cet auteur (54)
-
Stratégies d’analyse et fouille de données éducatives : le Relationship Mining
-
Un post-doctorat avec les Savanturiers, consacré à la conception d’EIAH
Chers lecteurs, je parle souvent de MOOC dans ce blog, réminiscences d’un doctorat sur la question. Mais comme vous le savez peut-être, je fais mon post-doctorat sur la conception d’un EIAH (Environnement Informatique pour l’Apprentissage Humain). Quelques mots sur ce projet …
Dans le cadre d’un projet eFRAN lancé en 2016, Savanturiers du Numérique, les Savanturiers pilotent un consortium rassemblant deux laboratoires de recherche, deux académies et un industriel, Tralalère. Un des objectifs de ce consortium est de développer une application visant à instrumenter les projets Savanturiers. La première année du projet permet un travail (…) -
Retrait volontaire versus échec académique dans les MOOC : propositions de définitions opératoires
un article repris du blog de Mathieu Cisel
J’ai parlé il y a quelques mois dans le blog Educpros des différences qui existaient entre formes d’attrition, et notamment de celle qui distingue le retrait volontaire, le participant se retire de la formation suite à une décision positive, et l’échec académique, où il se rate méchamment. Sauf que voilà, si vous voulez appliquer de tels concepts dans les MOOC, vous êtes obligés de faire un petit travail de définition opératoire. Dans le billet d’aujourd’hui, je vous propose la définition opératoire de ces deux concepts. Vous allez comprendre en lisant ce billet pourquoi il peut être complexe (…) -
Un peu de psychologie de la motivation pour comprendre l’apprentissage en ligne
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 (…) -
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 (…) -
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 (…)
-
Le sigle MOOC à la loupe
Dans le dernier billet, je vous avais promis que nous reviendrions sur la définition du terme MOOC en décomposant le sigle. Nous allons donc revenir aujourd’hui sur la signification des termes Massif, Open, Online et Course. Si je me suis déjà prêté à l’exercice il y a longtemps dans le cadre d’un billet assez court, je vous propose aujourd’hui de renouveler l’exercice dans un esprit un peu plus académique.
-
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 (…) -
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 (…) -
Recherches en éducation : l’épineuse question de la validité dans les méthodes mixtes
Au cours des derniers billets, nous nous sommes penchés sur les axes de description des méthodes mixtes, et avons repris la typologie en six types de démarches proposée par Creswell et al. (2003), que nous avons illustrée avec des exemples issus du champ éducatif. Nous aimerions conclure cette série d’articles sur la question des critères de validité des méthodes mixtes. Le terme validité ne désigne pas uniquement les mesures quantitatives. Il se réfère au fait qu’une investigation, « dans ses différentes composantes, dans les conclusions qui en sont tirées, dans les applications qui en découlent, peut être de bonne ou de mauvaise (…)
