Un articlerepris de Blog de Mathieu Cisel, publié le 14 juin 2016, un blog sous licence CC by sa
Bonjour cher lecteur, peut-être as-tu déjà entendu parler de learning analytics et de traces d’activité. Mais en as-tu déjà vraiment vu, en vrai. Je te propose dans ce billet de regarder à quoi ressemblaient les données de Coursera (avant qu’ils arrêtent de les partager avec leurs partenaires), rapidement et sans détour, et je conclue sur quelques problématiques qui se posent quand on fais de la recherche sur ces traces d’activité.
Sur demande des établissements partenaires, la plate-forme Coursera envoie, en sus des logs bruts, un fichier (…)
Innovation Pédagogique et transition
Une initiative de l'Institut Mines-Télécom avec un réseau de partenaires
Matthieu Cisel
Articles de cet auteur (54)
-
Les traces d’activité de MOOC, ça ressemble à ça
-
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 (…) -
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 (…) -
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 (…)
-
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 (…) -
Points de vue d’apprenants sur les interactions dans les MOOC : suite
Nous continuons aujourd’hui notre réflexion sur les points de vue de participants quant aux interactions qui se déroulent sur les forums. Aujourd’hui, j’aimerais vous présenter quelques autres raisons pour lesquelles il ne faut pas négliger ces interactions.
Cet article Points de vue d’apprenants sur les interactions dans les MOOC : suite est apparu en premier sur Blog de Matthieu Cisel.
L’une des premières raisons est que nombre de participants considèrent que le MOOC est justement une façon de rompre par rapport à l’isolement, comme cette doctorante en biologie.
J’ai toujours été une personne très curieuse. Je suis de nature un (…) -
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 (…) -
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 (…)
