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 (…)
Innovation Pédagogique et transition
Une initiative de l'Institut Mines-Télécom avec un réseau de partenaires
Matthieu Cisel
Articles de cet auteur (54)
-
MOOC : croiser questionnaires et traces d’activité – le Classico de la recherche
-
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 (…) -
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 et recherche en technologies éducatives : une illustration de la stratégie explicative séquentielle
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 à l’approche séquentielle explicative. L’approche séquentielle explicative (sequential explanatory) est particulièrement populaire chez les tenants de l’approche quantitative. Dans cette configuration, la première phase de la recherche est caractérisée par la collecte et l’analyse de données quantitatives, qui informe la collecte de données qualitative, qui est alors secondaire.
Les deux formes de données sont séparées mais connectées. Le qualitatif a souvent (…) -
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 (…)
-
Apprendre une langue sur le web : la révolution de l’IA se fait attendre
Des établissements du supérieur aux pure players de l’IA, l’apprentissage des langues en ligne attire de nombreux acteurs. Shutterstock
Matthieu Cisel, chercheur spécialisé dans les apprentissages en ligne, et Aurélie Djavadi, cheffe de rubrique Éducation, étaient les invités de 7 milliards de voisins sur RFI ce vendredi 17 janvier 2020. Pour réécouter l’émission, cliquez ici.
De Duolingo à Babbel, en passant par Busuu ou Qioz, on ne compte plus les applications permettant d’apprendre des langues sur Internet, chez soi, sur son ordinateur, ou sur son portable, entre deux stations de métro. Avec l’enseignement de la programmation, (…) -
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. -
Une brève revue de littérature sur les revues de littérature sur les MOOC (#inception)
Aujourd’hui, je vous propose dans ce billet comme dans ceux qui suivent de revenir succinctement sur les principales recherches réalisées sur la question des MOOC entre 2009 et 2016. Parmi les quelques revues de la littérature scientifique consacrées aux MOOC publiées à ce jour, quatre ont retenu mon attention au cours de mes travaux (Liyanagunawerda, 2013 ; Ebben & Murphy, 2014 ; Raffaghelli et al., 2015 ; Veletsianos & Shepherdson, 2016).
Ebben & Murphy (2014) décomposent les recherches menées sur les MOOC entre 2009 et 2013 en deux grandes périodes correspondant peu ou prou aux différentes phases du développement de ces (…) -
Traces d’interaction et types d’analyses de données quantitatives
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 (…)
-
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 (…)
