Dans la continuité du dernier billet, je vous propose de continuer notre réflexion sur les méthodes mixtes en nous attardant sur une typologie proposée par Creswell, un des auteurs les plus prolixes en la matière.
Creswell et al. (2003) proposent quatre axes pour discriminer les différentes approches. Le premier est la séquentialité (Timing) ; il s’agit ici de déterminer l’ordre dans lequel seront récoltées données qualitatives et quantitatives, et le cas échéant, si elles seront collectées de manière concomitante. Le second est le poids respectif (Weighing) de la démarche quantitative et de la démarche qualitative. Il s’agit de (…)
Innovation Pédagogique et transition
Une initiative de l'Institut Mines-Télécom avec un réseau de partenaires
Matthieu Cisel
Articles de cet auteur (54)
-
Quatre axes pour distinguer les méthodes mixtes
-
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 (…)
-
Quand l’on picore dans un MOOC : retour sur la question de l’échantillonnage
Vous vous en doutiez sûrement un petit peu, mais ce n’est pas parce que l’on obtient le certificat d’un MOOC que l’on a réalisé toutes les tâches prescrites, c’est ce que je nomme l’échantillonnage. A défaut de vous présenter des résultats chiffrés (il faudra attendre la publication des mes articles pour cela), je vous propose de réfléchir au moins aujourd’hui à quelques interprétations de la chose.
Alors que la question de la catégorisation des non-certifiés sur la base de leurs usages observables revient régulièrement dans les rapports et les articles scientifiques, celle de l’échantillonnage reste quant à elle largement sous-investie (…) -
Les motifs de décrochage à l’université
Un article repris du blog "Numérique pédagogique" de Mathieu Cisel
Cela fait quelques billets que je vous parle de décrochage à l’université. Cela nous change un peu des billets sur les MOOC, n’est-ce pas ? La raison en est simple, la question de l’attrition, qui est au cœur de ma thèse, ne date pas exactement d’hier, et il s’agirait de ne pas réinventer la roue. Aujourd’hui, j’aimerais vous parler des motifs de décrochage en formation, université, formation à distance, peu importe, au travers d’une typologie développée au fil de recherches doctorales, principalement. Comment les étudiants justifient-ils leur abandon ? Une réponse en (…) -
Les plates-formes de MOOC et assimilées : futures chaperonnes de l’apprentissage en ligne ?
Je vous propose aujourd’hui un nouvel extrait de l’article publié dans Education et Formation sur les MOOC et les projets d’apprentissage. Cette fois-ci, l’extrait provient de la discussion de l’article, discussion dans laquelle je parle de l’origine des projets, mais aussi de l’influence des plates-formes de MOOC sur les projets d’apprentissage en général.
Commençons par la question de la dichotomie que nous avons établie entre les projets qui sont ont pris forme suite à la découverte du cours sur France Université Numérique (la plate-forme française de référence), et ceux qui lui préexistaient. Comment expliquer qu’un nombre si élevé (…) -
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 (…) -
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 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 (…) -
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 (…)
