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 (…)
Innovation Pédagogique et transition
Une initiative de l'Institut Mines-Télécom avec un réseau de partenaires
Matthieu Cisel
Articles de cet auteur (54)
-
Modélisation prédictive et découverte de structure, deux classiques de la recherche en Educational Data Mining
-
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 (…)
-
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 (…) -
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 (…) -
Les traces d’activité de MOOC, ça ressemble à ça
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 (…) -
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 (…) -
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 (…) -
Quatre axes pour distinguer les méthodes mixtes
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 (…) -
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 (…) -
Retours réflexifs sur ma thèse (à l’usage de doctorants)
Ami doctorant, si par hasard tu passes sur ce billet, j’y donne quelques conseils issus d’une réflexion sur mes quelques années de thèse. Je l’ai finie il y a trois mois ; certaines choses se sont bien passées, d’autres moins, et si je peux me permettre de donner mon petit point de vue, je suis sûr que tu pourras te reconnaître dans quelques-unes de mes remarques.
Si tu sors de ta zone de confort, fais-le avec prudence
J’ai pris le risque d’adopter une démarche qualitative dans le cadre de mon travail de thèse, alors même que j’étais à l’origine familier uniquement des approches quantitatives. Cette démarche, dont je mesurais tous les (…)
