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 (…)
Innovation Pédagogique et transition
Une initiative de l'Institut Mines-Télécom avec un réseau de partenaires
Matthieu Cisel
Articles de cet auteur (54)
-
Retours réflexifs sur ma thèse (à l’usage de doctorants)
-
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 (…)
-
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 (…) -
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 (…) -
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 (…) -
Discours d’utilisateurs de MOOC sur la question des interactions
Un aritcle repris du blog de Mathieu Cisel Vpir aussi Points de vue d’apprenants sur le dirigisme dans les MOOC (2/2) Points de vue d’apprenants sur le dirigisme dans les MOOC
Je vous propose aujourd’hui de revenir sur la question du rapport des participants vis à vis des interactions qui se déroulent au sein des MOOC : forums, réseaux sociaux, etc.
Addicts aux forums
Il y a, bien sûr, ceux qui finissent par développer une addiction aux forums. Le propos de ce participant, ingénieur informatique, est édifiant à cet égard :
Mon principal intérêt c’était d’interagir sur les forums. A mettre en balance avec l’apprentissage, (…) -
La visibilité des mémoires déposés sur DUMAS : une question de discipline
S’ils ne sont généralement pas considérés comme des écrits scientifiques de premier plan, les mémoires de Master de bonne qualité peuvent néanmoins se révéler utiles à la recherche, notamment car ils traitent souvent de sujets d’actualité et peuvent ce faisant accélérer le travail de chercheurs plus confirmés. Encore faut-il qu’il existe des leviers de motivations susceptibles d’inciter les étudiants à mettre à disposition leur travail. Nous nous proposons ici d’explorer au prisme de la théorie de l’échange social l’un des mécanismes qui poussent les étudiant.es à mettre en ligne leur mémoire dans des archives dédiées : la visibilité du (…)
-
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 (…)
-
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 (…)
