Un article repris du blog "Numérique pédagogique" de Mathieu Cisel
Cher ami lecteur, je m’intéresse ces temps-ci (dans le cadre de mon post-doctorat) à la question de la démarche scientifique et des outils utilisés dans le cadre de son enseignement. Pour cette raison, je me suis penché sur la question des « cahiers de laboratoire électroniques » et de leur applications pédagogiques. Comme d’habitude, un petit état de l’art sur les solutions existantes et sur leurs utilisations s’est imposé, état de l’art que je me propose de partager ici. Soulignons qu’il est loin d’être exhaustif, et qu’il ne correspond qu’à quelques jours de (…)
Innovation Pédagogique et transition
Une initiative de l'Institut Mines-Télécom avec un réseau de partenaires
Matthieu Cisel
Articles de cet auteur (54)
-
Cahiers de laboratoire électroniques : un outil pour l’enseignement des sciences
-
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 (…) -
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 (…) -
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 taux de certification des MOOC en question
Au cours du dernier billet, je vous ai présenté la thématique de ma thèse : les taux de certification. J’aimerais maintenant vous présenter quelques-unes de mes questions de recherche, qui font écho à un article de Daphné Koller. Alors que le débat sur les taux de certification des MOOC bat son plein, la fondatrice de la plate-forme américaine Coursera publie en 2013 dans la revue Educause un réquisitoire sur la « rétention » dans les MOOC qui fera date (Koller et al., 2013). -
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 (…) -
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 (…) -
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 (…)
-
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 (…)
-
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 (…)
