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.
Innovation Pédagogique et transition
Une initiative de l'Institut Mines-Télécom avec un réseau de partenaires
Matthieu Cisel
Articles de cet auteur (54)
-
Les grandes lignes de ma thèse sur les MOOC
-
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 (…) -
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 (…) -
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 (…)
-
Le sigle MOOC à la loupe
Dans le dernier billet, je vous avais promis que nous reviendrions sur la définition du terme MOOC en décomposant le sigle. Nous allons donc revenir aujourd’hui sur la signification des termes Massif, Open, Online et Course. Si je me suis déjà prêté à l’exercice il y a longtemps dans le cadre d’un billet assez court, je vous propose aujourd’hui de renouveler l’exercice dans un esprit un peu plus académique.
-
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 (…) -
Un post-doctorat avec les Savanturiers, consacré à la conception d’EIAH
Chers lecteurs, je parle souvent de MOOC dans ce blog, réminiscences d’un doctorat sur la question. Mais comme vous le savez peut-être, je fais mon post-doctorat sur la conception d’un EIAH (Environnement Informatique pour l’Apprentissage Humain). Quelques mots sur ce projet …
Dans le cadre d’un projet eFRAN lancé en 2016, Savanturiers du Numérique, les Savanturiers pilotent un consortium rassemblant deux laboratoires de recherche, deux académies et un industriel, Tralalère. Un des objectifs de ce consortium est de développer une application visant à instrumenter les projets Savanturiers. La première année du projet permet un travail (…) -
Retours réflexifs sur ma thèse (à l’usage de doctorants)
Un article de Mathieu Cisel repris de son blog Numérique pédagogique
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 quelques 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 (…) -
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 : 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 (…)
