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
-
MOOC : croiser questionnaires et traces d’activité – le Classico de la recherche
Dans le dernier billet, nous avons entamé une première revue de littérature sur la question des MOOC, portant tant sur les traces d’activité que sur les revues de littérature. Aujourd’hui, je vous propose de revenir sur quelques publications où les chercheurs croisent données de questionnaires et traces d’activité.
S’est développée depuis quelques années une littérature focalisée plus ou moins exclusivement sur l’analyse des enquêtes diffusées auprès des participants de MOOC, et fournissant des résultats intéressants au regard des motivations pour s’inscrire ou de la composition sociodémographique des audiences. Cette littérature (…) -
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 (…) -
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 (…) -
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). -
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 (…) -
Développer l’éducation par la recherche avec un carnet numérique
Élèves Savanturiers en pleine expérience, mai 2017. Savanturiers, CC BY-NC-SA
Dans la plupart des pays développés, l’enseignement des sciences poursuit sa lente mutation. Les considérations méthodologiques occupent dans les discours une place croissante. Au moins sur le papier, les nouvelles générations d’enseignants sont encouragées à mettre davantage l’accent sur l’appropriation de la démarche scientifique, du raisonnement, et moins sur la mémorisation de faits ou de lois.
On rappelle à loisir que les enjeux dépassent la formation des futures générations de scientifiques, car il s’agit aussi, au travers de la maîtrise de la démarche (…) -
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 (…)
-
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 (…)
-
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 (…)
