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
-
Modélisation du décrochage en formation : les origines
Un article repris du blog "Numérique pédagogique" de Mathieu Cisel
Dans les années 1970 outre-Atlantique, la recherche sur la question des formes d’attrition à l’université évolue rapidement. On cherche à développer des modèles de causalité et à dépasser l’approche descriptive. Je vous propose aujourd’hui de revenir sur ces travaux, en concluant notamment sur leur application au contexte de la formation à distance.
Comme le souligne Tinto (2006), lorsque la question de la rétention dans l’enseignement supérieur commence à prendre de l’importance dans la littérature scientifique au cours des années 1960, c’est au travers de la (…) -
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 (…)
-
Un peu de psychologie de la motivation pour comprendre l’apprentissage en ligne
Cet article Un peu de psychologie de la motivation pour comprendre l’apprentissage en ligne est est repris duBlog de Matthieu Cisel.
Aujourd’hui, je vous propose de revenir brièvement sur la théorie des buts d’accomplissement, une théorie de psychologie de la motivation que je trouve super pour comprendre l’apprentissage en ligne, et en particulier pour interpréter ce qui se passe dans un MOOC. Aujourd’hui, je vous propose de revenir sur cette théorie et sa terminologie. Bref, une théorie à diffuser, et qui m’a personnellement énormément plu, même si au final je ne l’ai pas utilisée dans le cadre de mon doctorat. Et je conclue sur un (…) -
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 (…) -
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 (…) -
Méthodes mixtes et recherche en technologies éducatives : une illustration de la stratégie exploratoire 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 exploratoire. Dans le cas de la stratégie exploratoire séquentielle, un travail de collecte et d’analyse de données qualitatives est réalisé en prélude d’une étude quantitative, et la phase d’analyse quantitative se base sur les résultats de cette étude qualitative.
Plus que l’interprétation d’un résultat, l’objet est ici d’explorer un phénomène. Morgan (1998) suggère que cette stratégie est pertinente pour tester les éléments d’une (…) -
Pourquoi analyser le MOOC comme un projet d’apprentissage ?
Aujourd’hui, je vous propose un extrait de l’article que j’ai publié dans la revue belge Education et Formation, sur le MOOC, vu comme un projet d’apprentissage. Je propose de revenir dans cet article sur les raisons qui m’ont poussé à analyser les MOOC en ces termes. A force de lire d’une part la littérature sur la formation à distance, et d’autre part celle sur les MOOC, j’ai réalisé qu’il fallait sans doute changer de perspective pour se distinguer significativement de recherches vieilles de plusieurs décennies.
Les similitudes sont frappantes entre, d’une part, les travaux qui furent consacrés dès l’immédiat après-guerre (Edwards, (…) -
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 (…) -
Quelques mots sur l’apprentissage autodirigé et sur l’autodirection
Nous poursuivons aujourd’hui les quelques réflexion sur l’autodirection et sur l’apprentissage autodirigé, que nous avions entamé avec un billet sur l’autorégulation il y a une semaine.
Jézégou (2009, 2011) s’est penchée sur l’utilisation du concept d’autodirection dans le cadre des recherches sur la formation à distance. L’auteur souligne qu’il est nécessaire de prendre garde à ne pas confondre l’apprentissage autodirigé à l’autodirection de l’apprenant, au risque de le réduire à sa seule dimension psychologique. L’autodirection est fonction des caractéristiques du dispositif dans lequel elle s’exerce (Spear & Mocker, 1984). Long (…)
