Aujourd’hui, je vous propose dans ce billet comme dans ceux qui suivent de revenir succinctement sur les principales recherches réalisées sur la question des MOOC entre 2009 et 2016. Parmi les quelques revues de la littérature scientifique consacrées aux MOOC publiées à ce jour, quatre ont retenu mon attention au cours de mes travaux (Liyanagunawerda, 2013 ; Ebben & Murphy, 2014 ; Raffaghelli et al., 2015 ; Veletsianos & Shepherdson, 2016).
Ebben & Murphy (2014) décomposent les recherches menées sur les MOOC entre 2009 et 2013 en deux grandes périodes correspondant peu ou prou aux différentes phases du développement de ces (…)
Innovation Pédagogique et transition
Une initiative de l'Institut Mines-Télécom avec un réseau de partenaires
Matthieu Cisel
Articles de cet auteur (54)
-
Une brève revue de littérature sur les revues de littérature sur les MOOC (#inception)
-
Le MOOC, un projet d’apprentissage ?
Je fais régulièrement le lien entre le suivi d’un MOOC et ce que l’on nomme les projets d’apprentissage, un vieux concept, puisqu’il est proposé dès 1971 par Allen Tough. Néanmoins, il me faut souligner que les éventuels projets d’apprentissage correspondant aux MOOC se distinguent à bien des égards de ceux que décrit Tough dans ses travaux séminaux. Quelques mots sur la question …
Pour l’auteur, un projet d’apprentissage dure en moyenne une centaine d’heures et mobilise en moyenne une dizaine de personnes-ressources. Or les MOOC de FUN ne nécessitent qu’une vingtaine d’heures en moyenne si l’on se base les estimations fournies par les (…) -
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 (…) -
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 (…)
-
Méthodes mixtes et recherche en technologies éducatives : une illustration de la stratégie explicative 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 explicative. L’approche séquentielle explicative (sequential explanatory) est particulièrement populaire chez les tenants de l’approche quantitative. Dans cette configuration, la première phase de la recherche est caractérisée par la collecte et l’analyse de données quantitatives, qui informe la collecte de données qualitative, qui est alors secondaire.
Les deux formes de données sont séparées mais connectées. Le qualitatif a souvent (…) -
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 (…) -
Analyse de traces d’interaction et reconceptualisation des indicateurs de performance de MOOC : une revue de littérature
L’utilisation débridée d’indicateurs pour mesurer la performance de cours en ligne nuit potentiellement à la compréhension des phénomènes qu’ils prétendent mesurer. En nous focalisant sur les MOOC, nous illustrons trois types de travaux qui permettent de renouveler le regard sur ces métriques à partir d’analyses de traces d’interaction. Le premier consiste à questionner la terminologie mobilisée. Il convient d’identifier le phénomène que l’on évoque lorsque l’on parle de nombre d’étudiants, d’inscrits, ou de certificats délivrés. Par exemple, les inscriptions sont souvent faites par « rafales » et correspondent à des cours qui se (…)
-
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 (…)
-
Les grandes lignes de ma thèse sur les MOOC
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. -
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 (…)
