Dans le cadre d’une ANR, l’ANR Hubble, je me suis intéressé à deux questions relatives à la classification des démarches de recherche dans le champ de la fouille de données issues d’Environnements Informatiques pour l’Apprentissage Humain (EIAH), que nous nommerons traces d’interaction. L’objectif qui sous-tend cette démarche est avant tout de contribuer à l’établissement d’un vocabulaire commun au sein d’une communauté de recherche sur les EIAH caractérisée par sa pluridisciplinarité. La première classification est celle des méthodes mixtes (Creswell, 2009) dans le champ des recherches en éducation, celles-ci étant définies par l’usage (…)
Innovation Pédagogique et transition
Une initiative de l'Institut Mines-Télécom avec un réseau de partenaires
Matthieu Cisel
Articles de cet auteur (54)
-
Recherches sur les technologies éducatives et usage des méthodes mixtes
-
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 (…) -
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 (…)
-
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 (…) -
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 (…) -
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 (…) -
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 (…) -
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 (…) -
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 (…)
-
Quelques mots sur le concept d’autorégulation
Pendant une partie de ma thèse, j’ai été séduit par le concept d’autorégulation, et bien que pas particulièrement opératoire au vu de la nature des questions que je traitais, j’ai cherché, à tort, à l’appliquer. Même si je ne l’ai repris dans la version finale de mon manuscrit de thèse, je mets quelques extraits de ces réflexions d’un moment sur la question.
Jézégou (2013) se basant notamment sur les travaux d’auteurs nord-américains (Zimmernan, 2002 ; Schunk & Zimmerman, 2007 ; Cosnefroy, 2011), définit le concept d’autorégulation (Self-regulation) comme suit : « Au sens large, il réfère au contrôle que l’apprenant exerce sur son (…)
