Paquette G Basque J Henri F 2022 Chap 6

– **CC**: Concept des données massives spécifiquement appliquées au domaine de l’éducation, comprenant la collecte, le stockage, et l’analyse de vastes quantités de données générées par les activités éducatives en ligne.

Analytique de l’Apprentissage

– **CC**: Ensemble de techniques et de méthodes utilisées pour comprendre et optimiser l’apprentissage et les environnements éducatifs grâce à l’analyse des données.

Exploration de Données (Data Mining)

– **CC**: Le processus d’extraction de connaissances utiles à partir de grandes bases de données, y compris en éducation, pour découvrir des motifs, des tendances et des relations qui peuvent informer les pratiques pédagogiques.

Ingénierie Pédagogique

– **CC**: La conception systématique d’environnements d’apprentissage, qui intègre des principes pédagogiques, des théories de l’apprentissage, et des technologies éducatives, incluant l’utilisation de l’analytique pour améliorer l’efficacité de l’enseignement.

Environnements Numériques d’Apprentissage (ENA)

– **CC**: Plateformes en ligne conçues pour faciliter et enrichir l’expérience éducative, permettant la diffusion de cours, l’interaction, et le suivi des progrès des apprenants à travers les données générées.

**Analytique Institutionnelle _CC

– **CC**: L’utilisation de l’analytique pour soutenir la prise de décision et l’amélioration des processus au niveau institutionnel, comme l’efficacité organisationnelle, la rétention des étudiants, et la planification stratégique.

Adaptation et Personnalisation de l’Enseignement

– **CC**: Stratégies et technologies visant à ajuster les contenus, les parcours, et les supports d’apprentissage aux besoins, aux compétences, et aux préférences individuelles des apprenants, basées sur l’analyse des données d’apprentissage.

Analyse Prédictive en Éducation

– **CC**: L’application de techniques statistiques et d’apprentissage automatique pour prédire des résultats éducatifs futurs, tels que la réussite ou l’échec des étudiants, en se basant sur des données historiques et en temps réel.

TDM

++++++++++++++++++++++++++++++++++++

Connaissances Factuelles (CF)

++++++++++++++++++++++++++++++++++++

Historique de l’exploitation des données en éducation

Depuis les années 2010, il y a eu un intérêt croissant pour l’utilisation des données pour améliorer l’éducation, soutenu par le développement technologique et l’émergence de la science des données.

Institutions éducatives et l’analytique de l’apprentissage

Les écoles, collèges et universités adoptent de plus en plus des plateformes d’ENA intégrant des outils d’analytique pour améliorer l’enseignement et l’apprentissage.

TDM

++++++++++++++++++++++++++++++++++++

Documents (Doc)

++++++++++++++++++++++++++++++++++++

Paquette, G. 2022, “Apprendre et enseigner sur le WEB”, Chapitre 6.

TDM

++++++++++++++++++++++++++++++++++++

Connaissances Procédurales (CP)

++++++++++++++++++++++++++++++++++++

L’analytique de l’apprentissage dans l’ENA

Implique la collecte et l’analyse de données sur les comportements des apprenants dans les plateformes d’ENA pour personnaliser et améliorer l’expérience d’apprentissage.

### 1. **Collecte de Données**

– **SF**: Procédure par laquelle les informations sont recueillies dans les environnements d’apprentissage numérique, notamment par le suivi des interactions des utilisateurs avec le système (clics, soumissions de devoirs, participation aux forums, etc.).

### 2. **Analyse Statistique et Exploration de Données**

– **SF**: Méthodes employées pour examiner les données recueillies afin d’identifier des modèles, des tendances et des corrélations. Cela inclut des techniques statistiques basiques (moyennes, médianes, écarts-types) et avancées (régressions, analyses factorielles).

### 3. **Application de l’Apprentissage Automatique**

– **SF**: Utilisation d’algorithmes pour analyser les données d’apprentissage et prédire des comportements ou des résultats, comme la réussite ou l’échec d’un étudiant, en se basant sur des modèles construits à partir de données historiques.

### 4. **Intégration de l’Analytique dans les ENA**

– **SF**: Techniques pour incorporer des outils et des processus d’analytique directement dans les plateformes d’apprentissage en ligne, afin de permettre une analyse en temps réel et une rétroaction adaptative.

### 5. **Développement de Tableaux de Bord Éducatifs**

– **SF**: Création d’interfaces visuelles qui affichent des indicateurs clés de performance pour les enseignants et les apprenants, facilitant ainsi le suivi des progrès et l’identification rapide des zones nécessitant une attention.

### 6. **Conception de Tests d’Autodiagnostic et de Pré-tests**

– **SF**: Elaboration de tests permettant aux apprenants d’évaluer leurs connaissances préalables dans un domaine spécifique, utilisés pour adapter les parcours d’apprentissage aux besoins individuels.

### 7. **Personnalisation des Parcours d’Apprentissage**

– **SF**: Procédure par laquelle les contenus, les activités et les évaluations sont adaptés aux profils d’apprentissage des utilisateurs, basés sur l’analyse des données d’apprentissage.

### 8. **Utilisation des Feedbacks Formatifs**

– **SF**: Mise en place de systèmes de rétroaction continue qui fournissent aux apprenants des informations sur leurs performances et conseils pour l’amélioration, en se basant sur les résultats des analyses de données.

TDM

++++++++++++++++++++++++++++++++++++

Connaissances Comportementales (SE)

++++++++++++++++++++++++++++++++++++

Comportements des apprenants dans les ENA

Les données sur les actions des apprenants permettent d’identifier des patterns de comportement utiles pour l’adaptation pédagogique.

**fréquence et durée des sessions de travail**

**Interactions avec les Ressources Pédagogiques** :

L’analyse de la manière dont les apprenants interagissent avec les ressources pédagogiques (vidéos, documents, liens externes) peut révéler leurs préférences d’apprentissage, les sujets qui les intéressent le plus ou ceux qu’ils trouvent difficiles.

**Participation aux Forums de Discussion** :

La participation active aux forums de discussion indique l’engagement d’un apprenant avec le contenu du cours et la communauté d’apprenants. L’analyse peut porter sur le nombre de messages postés, la fréquence des interactions, et la nature des contributions (questions, réponses, discussions approfondies).

**Soumission et Performance aux Évaluations** :

Les patterns de soumission des devoirs et les scores obtenus aux évaluations permettent d’évaluer la progression des apprenants et d’identifier les éventuelles difficultés d’apprentissage. L’analytique peut aider à détecter les tendances de performance et les domaines nécessitant un soutien supplémentaire.

**Patrons de Navigation dans l’ENA** :

Le chemin suivi par les apprenants à travers l’ENA, y compris les pages visitées et le temps passé sur chacune, peut indiquer leur intérêt pour certains sujets et leur manière d’aborder le matériel d’apprentissage.

**Interactions avec les Outils Collaboratifs** :

L’utilisation d’outils collaboratifs (wikis, blogs, travaux de groupe) révèle la capacité des apprenants à travailler en équipe, leur engagement dans des projets collaboratifs, et leur contribution à la construction collective du savoir.

**Patterns de Révision** :

L’analyse des sessions de révision avant les examens ou évaluations importantes peut fournir des insights sur les stratégies d’étude des apprenants et leur préparation aux évaluations.

**Demandes d’Aide et Utilisation du Support** :

Les interactions avec le système de support ou les demandes d’aide envoyées par les apprenants peuvent indiquer des zones de confusion ou des obstacles rencontrés pendant le processus d’apprentissage.

TDM

++++++++++++++++++++++++++++++++++++

Connaissances Métacognitives (SM)

++++++++++++++++++++++++++++++++++++

Impact de l’analytique sur l’enseignement adaptatif

L’utilisation des données pour personnaliser l’enseignement en fonction des besoins individuels des apprenants améliore leur engagement et leurs résultats d’apprentissage.

Implications Pratiques de l’Analytique sur l’Enseignement Adaptatif

** Identification et Réponse aux Besoins des Apprenants **

– L’analytique permet de recueillir et d’analyser des données sur le comportement et les performances des apprenants, offrant ainsi la possibilité de personnaliser l’expérience d’apprentissage en temps réel. Les enseignants peuvent adapter leur matériel pédagogique et leur approche en fonction des besoins individuels.

** Optimisation des Parcours d’Apprentissage **

– En s’appuyant sur les données collectées, les systèmes d’enseignement adaptatif peuvent créer des parcours d’apprentissage personnalisés. Cela implique d’ajuster la difficulté des tâches, de proposer des ressources supplémentaires, ou de modifier l’ordre d’apprentissage pour optimiser l’acquisition des compétences.

** Prévention du Décrochage **

– L’analytique de l’apprentissage aide à identifier les signes précurseurs de décrochage ou de difficultés, permettant ainsi une intervention précoce. Les enseignants peuvent fournir un soutien ciblé aux apprenants risquant de décrocher, en proposant par exemple des séances de tutorat ou des activités de renforcement.

Bénéfices de l’Analytique pour l’Enseignement Adaptatif

** Amélioration de la Rétention et de la Réussite des Apprenants **

– En adaptant l’enseignement aux besoins individuels, l’analytique favorise une meilleure compréhension et rétention des connaissances, contribuant ainsi à améliorer les taux de réussite et à réduire les abandons.

** Augmentation de l’Engagement des Apprenants **

– Les parcours personnalisés et le soutien adaptatif augmentent l’engagement des apprenants en rendant l’apprentissage plus pertinent et motivant. Cela peut conduire à une meilleure participation et à une expérience d’apprentissage plus enrichissante.

** Efficacité Pédagogique Accrue **

– L’utilisation de l’analytique pour guider l’enseignement adaptatif permet aux enseignants de se concentrer sur les aspects les plus efficaces de leur pédagogie. Ils peuvent ainsi allouer leurs ressources de manière plus stratégique, en se basant sur des données probantes.

** Développement Continu des Environnements d’Apprentissage **

– L’analyse continue des données d’apprentissage contribue à l’amélioration et à l’évolution des ENA. Les retours d’information basés sur les données permettent d’ajuster et de perfectionner les outils et les stratégies pédagogiques.

5. Réponses à l’Intervention Précoce

Les interventions basées sur l’analyse des données pour prévenir le décrochage ou offrir un soutien supplémentaire peuvent être accueillies positivement par les apprenants qui ont besoin d’aide, renforçant leur sentiment d’appartenance et leur motivation.

TDM

++++++++++++++++++++++++++++++++++++

Connaissances émotionnelles (CE)

++++++++++++++++++++++++++++++++++++

Réactions des apprenants face à l’analyse de leurs données

Les préoccupations concernant la confidentialité et l’éthique de l’utilisation des données en éducation.

TDM

++++++++++++++++++++++++++++++++++++

Principes (Princ)

++++++++++++++++++++++++++++++++++++

Principes d’ingénierie pédagogique pilotée par les données

La conception d’ENA basée sur l’analytique de l’apprentissage repose sur des principes de personnalisation et d’optimisation de l’expérience éducative.

TDM

++++++++++++++++++++++++++++++++++++

Individus (Ind)

++++++++++++++++++++++++++++++++++++

Claude Coulombe et Valéry Psyché

Chercheursà TELUQ, auteurs du chapitre 6

TDM

++++++++++++++++++++++++++++++++++++

Institutions (Inst)

++++++++++++++++++++++++++++++++++++

TDM

++++++++++++++++++++++++++++++++++++

Modèles et Théories (MT)

++++++++++++++++++++++++++++++++++++

Modèles prédictifs en éducation

Des modèles statistiques et d’intelligence artificielle sont utilisés pour prédire le comportement des apprenants, comme le décrochage, en se basant sur les données recueillies.

Les auteurs abordent les modèles prédictifs en éducation principalement dans le contexte de l’analytique de l’apprentissage. Ces modèles exploitent les données accumulées sur les comportements, performances et interactions des apprenants dans les environnements numériques d’apprentissage (ENA) pour prédire des résultats futurs, tels que la réussite académique, le risque de décrochage, ou l’efficacité de différentes stratégies pédagogiques.

### **Fonctionnalités des Modèles Prédictifs**

– **Identification précoce des apprenants à risque** : Les modèles prédictifs analysent les traces d’activités des apprenants pour identifier ceux qui présentent un risque de décrochage ou de sous-performance. En détectant tôt ces signaux, les enseignants peuvent intervenir avec des stratégies de soutien ciblées.

– **Personnalisation de l’apprentissage** : En prédisant les besoins individuels des apprenants, ces modèles permettent d’adapter les contenus, les ressources, et les parcours d’apprentissage de manière à optimiser l’expérience éducative pour chaque individu.

– **Évaluation des interventions pédagogiques** : Les modèles prédictifs peuvent également évaluer l’efficacité de différentes approches pédagogiques en prédisant leurs impacts sur les performances des apprenants. Cela aide les institutions à affiner leurs méthodes d’enseignement.

### **Implications de l’Utilisation des Modèles Prédictifs**

– **Amélioration des taux de réussite** : Par l’intervention précoce et la personnalisation, les modèles prédictifs contribuent à améliorer les taux de réussite des apprenants en adaptant l’enseignement à leurs besoins spécifiques.

– **Développement professionnel des enseignants** : Les insights fournis par l’analyse prédictive peuvent également servir de base pour le développement professionnel des enseignants, en leur donnant des outils pour mieux comprendre et répondre aux besoins de leurs élèves.

– **Gestion stratégique des ressources éducatives** : Les prédictions concernant l’efficacité des ressources et stratégies pédagogiques permettent aux institutions d’orienter leurs investissements vers les plus bénéfiques pour l’apprentissage des étudiants.

### **Défis et Considérations Éthiques**

– **Fiabilité des prédictions** : La précision des modèles prédictifs dépend de la qualité et de la quantité des données disponibles, soulevant des questions sur la fiabilité des prédictions dans divers contextes éducatifs.

– **Considérations éthiques et de confidentialité** : L’utilisation de données sensibles des apprenants pour alimenter les modèles prédictifs pose des questions éthiques importantes, notamment en termes de consentement, de confidentialité, et d’équité.

Les auteurs soulignent donc l’importance des modèles prédictifs dans l’optimisation de l’enseignement et l’apprentissage, tout en mettant en évidence la nécessité d’aborder de manière responsable les défis techniques et éthiques associés à leur mise en œuvre.

TDM

++++++++++++++++++++++++++++++++++++

Objectifs (Obj)

++++++++++++++++++++++++++++++++++++

Objectifs de l’analytique de l’apprentissage

Comprendre et optimiser l’apprentissage et les environnements éducatifs grâce à une analyse approfondie des données sur les apprenants et leurs interactions avec les ENA.

TDM

++++++++++++++++++++++++++++++++++++

Outils (Out)

++++++++++++++++++++++++++++++++++++

Outils d’analytique de l’apprentissage

Plateformes et logiciels qui permettent la collecte, l’analyse et l’interprétation des données éducatives pour améliorer l’enseignement et l’apprentissage.

Dans le texte fourni, les auteurs discutent de l’intégration et de l’utilisation des outils d’analytique de l’apprentissage dans le contexte de l’ingénierie des environnements numériques d’apprentissage (ENA) pilotée par les données. Toutefois, une description détaillée spécifique des outils d’analytique de l’apprentissage n’est pas directement fournie. Néanmoins, en se basant sur le contexte du texte et les pratiques courantes dans le domaine, on peut extrapoler et identifier plusieurs types d’outils et de technologies souvent utilisés dans l’analytique de l’apprentissage :

### **Outils de Collecte de Données**

– **Plateformes d’ENA** : Des systèmes comme Moodle, Blackboard, et Canvas qui intègrent des fonctionnalités d’analytique pour recueillir des données sur les interactions des apprenants avec le contenu du cours.

– **Systèmes de Gestion de l’Apprentissage (LMS)** : Ils fournissent des infrastructures pour la collecte de données détaillées sur les activités d’apprentissage en ligne, y compris la participation aux forums, les soumissions de devoirs, et les scores des tests.

### **Outils d’Analyse de Données**

– **Logiciels Statistiques et d’Analyse de Données** : Des outils comme SPSS, R, et Python (avec des bibliothèques telles que Pandas, NumPy, SciPy) sont utilisés pour analyser les données recueillies et identifier des tendances, des modèles, et des corrélations.

– **Plateformes d’Analytique Spécifiques à l’Éducation** : Des solutions telles que Tableau for Education et Google Analytics for Education offrent des visualisations et des analyses de données adaptées au contexte éducatif.

### **Outils d’Intervention et de Feedback**

– **Systèmes de Recommandation** : Des algorithmes qui utilisent les données d’apprentissage pour suggérer des ressources personnalisées ou ajuster les parcours d’apprentissage en fonction des besoins individuels des apprenants.

– **Tableaux de Bord Éducatifs** : Des interfaces qui présentent des synthèses visuelles des données d’apprentissage pour les enseignants et les apprenants, facilitant ainsi le suivi des progrès et l’identification rapide des domaines nécessitant une attention.

### **Intégration de l’Analytique dans les ENA**

Les auteurs soulignent l’importance de l’intégration de ces outils dans les ENA pour une utilisation efficace de l’analytique de l’apprentissage. Cette intégration permet de :

– **Personnaliser l’Expérience d’Apprentissage** : Adapter le contenu, les activités, et le soutien pédagogique aux besoins spécifiques de chaque apprenant.

– **Améliorer la Prise de Décision Pédagogique** : Fournir aux enseignants des données basées sur les performances et les préférences des apprenants pour guider leurs interventions.

– **Optimiser les Ressources Éducatives** : Identifier les contenus et stratégies les plus efficaces pour favoriser l’apprentissage.

TDM

++++++++++++++++++++++++++++++++++++

Enjeux (Enj)

++++++++++++++++++++++++++++++++++++

Enjeux d’analytique des données en éducation

Le texte initial ne détaille pas spécifiquement d’enjeux au-delà de ceux inhérents à l’analytique de l’apprentissage et à son impact sur l’enseignement adaptatif, ainsi que les comportements des apprenants dans les environnements numériques d’apprentissage (ENA). Cependant, sur la base des thèmes abordés et de la nature de l’analytique de l’apprentissage dans l’éducation, on peut extrapoler et discuter d’autres enjeux potentiels mentionnés dans des discussions similaires sur le sujet. Ces enjeux comprennent :

1. Éthique et Confidentialité des Données**

– La collecte, l’analyse et l’utilisation des données des apprenants soulèvent des questions éthiques importantes, notamment concernant la confidentialité des données, le consentement éclairé et la manière dont les informations sont utilisées pour influencer les parcours d’apprentissage.

2. Équité et Biais**

– Les modèles prédictifs en éducation peuvent involontairement perpétuer ou amplifier les biais existants, menant à des inégalités dans les recommandations ou les interventions pédagogiques. Il est crucial de développer des modèles attentifs aux biais et de travailler activement à leur mitigation.

3. Dépendance Technologique

– L’adoption croissante de l’analytique de l’apprentissage et de l’enseignement adaptatif pourrait conduire à une dépendance excessive vis-à-vis de la technologie dans le processus éducatif, potentiellement au détriment des interactions humaines et de l’enseignement traditionnel.

4. Accessibilité et Inclusivité

– La mise en œuvre de technologies avancées d’analytique de l’apprentissage pose la question de l’accessibilité pour tous les apprenants, en particulier pour ceux provenant de milieux défavorisés ou ayant des besoins éducatifs spéciaux.

5. Résistance au Changement

– Les enseignants, les administrateurs et même certains apprenants peuvent manifester une résistance au changement induit par l’intégration de l’analytique de l’apprentissage dans les pratiques éducatives traditionnelles.

6. Qualité et Pertinence des Données

– La qualité, la pertinence et l’exhaustivité des données collectées sont cruciales pour la fiabilité des analyses et des prédictions. Des données inexactes ou incomplètes peuvent conduire à des conclusions erronées ou à des interventions inappropriées.

7. Formation et Développement Professionnel

– L’introduction de l’analytique de l’apprentissage dans l’enseignement nécessite une formation et un développement professionnel adaptés pour les enseignants, afin qu’ils puissent interpréter efficacement les données et les intégrer dans leurs pratiques pédagogiques.

Ces enjeux soulignent la complexité de l’adoption de l’analytique de l’apprentissage dans les systèmes éducatifs et mettent en évidence la nécessité d’approches réfléchies, équilibrées et inclusives pour maximiser ses bénéfices tout en minimisant les risques potentiels.

TDM

++++++++++++++++++++++++++++++++++++

Voyez la suite de cette base de connaissances + compétences, sur

Paquette, G., Basque, J., Henri, F. (2022). Apprendre et enseigner sur le Web: quelle ingénierie pédagogique? Université TÉLUQ,

Connaissances

Base connaissances et compétences

Référence :