Dans un article précédent, j'ai exprimé mon point de vue sur l'utilisation du deep learning en e-Learning (ici). Néanmoins, ce n'est pas l'unique approche qui se repose sur des grandes quantités de données pour essayer de faire des analyses sur l'activité d'apprentissage. L'autre approche est connue sous le nom de Learning Analytics.
Learning Analytics est l'application des méthodes du Data Mining sur des données issues de l'activité d'apprentissage pour pouvoir analyser et reconnaître les différents modèles d'apprentissage (pattern recognition).
Comme pour le deep learning, cette approche repose une quantité massive de données. Ainsi, mon point de vue reste inchangé : il y a une forte simplification des notions et des dimensions de l'activité d'apprentissage durant les activités d'analyse de données.
De ma part, je pense que l'hypothèse qui dit qu'il serait possible de faire une collecte massive des données sur différentes activités pédagogiques, sur différents apprenants et à travers plusieurs institutions doit être remis en question.
Il est possible de faire une collecte massive des données sur les plateformes e-Learning. Il est même possible de concevoir des tableaux de Bord en Learning Analytics. Le problème qui se pose c'est les différentes dimensions non-incluses dans les données collectées et par conséquent non incluses dans l'analyse effectuée.
Même si on fait une collecte de toutes les informations de la base de données, les connaissances tacites locales et qui sont généralement irrécupérables sont d'une importance cruciale pour toute analyse.
À titre d'exemple, les données liées à la conception pédagogique adoptée par l'enseignant sont pratiquement invisibles dans la base de données. Si on peut apercevoir les différentes ressources utilisées et les différents scénarios pédagogiques proposés par l'enseignant, il est presque impossible de reconnaître la dimension pédagogique et cognitive de l'activité pédagogique en question. C'est-à-dire, il est presque impossible de reconnaître l'approche pédagogique choisie (constructiviste, behaviouriste, mixte, etc.) ou bien le style d'apprentissage visé (style visuel, Story telling, etc.). Sans ces informations, toute analyse concernant l'activité d'apprentissage sera insuffisant. Il est possible de préciser que le processus d'analyse doit offrir la possibilité de les prendre en compte, mais, cela peut causer deux problèmes majeurs :
1. La collecte des données devient plus pénible et trop compliquée : toutes les personnes impliquées dans les activités pédagogiques en question doivent être contactées pour pouvoir compléter les données des dimensions manquantes.
2. L'aspect "local" de ces données remet en question une analyse globale: les différences culturelles et sociales entre les apprenants peuvent influencer considérablement l'activité d'apprentissage. D'autres facteurs moins permanents tels qu'un (des) événement (s) politique (s) peut (vent) aussi influencer l'activité d'apprentissage. Sans une confirmation de l'absence d'une telle influence ou bien une étude qui mesure le plus précisément possible cette influence, une analyse généralisée sera toujours remise en question.
Ainsi, la condition "massive" imposée sur les données collectées doit être reconsidérée.Cela n'empêche pas de penser à des adaptations ou bien à des applications à petite échelle des techniques statistiques et des analyses data Mining sur des données relatives à des activités pédagogiques en évitant l'ensemble des différences mentionnées ci-dessus : un ensemble réduit des étudiants (issus du même environnement social et culturel) qui suivent la même activité pédagogique (conçue par le même enseignant) sur un laps de temps réduit. Une telle analyse sera bénéfique soit en temps réel (pour permettre à l'enseignant d'intervenir pour aider les apprenants en difficulté) ou bien en différé (pour aider l'enseignant à améliorer son support pédagogique). Néanmoins, mettre de telle analyse sous le cap du Data Mining reste toujours une simplification dangereuse des notions.
Un point de départ pour des lectures de nature technique :
Park, Yeonjeong, and I-H. Jo. "Development of the learning analytics dashboard to support students’ learning performance." Journal of Universal Computer Science 21.1 (2015): 110.
Disponible ici.
Learning Analytics est l'application des méthodes du Data Mining sur des données issues de l'activité d'apprentissage pour pouvoir analyser et reconnaître les différents modèles d'apprentissage (pattern recognition).
Comme pour le deep learning, cette approche repose une quantité massive de données. Ainsi, mon point de vue reste inchangé : il y a une forte simplification des notions et des dimensions de l'activité d'apprentissage durant les activités d'analyse de données.
De ma part, je pense que l'hypothèse qui dit qu'il serait possible de faire une collecte massive des données sur différentes activités pédagogiques, sur différents apprenants et à travers plusieurs institutions doit être remis en question.
Il est possible de faire une collecte massive des données sur les plateformes e-Learning. Il est même possible de concevoir des tableaux de Bord en Learning Analytics. Le problème qui se pose c'est les différentes dimensions non-incluses dans les données collectées et par conséquent non incluses dans l'analyse effectuée.
Même si on fait une collecte de toutes les informations de la base de données, les connaissances tacites locales et qui sont généralement irrécupérables sont d'une importance cruciale pour toute analyse.
À titre d'exemple, les données liées à la conception pédagogique adoptée par l'enseignant sont pratiquement invisibles dans la base de données. Si on peut apercevoir les différentes ressources utilisées et les différents scénarios pédagogiques proposés par l'enseignant, il est presque impossible de reconnaître la dimension pédagogique et cognitive de l'activité pédagogique en question. C'est-à-dire, il est presque impossible de reconnaître l'approche pédagogique choisie (constructiviste, behaviouriste, mixte, etc.) ou bien le style d'apprentissage visé (style visuel, Story telling, etc.). Sans ces informations, toute analyse concernant l'activité d'apprentissage sera insuffisant. Il est possible de préciser que le processus d'analyse doit offrir la possibilité de les prendre en compte, mais, cela peut causer deux problèmes majeurs :
1. La collecte des données devient plus pénible et trop compliquée : toutes les personnes impliquées dans les activités pédagogiques en question doivent être contactées pour pouvoir compléter les données des dimensions manquantes.
2. L'aspect "local" de ces données remet en question une analyse globale: les différences culturelles et sociales entre les apprenants peuvent influencer considérablement l'activité d'apprentissage. D'autres facteurs moins permanents tels qu'un (des) événement (s) politique (s) peut (vent) aussi influencer l'activité d'apprentissage. Sans une confirmation de l'absence d'une telle influence ou bien une étude qui mesure le plus précisément possible cette influence, une analyse généralisée sera toujours remise en question.
Ainsi, la condition "massive" imposée sur les données collectées doit être reconsidérée.Cela n'empêche pas de penser à des adaptations ou bien à des applications à petite échelle des techniques statistiques et des analyses data Mining sur des données relatives à des activités pédagogiques en évitant l'ensemble des différences mentionnées ci-dessus : un ensemble réduit des étudiants (issus du même environnement social et culturel) qui suivent la même activité pédagogique (conçue par le même enseignant) sur un laps de temps réduit. Une telle analyse sera bénéfique soit en temps réel (pour permettre à l'enseignant d'intervenir pour aider les apprenants en difficulté) ou bien en différé (pour aider l'enseignant à améliorer son support pédagogique). Néanmoins, mettre de telle analyse sous le cap du Data Mining reste toujours une simplification dangereuse des notions.
Un point de départ pour des lectures de nature technique :
Park, Yeonjeong, and I-H. Jo. "Development of the learning analytics dashboard to support students’ learning performance." Journal of Universal Computer Science 21.1 (2015): 110.
Disponible ici.
