Associer les learning analytics et les théories d’apprentissage

L’autorégulation des apprentissages grande gagnante

L’utilisation des learning analytics (ou analyse de données d’apprentissage) peine à se développer au-delà de quelques tableaux de bord dans Moodle. Les learning analytics restent avant tout un domaine de recherche, certes très actif. Coté pratique, les praticiens ne savent pas trop ce qu’il serait intéressant de mesurer, et pourquoi faire, les « informaticiens » peuvent de leur coté proposer de nombreuses visualisations des données récoltées, mais manquent de cadre pour les présenter de manière pertinente.

Du coté de la recherche, le récent article « The use and application of learning theory in learning analytics : a scoping review  » revient sur la question d’identifier le contexte dans lequel cette analyse de données se place, avec comme élément principal les théories d’apprentissage dans lesquelles se positionnent les différents travaux en learning analytics. Le cadre de définition retenu dans l’article reste très ouvert, ce qui leur permet d’identifier des cadres très variés et parfois flous. Néanmoins, il est très clair que l’autorégulation des apprentissages (ou SRL Self regulated Learning) est devenu le cadre d’étude privilégié ces dernières années, représentant la moitié des citations en 2020. Cela se vérifiait effectivement encore dans une conférence comme EC-TEL en septembre de cette année.

Les auteurs rappellent que les études en learning analytics se positionnent d’abord et avant tout dans le cadre « behavioriste ». En effet, les traces numériques collectées, formant un comportement observable, sont essentiellement des interactions numériques dans le cadre d’activités d’apprentissage.

Concernant l’autorégulation des apprentissages, les auteurs notent une difficulté à mesurer l’évolution de cette capacité dans la mesure où justement une meilleure maîtrise de traduit par moins d’interactions mesurables. On peut également se demander si le fait de se concentrer sur ce qui est effectivement observable ne peut pas introduire des biais forts dans ce qui est exploité dans les théories mobilisées.

Une question de fond est de savoir si ces mesures permettent de mesurer d’autres éléments consécutifs à l’apprentissage. Si les learning analytics sont bien des analyse de données d’apprentissage, il est indispensable de relier/confronter ces analyses à des théories d’apprentissage, et pas simplement à des analyse de données en tant que données.

L’analyse de apprentissage peut/doit se positionner dans un pluralité de théories d’apprentissage, ce qui offre de nouvelles perspectives d’analyse, et des risques, notamment de maîtrise de ces cadres par les chercheurs. Il faut tout d’abord noter qu’un enseignement mobilise en général différents cadres complémentaires pour accompagner les apprentissages. Par ailleurs, les différentes théories ne se focalisant pas sur les mêmes aspects, différents éléments peuvent être mobilisés pour comprendre les phénomènes observés. La définition d’un cadre théorique pluraliste pour permettre de positionner les approches, et pour ouvrir de nouvelles opportunités semble donc important tant pour l’analyse des apprentissages que pour leur développement.

Crédit photo : Centre de Physique Théorique de l’Ecole polytechnique (CPHT) par « Ecole Polytechnique » – licence CC-by