Innovation Pédagogique et transition
Une initiative de l'Institut Mines-Télécom avec un réseau de partenaires
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 (…)
Ami doctorant, si par hasard tu passes sur ce billet, j’y donne quelques conseils issus d’une réflexion sur mes quelques années de thèse. Je l’ai finie il y a trois mois ; certaines choses se sont bien passées, d’autres moins, et si je peux me permettre de donner mon petit point de vue, je suis sûr que tu pourras te reconnaître dans quelques-unes de mes remarques.
Si tu sors de ta zone de confort, fais-le avec prudence
J’ai pris le risque d’adopter une démarche qualitative dans le cadre de mon travail de thèse, alors même que j’étais à l’origine familier uniquement des approches quantitatives. Cette démarche, dont je mesurais tous les (…)
Un articlerepris du blog de Mathieu Cisel et publié le 14 juin
Je trouve que l’on ne prend pas suffisamment en considération la façon dont les instruments de la recherche se construisent au fil du temps, quelles sont les influences qui se mettent en place, tout ça tout ça. Du coup, pour donner à voir ce qui se passe véritablement dans la tête d’un chercheur, je vous propose de décrire la démarche de construction de mes questionnaires adressés aux utilisateurs de MOOC, des questionnaires qui ont sensiblement évolué au fil des années. De vous à moi, si vous n’êtes pas chercheur, ce billet ne va probablement pas vous intéresser.
La mise (…)
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 (…)
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 (…)
Dans mon blog Educpros, j’ai fait tout une série de billets consacrés aux certificats de MOOC, et à l’intérêt que les participants lui portent. J’aimerais conclure aujourd’hui par un petit article sur la question. Dans la mesure où cet article fait beaucoup référence à des travaux de recherche, sa tonalité est tout indiquée pour un articles dans Hypothèses. Nous parlons aujourd’hui autoformation compensatoire, certificat, et légitimation d’apprentissages.
Le gros du public des MOOC portant un intérêt professionnel au certificat est constitué de salariés en poste, dont la plupart disposent d’un niveau de diplomation supérieur ou égal à (…)
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 (…)
Un aritcle repris du blog de Mathieu Cisel Vpir aussi Points de vue d’apprenants sur le dirigisme dans les MOOC (2/2) Points de vue d’apprenants sur le dirigisme dans les MOOC
Je vous propose aujourd’hui de revenir sur la question du rapport des participants vis à vis des interactions qui se déroulent au sein des MOOC : forums, réseaux sociaux, etc.
Addicts aux forums
Il y a, bien sûr, ceux qui finissent par développer une addiction aux forums. Le propos de ce participant, ingénieur informatique, est édifiant à cet égard :
Mon principal intérêt c’était d’interagir sur les forums. A mettre en balance avec l’apprentissage, (…)
Nous poursuivons aujourd’hui les quelques réflexion sur l’autodirection et sur l’apprentissage autodirigé, que nous avions entamé avec un billet sur l’autorégulation il y a une semaine.
Jézégou (2009, 2011) s’est penchée sur l’utilisation du concept d’autodirection dans le cadre des recherches sur la formation à distance. L’auteur souligne qu’il est nécessaire de prendre garde à ne pas confondre l’apprentissage autodirigé à l’autodirection de l’apprenant, au risque de le réduire à sa seule dimension psychologique. L’autodirection est fonction des caractéristiques du dispositif dans lequel elle s’exerce (Spear & Mocker, 1984). Long (…)