Analyse statistique de comportements d`apprenants - Action-on-line

Analyse statistique de comportements d’apprenants utilisant
des Environnements Numériques d’Apprentissage
Analyse de cas en Comptabilité-Gestion-Finance
Sandra Michelet∗
∗
Société Action on Line, Pôle R&D,
Le Contemporain, 52 chemin de la Bruyère, 69574 Dardilly
[email protected],http://www.action-on-line.fr
Introduction.On constate une explosion sur le marché de solution dite d’e-Learning à des finalités de formation dans des contextes scolaires ou professionnels Depover et Marchan (2002).
Avec les technologies actuelles, il est important de prendre en compte la différenciation individuelle, qu’elle soit cognitive, affective, socioculturelle ou qu’elle ai lieu dans l’utilisation
des stratégies d’apprentissage Dolog et al. (2004), Liu et Yang (2005). Cependant, pour des
raisons de faisabilité (technique mais aussi opérationnelle et économique dans un contexte
sociétal), la personnalisation à une granularité très fine (personnalisation individuelle) n’est
pas ou peu envisageable. Afin de faire un pont entre les questions de personnalisation et les
contraintes évoquées, nous cherchons à mettre en évidence des catégories de comportements
d’apprenants, afin de leurs proposer une personnalisation ciblée.
Connaissance - Scénarisation pédagogique - e-Learning : Le triangle d’or de la formation. Lorsqu’un utilisateur de module d’e-Learning emploie un tel outil dans un but de
formation, il est nécessaire (comme pour toute activité d’apprentissage) de lui donner des buts
concrets , par le biais de scénarios pédagogiques pertinents. Ces scénarios sont le fruit d’une
activité de modélisation pédagogique par le biais duquel les différentes activités, ressources
et services pédagogiques sont agrégés de sorte à offrir une méthode efficace de formation,
traduisant ainsi une stratégie de formation.
Analyse de comportements.Contexte de la situation d’apprentissage. Nous nous plaçons
dans un contexte de formation via des dispositifs d’e-Learning. Nos apprenants proviennent
de l’enseignement supérieur, de centre de formation, d’entreprises ou sont des particuliers.
Ainsi, leur finalité n’est pas la même : il s’agira pour certains d’acquérir les connaissances et
compétences requises au référentiel de celles exigées pour l’obtention d’un diplôme, et pour
d’autres d’améliorer ses performances en milieu de travail Watkins (1995), West (1996).
Population - Corpus. Notre analyse statistique porte sur une population de 422 apprenants,
ayant aboutis à 1071 évaluations. Lorsqu’un apprenant réalise une évaluation, nous collectons
plusieurs données telles le temps de résolution, le score obtenu lors de la première résolution,
le meilleur score, le nombre de tentatives.
Présentation des premiers résultats. Nous nous focalisons ici sur les variables de score et de
nombre de tentatives. Aprés étude statistique, nous avons pu constater que quel que soit le
module, les meilleurs scores sont supérieurs aux scores initiaux. Ainsi, il y a une évolution
positive en terme de réussite au cours de la formation, ce qui semble montrer un impact positif
Analyse statistique de comportements d’élèves
(a) Illustration Cours
(b) Illustration Cas-pratique
F IG . 1 – Ilustration des modules d’e-Learning
de l’outil de formation au regard de la connaissance. De plus, pour certains de nos modules
il existe une corrélation forte et positive entre le nombre de tentatives et la différence entre le
meilleure score et le score initial. En effet, nous devons nous interroger sur le fait suivant :si
l’apprenant effectue plusieurs tentatives de résolution d’un problème, est-ce parce qu’il souhaite confirmer un premier résultat émis ou changer sa réponse reflétant ainsi un changement
conceptuel de sa part ?
Conclusions et Perspectives. Cette première analyse tend à montrer l’émergence de variables didactiques pertinentes. Nous sommes en train d’approfondir cette analyse en prenant
en compte des dimensions d’ordre temporelles (quel est l’impact du facteur temps sur l’évolution des résultats des apprenants ?), d’entités d’appartenance (y a-t-il un facteur entité ayant
un impact sur les résultats des apprenants ?).
Références
Depover, C. et L. Marchan (2002). E-learning et formation des adultes en contexte professionnel. de Boeck.
Dolog, P., N. Henze, W. Nejdl, et M. Sintek (2004). Personnalization in distributed e-learning
environments. 13th International World Wide Web Conference on Alternate tracks papers
and posters, New York, U.S.A., 170–179.
Liu, H. et M. Yang (2005). Qol guaranteed adaptation and personalization in e-learning systems. IEEE Transactions on Education 48(4), 676–687.
Watkins, E. (1995). Workplace learning : Changing times, changing practices. New Directions
for Adult and Continuing Education 68, 3–17.
West, G. (1996). Group learning in the workplace. New Directions for Adult and Continuing
Education 71, 51–60.
Summary
Nowadays, Numeric Environments of Learning look for take into account specificities of
every learner. But, for reasons of feasability the personalization is not possible. So, a solution
is to looking for, thanks to an exploitation and treatment of databases, categories of learners to
offer to each of them a personalization and an adapted remediation.