Vers un observatoire pour la construction et le partage
Transcription
Vers un observatoire pour la construction et le partage
Projet HUBBLE Human oBservatory Based on anaLysis of E-learning traces http://hubblelearn.imag.fr [email protected] 1 Partenaires • LIP6 (UPMC) • LIG (UJF) • IFE (ENS LYON) • STEF (ENS Cachan) • LIRIS (UCL) • LabSTICC (Télécom Bretagne) • LIUM (Université du Maine) • OpenClassrooms • LINA (U Nantes) 2 Contexte international • EDM : “discipline, concerned with developing methods for exploring the unique types of data that come from educational settings, and using those methods to better understand students, and the settings which they learn in”. • http://www.educationaldatamining.org/ • Naissance : tuteurs intelligents, DM • LA : “the measurement, collection, analysis and reporting of data about learners and their contexts, for purposes of understanding and optimizing learning and the environments in which it occurs”. • http://www.solaresearch.org/ • Naissance : LMS, web, google analytics 3 EDM et LA 4 Siemens & Baker 2011 Learning Analytics and Educational Data Mining: Towards Communication and Collaboration LA et EIAH Ce n’est pas nouveau, mêmes questions de recherche 5 Questions de recherche en EIAH centrées apprenant… • Comprendre les comportements de l’apprenant • Comprendre les phénomènes d’interaction entre apprenants (collaboration, coopération,…) • Modèle de l’apprenant • Modèle de diagnostic des connaissances, émotions, compétences,… • Personnalisation de l’apprentissage • Méthodes et algorithmes de rétroaction qui favorisent l’apprentissage • Conception d’interfaces, architectures, … 6 Questions de recherche en EIAH une place pour l’enseignant… • Scénarios pédagogiques • Modéliser l’activité d’enseignement • Concevoir des formalismes permettant de spécifier la connaissance, compétences, savoir faires à enseigner • Concevoir des éditeurs permettant de scénariser les situations d’apprentissage • Comprendre les comportements de l’enseignant dans son activité de suivi, de conception de scénarios, … • Méthodes et algorithmes pour le suivi •… 7 La différence • Les données, des vraies!!! • La notion de décideur (stakeholder) • Les analyses doivent fournir une information pédagogique utile • Gašević, D., Dawson, S., & Siemens, G. 2015 • Les informations doivent permettre l’action, i.e., doivent supporter le processus de décision • Brown (2012) • Les décideurs vont de l’apprenant jusqu’au niveau institutionnel • Modritcher, Luengo, Law, Hope, Steggman 2015 8 LA, une visions plus holistique Types de données collectées, managées et utilisées pour l’analyse Motivation ou objectifs de l’analyse Utilisateurs utilisant l’analyse techniques et outils pour produire l’analyse des données collectées Greller & Drachsler, 2012 9 LA, une visions plus holistique Limitations externes : Conventions (éthiques, personnels, ..) et les normes (légales et contraintes organisationnels) Limitations internes : relatives aux facteurs humains, comme la compétence (interprétation, pensée critique) et l’acceptation des conflits et complications avec les LA. Greller & Drachsler, 2012 10 11 Résumé • Le projet HUBBLE propose la création d’un observatoire pour la construction et le partage de processus d’analyse des traces elearning « massives ». • Les processus d’analyse construits accompagneront la prise de décisions des acteurs intervenant dans le système d’enseignement et d’apprentissage, • Ils devront être utilisables et redéployées dans leurs environnements. • Ils guideront le chercheur en e-learning pour la production de concepts, de modèles et d’indicateurs. 12 Une vision du projet Hubble Capitalisation des traitements métiers pour donner du sens 13 3 itérations Cas d’étude • Données • Scénarios • Modèles pédagogiques Collecte • Outils • Traces Analyse • Processus • Langages • Patterns Exploitation • Tableaux de bord pluriacteurs Ethique 14 Première itération : travail sur des cas pratiques Cas d’étude • MOOC • Jeux sérieux • Plateformes d’exercice • Formalisation des cas et scénarios Collecte • Test d’outils Analyse Exploitation • Qualité QCM • Types d’apprenants • Évolution activité • Parcours d’apprenants Ethique 15 Première itération : cas étudiés • Tactileomap, ENS Lyon • Met-toi-à-table !, , ENS Lyon • LIF3, Lyon 1 • PACES, UJF • TESTL1, UJF • Tamagocours, ENS Lyon • MooCAZ, ENS Cachan • Comprendre le WEB, OpenClassrooms Collège Lycée Université Tous au long de la vie 16 Première itération : scénarios d’analyses Qualité • Scénario 1 : qualité des questions de type QCM Personnalisation Discrimination Evaluation • Scénario 2 : identifier des types d’apprenants • Scénario 3 : évolution des apprenants au cours du temps • Scénario 4 : découvrir le parcours des apprenants sous forme de pattern 17 Cas étudiés, collecte, spécification, analyses / plateformes Qualité QCM Typologie apprenant Tactileomap Évolution apprenant KTBS Met-toi-à-table ! LIF3 Undertracks KTBS Undertracks PACES TESTL1 Pattern apprenant Undertracks UTL Undertracks UTL KTBS Undertracks Tamagocours Undertracks KTBS Undertracks MooCAZ KTBS UTL KTBS Undertracks UTL Comprendre le WEB UTL UTL 18 L’analyse des traces d’enseignement et d’apprentissage Un équilibre entre application et recherche 19 Références • Chatti, M.A., Dyckhoff, A.L., Schroeder, U., & Thüs, H. “A reference model for learning analytics.” International Journal of Technology Enhanced Learning, 5, 318331, 2012 • Gašević, D., Dawson, S., & Siemens, G. (2015). Let’s not forget: Learning analytics are about learning. Techtrends, 59(1), 64-71. • Greller, W. & Drachsler, H., “Translating learning into numbers: A generic framework for learning analytics”. Educational Technology & Society, 15, 42-57, 2012. • Homer, B.D., “IntroductoryTalk to the Learning Analytics and Educational Data Mining Workshop”, CREATE Lab, New York University, April 2013. • D3.1 Review article about LA and EDM. FP7 619762 LEA’s BOX • Niall Sclater, Learning analytics in the UK, JISC, 2014 • Learing Analytics, rapport Unesco 2012. • N. Mandran, M. Ortega, V. Luengo, D. Bouhineau. DOP8_Cycle: Merging both data and analysis operators’ life cycles for Technology Enhanced Learning. Proceedings of the 5 International Conference on Learning Analytics and Knowledge (LAK), Poughkeepsie, New York (USA). • D. Bouhineau, S. Lalle, V. Luengo, N. Mandran, M. Ortega, and C. Wajeman. Share data treatment and analysis processes inTechnology enhanced learning. In Workshop Data Analysis and Interpretation for Learning Environments, Autrans, France, 2013. Alpine Rendez-Vous 2013. • Undertracks.imag.fr • Brown 2012, Learning analytic : moving to concept to practice EDUCAUSE learning initiative. • KTBS : http://tbs-platform.org/tbs/doku.php/tools:ktbs • Undertracks http://projet-undertracks.imag.fr/ • UTL : http://eiah.univ-lemans.fr/UTL/UTL.xml 20 21