Learning Analytics Fr

LEARNING ANALYTICS

DEFINITION • Les LEARNING ANALYTICS sont la mesure, la collecte, l'analyse et la communication de données sur les apprenants et leurs contextes, dans le but de comprendre et d'optimiser l'apprentissage et les environnements dans lesquels il se déroule.

• Siemens & Gazevic, 1e Conf Internationale Learning Analytics & Knowledge, Alberta, Canada, 2012 • L’ Horizon Report: 2019 Higher Education Edition, produit par l'EDUCAUSE Learning Initiative, identifie les learning analytics comme l'une des stratégies et technologies digitales dont l'usage devrait se généraliser dans un avenir proche.

• L'objectif principal de l'analyse de l'apprentissage est l'amélioration continue.

LEARNING ANALYTICS: LES ETAPES

 La mise en œuvre des learning analytics nécessite 3 étapes :  Collecter  Pendant le parcours de l'étudiant, le LMS enregistre les données issues de l'interaction entre l'étudiant et son environnement pédagogique.

 Analyser  Ces données brutes peuvent ensuite être utilisées pour mettre en place des mesures plus avancées.

 Visualiser  Une partie importante de l'analyse de l'apprentissage consiste à rendre les données visuellement compréhensibles. Les tableaux de bord contenant des mesures pertinentes permettent de mettre en évidence les données à l'aide de graphiques.

POURQUOI UTILISER DES LEARNING ANALYTICS Les Learning Analytics peuvent être utilisés de nombreuses façons, mais d'un point de vue pratique, ils peuvent aider les professeurs et les institutions à faire face à ce type d’enjeux:  Enjeux stratégiques : augmenter le taux de rétention d'un cours, améliorer la structure d'un cours, augmenter le taux de satisfaction des étudiants, ....  Enjeux d'alignement : s'assurer que les évaluations répondent aux objectifs d'apprentissage  Enjeux liés à l'engagement : améliorer les activités de collaboration pour renforcer le groupe.  Enjeux des apprenants : augmenter le taux de réussite : transformer leurs habitudes de révision, de collaboration, ...

LES DIFFERENTS TYPES DE LEARNING ANALYTICS Il existe de nombreux types de learning analytics mais nous pouvons les segmenter en trois catégories : L'analyse de l'expérience d'apprentissage, L'analyse de l'apprenant, L'analyse des programmes d'apprentissage.

L'ANALYSE DE L'EXPÉRIENCE D'APPRENTISSAGE  L'analyse de l'expérience d'apprentissage cherche à mieux comprendre une activité d'apprentissage spécifique. La catégorie des expériences d'apprentissage répond souvent à des questions sur les schémas d'utilisation d'une activité spécifique, telles que :    

A quelle fréquence un élément est utilisé ?

Quand et pendant combien de temps ?

Quelles ressources ou quels sujets les apprenants recherchent-ils le plus ?

Comment les apprenants naviguent-ils dans la plateforme de cours ?

L'ANALYSE DE L'APPRENANT  L'analyse des apprenants cherche à mieux comprendre une personne ou un groupe de personnes spécifiques engagées dans un cours. Il s'agit de questions sur les modèles d'utilisation et les performances d'apprenants spécifiques, telles que :  Est-ce que tous les membres de ce groupe ont suivi la formation de la même manière?  Quels sont les points forts de ce groupe ? Où sont leurs lacunes ?  Qui a besoin de plus de soutien ? Qui sont les plus engagés/performants ?

L'ANALYSE DES PROGRAMMES D'APPRENTISSAGE  L'analyse des programmes d'apprentissage cherche à comprendre comment un programme d'apprentissage global fonctionne ; Un programme d'apprentissage englobe généralement de nombreux apprenants et de nombreuses expériences d'apprentissage ; L'analyse des programmes d'apprentissage répond à des questions sur les décisions stratégiques, telles que :  Quelle méthodologie d'apprentissage est la plus efficace ?  Ce programme répond-il aux objectifs éducatifs ?  Les apprenants acquièrent-ils les compétences requises ?

LEARNING ANALYTICS: LES DIFFERENTES METHODOLOGIES

 Nous pouvons définir trois méthodologies pour le learning analytics :

 L'analyse descriptive  Utilise l'agrégation et le data mining pour comprendre les tendances et les mesures d'évaluation dans le temps, comme les enquêtes de satisfaction des étudiants, les chiffres globaux

 Le diagnostic  Cette forme d'analyse avancée se caractérise par des techniques telles que le drill-down, la data discovery, le data mining et les corrélations pour examiner les données ou le contenu afin de répondre à la question - "Pourquoi cela s'est-il produit ?" (par exemple, les indicateurs clés de performance, les paramètres LMS pour améliorer l'engagement des étudiants, etc.)

 L’analyse prédictive et prescriptive  Elle combine les données historiques pour identifier des modèles et applique des modèles statistiques et des algorithmes pour saisir les relations entre divers ensembles de données, par exemple pour prévenir les difficultés des étudiants à risque, se concentrer sur les éléments où de petits changements pourraient avoir un impact important sur l'amélioration de l'engagement des étudiants, ...

QUELQUES EXEMPLES D’APPLICATION DES LEARNING ANALYTICS

 Identifier les étudiants à risque  Le système utilise de simples combinaisons des notes des élèves et de la fréquence des connexions au site du cours pour identifier à l'avance les élèves qui risquent d'échouer.

 Connaître le profil de votre audience  Important pour un MOOC par exemple : avec plus d'informations sur vos participants, vous pouvez adapter certaines parties de votre cours pour mieux répondre à leurs attentes.

 Améliorer le contenu d’un cours  Mieux connaître la façon dont les élèves interagissent avec le matériel afin de concentrer vos efforts pour ne modifier que le plus important, assurer l'adéquation du matériel avec le niveau et les attentes des élèves.

QUELQUES EXEMPLES D’APPLICATION DES LEARNING ANALYTICS2

 Dashboard étudiant  Ces tableaux de bord peuvent, par exemple, prendre la forme de fiches de compétences permettant aux élèves de visualiser leurs réalisations...

 Créer des recommandations de contenus personnalisées  Recommander à chaque apprenant des contenus ou des activités complémentaires, en fonction de son parcours, de son niveau et de son objectif. L'objectif est de fournir des ressources adaptées à chaque apprenant, en fonction de ses performances aux évaluations, de son activité de cours, et des choix effectués par des apprenants au profil similaire.

 Mesurer les interactions sociales (social learning analytics)  La fréquence des échanges, leur densité et les affinités qui s'en dégagent permettent d'identifier les étudiants qui pourraient en accompagner d'autres et de caractériser les liens entre les différents acteurs (par exemple si l'on veut créer un système de tutorat entre étudiants).

EXEMPLE DE DATAVISUALIZATION: PROFIL DES PARTICIPANTS

Coursera

EXEMPLE DE DATAVISUALIZATION: ENGAGEMENT ETUDIANT

Coursera

EXEMPLE DE DATAVISUALIZATION: COMPORTEMENT ETUDIANT

Imperial College Londonc Learning Analytics workshop

Most visited courses in EDHEC BBA