fil-educavox-color1

La Vitrine technologie-éducation (VTÉ) a publié sur le thème : Est-il possible d’utiliser certaines données pour assurer un suivi personnalisé de chaque apprenant ? C’est précisément ce que propose l’analyse de l’apprentissage (Learning Analytics).

Le nombre de visionnements d’une vidéo, l’heure et la durée de connexion à un environnement d’apprentissage, les réponses individuelles à des questions de tests et la durée pour inscrire une réponse constituent des données pouvant fournir des indications utiles sur la progression de l’apprentissage. Toutefois, ces données ne sauraient être interprétées individuellement, mais analysées dans leur ensemble.

Une fois traitée, cette information est présentée sous forme d’un tableau de bord permettant à un apprenant de se comparer à son groupe.

Est-il à la dernière minute pour la remise de ses travaux ? Est-il plus avancé que les autres dans la progression des unités du cours ?

SmartClass.png

[Légende : Ce tableau de bord permet à un apprenant de comparer sa progression à celle du groupe. Ce module appelé SmartClass peut être gratuitement intégré à Moodle.]

De même, l’enseignant peut cibler les étudiants à risque et suivre la progression de ses groupes.

Ces informations viennent compléter ses propres observations lors de séances en classe et de rencontres individuelles. En effet, il faut se rappeler que l’apprentissage ne se produit pas seulement en ligne, mais également lors d’interactions avec les pairs et dans les lieux de stages.

 LoopTool

[Légende : Ce tableau de bord illustre la consultation de contenu avant (en bleu) et après (en rouge) le moment où il est abordé en classe. Ce module appelé LoopTool peut être gratuitement intégré à Moodle.]

AUJOURD'HUI (2016)

  • Tableaux de bord de l’apprenant et de l’enseignant
  • Suivi personnalisé

DANS 5 ANS (2021)

  • Détection hâtive des difficultés d’apprentissage
  • Prise en compte des données de senseurs et de l’Internet des objets
  • Prise en compte de l’activité des réseaux sociaux
  • Proposition automatisée de cheminement personnalisé

DANS 10 ANS (2026)

  • Modèle prédictif et remédiation assistée par l’apprentissage profond automatisé (Deep Learning)
  • Assurance qualité
  • Prise en compte de l’analyse émotionnelle et de l’activité cervicale
  • Intégration à l’ensemble des activités d’apprentissage en ligne

Objectifs

  • Évaluer le potentiel de l’analyse de l’apprentissage comme outil de diagnostic et d’accompagnement personnalisé des apprenants.
  • Amorcer une réflexion sur l’équilibre entre l’utilisation de données liées à la vie privée et leur utilisation pour améliorer l’apprentissage.
  • Appliquer, de façon modulaire, l’utilisation de données personnelles à des fins d’apprentissage (par exemple, en activité physique ou en biologie).

Étape 1 : Collecte de données

Cette étape vise à dresser un inventaire des sources potentielles de données alimentant l’analyse de l’apprentissage. Concrètement, le système recueille un grand nombre d’énoncés sur les actions de l’apprenant, sous la forme sujet - prédicat - objet - contexte. Par exemple :

  • L’apprenant a complété la lecture en ligne du chapitre 3 en 20 minutes. 
  • L’apprenant a répondu « oui » à la question 3 du test numéro 2.
  • L’apprenant a complété la lecture du chapitre 3 en déplacement sur l’île de Montréal.

L’analyse de l’apprentissage repose sur une grande variété de sources pour collecter des traces d’apprentissage, qui peut s’étendre des systèmes de gestion pédagogique jusqu’aux senseurs. Les traces d’utilisation peuvent provenir :

  • Des systèmes de gestion pédagogique qui procurent des renseignements sur le parcours de l’étudiant, ses résultats, ses besoins et ses préférences.
  • Des environnements d’apprentissage qui indiquent le moment et la durée d’utilisation, les résultats de tests et la liste des contenus consultés.
  • Des données de géolocalisation qui sont fournies par les appareils fixes et mobiles.
  • Des services et outils externes, telles des applications de stockage infonuagique, de lecture de manuels numériques et de simulation.
  • Des informations techniques portant sur l’identification des appareils utilisés et la vitesse de connexion.
  • D’appareils spécialisés pour la mesure de l’électroencéphalogramme, le suivi oculaire, le flux vidéo en vue de l’analyse émotionnelle ainsi que des senseurs.

Ces énoncés, emmagasinés dans un entrepôt d’énoncés d’apprentissage, peuvent être codés selon deux types de formats :

  • Caliper, un standard développé par IMS.
  • Experience API (xAPI), un standard développé par ADL, le groupe qui a popularisé l’empaquetage de séquences d’apprentissage sous le format SCORM.

Collecte.png

 

[Légende : Type de traces d’utilisation de services et applications recueillies à des fins de l’analyse de l’apprentissage.]

Étape 2 : Le respect de la vie privée

La collecte, la conservation et l’utilisation des données de l’apprenant lors de l’utilisation d’appareils, de services et d’outils en ligne sont gérées par un cadre juridique sur la vie privée. Au Canada, les renseignements personnels qui doivent être protégés comprennent :

  • Les renseignements relatifs à sa race, à son origine nationale ou ethnique, à sa couleur, à sa religion, à son âge ou à sa situation de famille.
  • Les renseignements relatifs à son éducation, à son dossier médical, à son casier judiciaire, à ses antécédents professionnels ou à des opérations financières auxquelles il a participé.
  • Tout numéro ou symbole, ou toute autre indication identificatrice, qui lui est propre.
  • Son adresse, ses empreintes digitales ou son groupe sanguin.
  • Ses opinions ou ses idées personnelles, à l’exclusion de celles qui portent sur un autre individu.

CADRE LÉGISLATIF CANADIEN, TERRITORIAL ET PROVINCIAL

Au Canada, deux lois fédérales encadrent le respect de la vie privée :

Dix principes sont exposés dans ce dernier document :            

Responsabilité -- L’organisation est responsable des renseignements personnels dont elle a la gestion.

Objectifs -- L’organisation doit déterminer les fins de la collecte des renseignements avant d’entreprendre celle-ci.

Consentement -- Les apprenants doivent être informés de toute collecte, utilisation ou communication de renseignements personnels et y consentir.

Limitation de la collecte -- L’organisation ne peut recueillir que les renseignements personnels nécessaires aux fins déterminées.Limitation de l’utilisation, de la communication et de la conservation : Sauf consentement, les renseignements sont uniquement utilisés aux fins prévues.

Exactitude -- Les renseignements personnels doivent être exacts, complets et à jour.Mesures de sécurité -- Les renseignements personnels doivent être protégés contre les intrusions.Transparence -- Les renseignements précis sur les politiques et  pratiques de la gestion des renseignements personnels doivent être facilement accessibles.

Accès -- Les personnes ont le  droit de consulter et de contester l’exactitude des renseignements qui les concernent et y faire apporter les corrections appropriées.Plaintes -- Un mécanisme de transmission et de traitement des plaintes en cas de non-respect des principes doit être instauré.

En ce qui concerne les entreprises (établissements d’enseignement privés), l’Alberta, la Colombie-Britannique et le Québec possèdent leur propre loi pour le secteur privé. Ces lois ont préséance sur les lois fédérales. Ces dernières sont utilisées dans les autres provinces et les territoires. Par ailleurs, chaque province et territoire a sa propre législation relativement au secteur public.

INFORMATION ET CONSENTEMENT

L'apprenant doit avoir été informé par l'organisation de l'utilisation prévue des données, des types de données qui seront enregistrées, de la durée de conservation des données et du type de traitement qui sera effectué sur ses données. Il a le droit de consulter les données qui le concerne, de demander d'y apporter des corrections ou de les effacer.

Dans le cas où les données sont utilisées à des fins d'analyse ou de recherche, les données devraient être rendues anonymes ou l'identité de l'apprenant devrait être masquée par un pseudonyme.

Étape 3 : Aide à la réussite

Un des objectifs fondamentaux de l'analyse de l'apprentissage est le dépistage des étudiants à risque. Ce travail se fait habituellement lors de la première session d'accueil. Les modèles prédictifs reposent habituellement sur l'agglomération de deux sources de données. Ainsi, pour des études préuniversitaires ou techniques dans le réseau collégial québécois, on peut considérer :

  • L'historique scolaire (saisie manuelle)

  • Moyenne générale au secondaire (un des meilleurs prédicteurs).
  • Historique des inscriptions aux établissements et aux programmes.
  • Provenance hors de la région du collège (liée au besoin d'adaptation à un nouveau milieu).
  • Absence lors d'activités nécessitant une présence physique.
  • Les notes de l'enseignant au dossier (saisie manuelle)

  • Motivation.
  • Habitude de travail.
  • Difficultés particulières observées.
  • Comportement en classe.
  • Les données de suivi de l'utilisation des outils et services en ligne

  • Historique des connexions.
  • Retard dans la consultation des modules et ressources.
  • Résultats aux tests de classement lors de l'admission ou à la rentrée.
  • Écart négatif significatif à la moyenne des évaluations et travaux.

Au cours de cette étape, nous dressons l'inventaire de quelques cas d’utilisation.

CAS 1 : SOCIÉTÉ DE FORMATION À DISTANCE DES COMMISSIONS SCOLAIRES DU QUÉBEC (SOFAD)

Preuve de concept réalisée à l’aide du soutien financier du GTN-Québec, démontrant comment la récolte d’une portion significative des interactions de l’apprenant permet de dépister des difficultés, d’effectuer un suivi personnalisé ou d’améliorer la conception des ressources d’apprentissage. PDF / Vidéo

CAS 2 : COLLÈGE LA CITÉ, OTTAWA (ONTARIO)

Démonstration de la récolte des traces d’apprentissage sous format xAPI et IMS Caliper dans un environnement d’apprentissage numérique vers une plateforme de données massives. Système d’identification du progrès basé sur la collecte de l’information du cheminement de chaque étudiant par l’entremise des observations de leurs enseignants. PDF / Vidéo

Article publié sur le site - Janvier 2017 - : https://www.vteducation.org/fr/laboratoires/analyse-de-lapprentissage

Mentions CC : Ce(tte) œuvre est mise à disposition selon les termes de la Licence Creative Commons Attribution - Pas d’utilisation commerciale - Partage dans les mêmes conditions 3.0 non transposé

La Vitrine technologie-éducation (VTÉ) a pour mission de guider les choix des établissements d'enseignement supérieur québécois en matière de technologie éducative.

En savoir plus

 

 

Dernière modification le vendredi, 15 septembre 2017
An@é

L’association, fondée en 1996, à l’initiative de la création d’Educavox en 2010, en assure de manière bénévole la veille et la ligne éditoriale, publie articles et reportages, crée des événements, valorise les innovations, alimente des débats entre les différents acteurs de l’éducation sur l’évolution des pratiques éducatives, sociales et culturelles à l’ère du numérique.

Nous utilisons des cookies pour vous garantir la meilleure expérience sur notre site. Si vous continuez à utiliser ce dernier, nous considérerons que vous acceptez l'utilisation des cookies.