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.
Continuer la lecture de Quelques mots sur l’apprentissage autodirigé et sur l’autodirection
Aujourd’hui, je souhaiterais suggérer des pistes relatives au travail de vulgarisation des méthodes d’analyse de données éducatives, dont j’ai donné l’esprit au cours des billets précédents. On va notamment parler d’une idée qui me trotte dans la tête depuis longtemps, un catalogue d’analyses pour les traces d’interaction (ou learning analytics), dans lequel un analyste pourrait venir piocher à loisir des idées.
Continuer la lecture de Manifeste pour un catalogue d’analyses (pour les learning analytics)
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.
Dans le cas du Relationship mining, l’objectif est de découvrir des relations entre variables dans un jeu de données qui en comprend un nombre important. Cela peut conduire à chercher à identifier les variables qui sont le plus fortement associées avec une variable d’intérêt, ou à établir parmi l’ensemble de paires de variables celles dont la relation est la plus forte. Il existe grossièrement quatre types de Relationship mining : l’association rule mining, le correlation mining, le sequential pattern mining, le causal data mining. 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.
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.
Pendant une partie de ma thèse, j’ai été séduit par le concept d’autorégulation, et bien que pas particulièrement opératoire au vu de la nature des questions que je traitais, j’ai cherché, à tort, à l’appliquer. Même si je ne l’ai repris dans la version finale de mon manuscrit de thèse, je mets quelques extraits de ces réflexions d’un moment sur la question.
Continuer la lecture de Quelques mots sur le concept d’autorégulation
J’inaugure aujourd’hui une série d’articles au cours desquels je me propose de revenir sur la diversité des types d’analyses quantitatives menées sur les traces d’interaction, en nous inscrivant dans la démarche de classification que nous avons suivie pour les méthodes mixtes. Nous emploierons le terme forme d’analyse pour désigner les différents types d’analyses quantitatives étudiées ici. Il est possible de classifier les formes d’analyse selon plusieurs axes, le premier étant celui de l’objectif sous-jacent, le second étant la nature de l’analyse réalisée. Les travaux réalisés dans le champ de l’Educational Data Mining peuvent avoir plusieurs objectifs non mutuellement exclusifs : communication aux parties prenantes, amélioration des cours, génération de recommandations, prédiction des résultats et des acquis futurs des étudiants, construction de « modèles étudiants », etc. Nous avons choisi ici de nous concentrer sur la nature des analyses réalisées.
Continuer la lecture de Learning analytics : une typologie d’analyses
Au cours des derniers billets, nous nous sommes penchés sur les axes de description des méthodes mixtes, et avons repris la typologie en six types de démarches proposée par Creswell et al. (2003), que nous avons illustrée avec des exemples issus du champ éducatif. Nous aimerions conclure cette série d’articles sur la question des critères de validité des méthodes mixtes. Le terme validité ne désigne pas uniquement les mesures quantitatives. Il se réfère au fait qu’une investigation, « dans ses différentes composantes, dans les conclusions qui en sont tirées, dans les applications qui en découlent, peut être de bonne ou de mauvaise qualité, ou quelque part entre les deux. Les résultats doivent pouvoir être défendus face à la communauté de chercheurs. La qualité, ou la validité des données peut avoir des composantes subjectives, intersubjectives, ou objectives, dans la mesure où les arbitres de la qualité de la recherche sont les acteurs de la recherche. » (Creswell et al., 2003). La validité inclue notamment la question de la reproductibilité, et la capacité à généraliser les résultats.
Ce billet fait partie d’une série d’articles sur les méthodes mixtes en éducation. La lecture des articles précédents est nécessaire pour comprendre le billet du jour, consacré aux stratégies concomitantes et transformatives, deux formes de méthodes mixtes.
Continuer la lecture de Méthodes mixtes en éducation : stratégies concomitantes et transformatives
Ce billet fait partie d’une série d’articles sur les méthodes mixtes en éducation. La lecture des articles précédents est nécessaire pour comprendre le billet du jour, consacré à l’approche séquentielle exploratoire. Dans le cas de la stratégie exploratoire séquentielle, un travail de collecte et d’analyse de données qualitatives est réalisé en prélude d’une étude quantitative, et la phase d’analyse quantitative se base sur les résultats de cette étude qualitative.
Ce billet fait partie d’une série d’articles sur les méthodes mixtes en éducation. La lecture des articles précédents est nécessaire pour comprendre le billet du jour, consacré à l’approche séquentielle explicative. L’approche séquentielle explicative (sequential explanatory) est particulièrement populaire chez les tenants de l’approche quantitative. Dans cette configuration, la première phase de la recherche est caractérisée par la collecte et l’analyse de données quantitatives, qui informe la collecte de données qualitative, qui est alors secondaire.
Dans la continuité du dernier billet, je vous propose de continuer notre réflexion sur les méthodes mixtes en nous attardant sur une typologie proposée par Creswell, un des auteurs les plus prolixes en la matière.
Continuer la lecture de Quatre axes pour distinguer les méthodes mixtes
Dans le cadre d’une ANR, l’ANR Hubble, je me suis intéressé à deux questions relatives à la classification des démarches de recherche dans le champ de la fouille de données issues d’Environnements Informatiques pour l’Apprentissage Humain (EIAH), que nous nommerons traces d’interaction. L’objectif qui sous-tend les séries de billets à venir est avant tout de contribuer à l’établissement d’un vocabulaire commun au sein d’une communauté de recherche sur les EIAH caractérisée par sa pluridisciplinarité. La première série portera sur une classification des méthodes mixtes (Creswell, 2009) dans le champ des recherches en éducation, celles-ci étant définies par l’usage conjoint des données qualitatives et quantitatives dans la démarche de recherche. La seconde est relative à la classification des analyses quantitatives réalisées à partir des traces d’interactions. Je vous propose une série de billets consacrés à cette question.
Continuer la lecture de Recherches sur les technologies éducatives et usage des méthodes mixtes
