Learning analytics, projet Hubble

549 vues

Publié le

présentation des concepts de base des learning analytics et quelsques usages

Publié dans : Formation
0 commentaire
0 j’aime
Statistiques
Remarques
  • Soyez le premier à commenter

  • Soyez le premier à aimer ceci

Aucun téléchargement
Vues
Nombre de vues
549
Sur SlideShare
0
Issues des intégrations
0
Intégrations
8
Actions
Partages
0
Téléchargements
0
Commentaires
0
J’aime
0
Intégrations 0
Aucune incorporation

Aucune remarque pour cette diapositive

Learning analytics, projet Hubble

  1. 1. Learning analytics Vanda.luengo@upmc.fr Laboratoire LIP6, équipe MOCAH Université Pierre et Marie Curie 1 http://hubblelearn.imag.fr
  2. 2. Educational Data Mining Learning Analytics Teaching Analytics Academic Analytics 2
  3. 3. Learning Analytic, définitions • Analytic Techniques informatiques, mathématiques et statistiquespour révéler une information pertinente à partir de larges ensembles de données. • Marketing • Biologie • … • Collecte, analyse, évaluation et communicationdes données relatives aux apprenants, leur contexted’apprentissage, dans la perspective d’une compréhensionet d’une optimisation de l’apprentissage et de son environnement Traductionà partir de SIEMENS, 2011
  4. 4. EDM et LA EDM LA International Educational Data Mining Society Society for LearningAnalytics Research http://www.educationaldatamining.org/ http://www.solaresearch.org/ 2007 2011 “discipline, concerned with developing methods for exploring theunique types of data that come from educational settings, and using those methods to better understand students, and the settings which they learn in”. [Baker, Yacef 2007] “themeasurement, collection, analysisand reporting of data about learners and their contexts, for purposes of understanding and optimizing learning and the environmentsin which it occurs” [Siemens 2011] Fouille de données automatisées : méthode de découverteautomatisée en vue d’établir les meilleures prédictions possibles. Outils d’aide à la décision: méthode de découvertedes données par les acteurs de l’apprentissage, via des modules d’Analytics et de visualisation. procèdeen réduisant le système d'apprentissage à ses composantes principales, en modélisant séparément les apprenants, les tuteurs, le domaine enseigné etc. privilégie une approchesystémique, appréhendantla situation d'apprentissage commeun ensemble. Journalof Educational Data Mining Journalof Learning Analytics URL : http://learning-analytics.info/ International Educational Data Mining Conferences Conferenceon LearningAnalytics and Knowledge(LAK) 4
  5. 5. Academic et Learning analytics Academic Analytics Learning Analytics A process for providing education institutions with the data necessary to support operational and financial decision making* The use of analytic techniques to help target instructional, curricular, and support resources to support the achievement of specific learning goals* Focused on the business of the institution Focused on the student and their learning behaviors Management/executivesare the primary audience Learners and instructors are the primary audience * - Analyticsin Higher Education:Establishing a Common Language PrésentationJosh Baron, Apereo 2015 5
  6. 6. Learning Analytics, quoi? • données collectées à partir des actions explicites ou implicites des étudiants et eu enseignants d'après A. Boyer, 12/2015
  7. 7. Learning Analytics, quand ?
  8. 8. Learning Analytics, comment ? Prédictives Classification Régressions Latent Knowledge estimation Découvertede structures Clustering Analyse Factorielle Outler detection Découverte structure domaine Social network analysis Analyse de relations Règles d’association Corrélations Patterns séquentiels Causalité Autres méthodes Process minning Analyse du discours Approches multimodaux Traductionlibre à partirdu projet européen FP7 LEA’sBOX Types d’algorithmes
  9. 9. Learning Analytics, comment ? • Visualisation • facilitant la compréhensiondes analyses => Essentielle pour l’intervention Humaine • Différentes usages • Outil réflectifs, Pour la prise de décisions • Associations de plusieurs visualisations • Dashboard. 9
  10. 10. LA, en résume Utilisateurs ciblés par l’analyse Motivation ou objectifs de l’analyse Greller & Drachsler, 2012 Types de données collectées, managées et utilisées pour l’analyse techniques et outils pour produire l’analyse des données collectées 10 Limitations internes : relatives aux facteurs humains, comme la compétence (interprétation, pensée critique) et l’acceptation des conflits et complications avec les LA. Limitations externes : Conventions (éthiques, personnels, ..) et les normes (légales et contraintes organisationnels)
  11. 11. 11 http://hubblelearn.imag.fr
  12. 12. Une vision du projet Hubble 12
  13. 13. Quelques concepts clés initiaux • Cas d’étude : sont les matériaux de production et de tests des scénarios d’analyse. • Situation d’apprentissage, pédagogie, plateforme informatique, utilisateurs,.. • Scénarios d’analyse : description des analyses qui seront mises en œuvre sur les plateformes de traitements • Scénarios chercheurs => avec l’objectif d’accompagner la production de connaissances • Scénarios décideur => avec l’objectif d’accompagner la décision • Utilisation d’un scénario : mise en ouvre dans un cas d’étude pour un type d’utilisateur 13
  14. 14. Un équilibre entre application et recherche 14 TinanB., LAK 2015
  15. 15. Applications, quelques questions • Comment rendre les étudiants conscients des efforts qu’ils doivent fournir pour réussir leurs études ? • Comment aider les enseignants à personnaliser leur enseignement ? • Comment les universités peuvent aider les étudiants à profiter des ressources mises à leur disposition? Exemples repris de de présentationd’Anne Boyer, décembre 2015 http://education-enseignement.over-blog.com/ https://didapro.me http://upmc.fr 15
  16. 16. Recherche EIAH: méthodes, modèles, outils • Comprendre • phénomènes d’interaction entre apprenants • comportements de l’apprenant face au système informatique d’apprentissage • comportements de l’enseignant dans son activité de suivi, de conception de scénarios, … • Modéliser • l’activité d’apprentissage • l’activité d’enseignement • la rétroactions qui favorisent l’apprentissage • Concevoir • méthodes et algorithmes de diagnostic • méthodes et algorithmes de rétroaction qui favorisent l’apprentissage • méthodes et algorithmes pour gérer l’interactions entre apprenants • interfaces permettant de comprendre l’activité de l’apprenant • Analyser des usages pour l’évaluations des environnements informatiques • … 16
  17. 17. Exemples • Cas d’étude PACES • Cas d’étude Chirurgie orthopédique • Cas d’étude Superviseur 17
  18. 18. Exemple 1, La chirurgie orthopédique 18
  19. 19. Exemple 1, la chirurgie orthopédique 19 Problème : L’enseignement de gestes a un effet chapelle Question: Comment évaluer objectivement les connaissances perceptivo gestuelles ? Analyse des connaissances perceptivo gestuelles
  20. 20. Exemple 1, la chirurgie orthopédique Découverte de structures et analyse de relations Montrer la pertinence de la prise en compte de ce type de séquence Trouver des séquences significatives pour la rétroaction 20  Un algorithme pour la recherchede patterns perceptivo gestuels Travail dethèse Ben-Mansson Toussaint, AIED 2015, EIAH 2015
  21. 21. Exemple 1, la chirurgie orthopédique Ethique • Manipulation des données patient 21
  22. 22. L’éthique, le monopole des données ? • Un discours trop centrée sur l’anonymisation des données. • Et les analyses ? • Modèle prédictif pour estimer la probabilité d’échec d’un enfant en maternelle… 22
  23. 23. Interventions • Interventions Humaines • Proposer des rétroactions adaptés lors des séances de SEPI • Travail projet Hubble… • Interventions machine • Diagnostiquer les connaissances perceptivo gestuelles • Evaluations formatives 23
  24. 24. Exemple 2, Superviseur 24 PhilippeDessus, OlivierCosnefroy, VandaLuengo, EC-TEL 2016 http://superviseur.lip6.fr/
  25. 25. Exemple 2, Superviseur 25 Problème : surcharge cognitive pour la gestion d’un classe hétérogène. Question : Comment aider l’enseignant à améliorer la qualitéde l’interaction dans une classe Conscience de la classe Groupe de référence
  26. 26. Exemple 2, Superviseur, données et analyses 26 https://undertracks.imag.fr/ PhilippeDessus, Olivier Cosnefroy, VandaLuengo, EC-TEL 2016
  27. 27. Exemple 2, Superviseur éthique et intervention 27 file:///C:/Users/luengov/Documents/projets/SuperViseur/siteSuperviseur/gazeBehaviourWholeSessionByStudentMatLevel.htm l file:///C:/Users/luengov/Documents/projets/SuperViseur/siteSuperviseur/index.html
  28. 28. Learning Analytics 2025 28
  29. 29. Learning analytics, en 2025 => “Visions of the Future “, Horizon Report D3.2 29
  30. 30. Learning analytics, en 2025 • Method Delphi • Experts • Écoles, apprentissage au travail, enseignement supérieur • 103 avis à propos d’une ou plusieurs visions proposés (8 visions). 30 “Marty, you are going to fail Introduction to Physics during your sophomoreyear, make sure you see a tutor after the first week of class and you’ll ace the final exam!”
  31. 31. Learning analytics, en 2025 • Vision 1: In 2025, classrooms monitor the physical environmentto support learning and teaching • Vision2: In 2025, personal data tracking supports learning • Vision3: In 2025, analytics are rarely used in education • Vision4: In 2025, individualscontrol their own data • Vision5: In 2025, open systems for learning analytics are widely adopted • Vision 6: In 2025, learning analytics systems are essential tools of educationalmanagement • Vision7: In 2025, most teaching is delegatedto computers • Vision8: In 2025, analytics support self-directedautonomouslearning http://www.laceproject.eu/ 31
  32. 32. Vision 1: In 2025, classrooms monitor the physical environment to support learning and teaching • Cahiers, crayons, tablettes,…. auront des capteurs. • Cameras à reconnaissance facial traceront l’apprenant. • Ces informations seront utilisés pour suivre le progrès de l’apprenant. • Prise en charge de l'apprentissaged'un large éventail de compétences physiques. • Les enseignants seront alertés des signes d’ennui, confusion ou éloignement de la tâche attendue. • Les enseignants suivront les interactions sociales numériques et pourront identifier où ils devront favoriser la socialisation et le comportement collaboratif. Copyright © 2016 Nicolas-Denis.net http://www.laceproject.eu/
  33. 33. Vision 2: In 2025, personal data tracking supports learning • Des capteurs sophistiqués livreront des informations personnels tels que la posture, le stress, l’attention, le niveau de sucre dans le sang… • Les personnes collectent leurs informations et l’utilisent dans leurs programmes pour avoir des recommandations sur leurs apprentissages. • Les apprenants récupèrent les statistiques et les données associées aux facteurs de réussite des apprentissages dans un domaine particulier. • Des institutions d’enseignement connues vendent des programmes, à partir de ces informations, pour optimiser l’apprentissage en fonction des âges et des cours. • Des entreprises font la même chose pour certains domaines. • Certains étudiants partagent leur savoir faire. • La plus part des institutions d’apprentissage suivent les programme d’auto-supervision. http://soocurious.com/fr/intelligence-artificielle-homme/ http://www.laceproject.eu/
  34. 34. Vision 3: In 2025, analytics are rarely used in education • Les cours que sont automatisés, utilisant les LA, sont méprisés. • Les apprenants ont compris qu’ils peuvent « jouer » avec le système. • Il y aura un grand vide sur la gestion des données sensibles et des usages abusifs. • L’usage des données d’apprentissage devra être approuvé par l’apprenant et par des nouveaux inspecteurs. • Un consensus a émergé dans la politique éducative: l'abandon des LA Source : présentationde David Griffiths, Lyon, mars 2016 http://www.laceproject.eu/
  35. 35. Vision 4: In 2025, individuals control their own data • Les apprenant contrôlent • le type et la quantitédes données qu’ils souhaitentpartager. • Avec qui ces données sont partagées (personnes, institutions,entreprises,…) • La durée de la disponibilitéde ces données. • Des outils pour permettre ces contrôles sont clairement énoncés et facile d’usage • Les institutions sont engagés dans la prise de conscience et reconnaissent les problèmes https://lejournal.cnrs.fr/billets/reprenons-le- controle-de-nos-donnees http://www.laceproject.eu/
  36. 36. Vision 5: In 2025, open systems for learning analytics are widely adopted • Les institutions éducatives demandent le contrôle des outils des LA • Comment les outils fonctionnent? • Pourquoi sont-ils utilisés ? => Conçoivent avec des fournisseursdes outils accompagnantleurs visions stratégique. • Plusieurs fournisseurs. Tous utilisent des algorithmes ouverts et partagent les données suivant des standards qui facilitent la transparence et une validation indépendante. • Des visualisations, largement testées et accessibles, sont utilisées. • Les apprenants et enseignants peuvent utiliser en toute confiance une gamme d’outils. Image http://www.resourcespace.org/ http://w utilisés ww.laceproject.eu/
  37. 37. Vision 6: In 2025, learning analytics systems are essential tools of educational management • Les systèmes de recommandationdes ressources sont largement utilisés. • Un grand nombre de données d’apprenant est utilisé pour générer des prédictions, de qualité et en temps réel, sur la probabilité de réussite. • Les apprenants et les enseignants planifient leur travail sur la base d'outils fiables qui recommandent et personnalisent sur ce qui doit être fait pour obtenir le meilleur résultat d'apprentissage. • Une industrie croissante offre de services institutionnels et individuels pour accompagner cette activité. • L’information prédictive est précise et permet aux gestionnaires et aux décideurs d’agrandir ou réduire leur offre de formation http://www.laceproject.eu/
  38. 38. Vision 7: In 2025, learning is guided by technology • Développement d’un énorme corpus des données contenantl’information des millions d’apprenants. • Recommandations automatique fiables, basées sur l’expérience de ces corpus, sur le meilleur chemin à prendre pour réussir l’apprentissage. • Les recommandationssont mieux informées et plus fiables que celles des meilleurs formateurs humains. Source : présentationde David Griffiths, Lyon, mars 2016 http://www.laceproject.eu/
  39. 39. Vision 8: In 2025, analytics support self- directed autonomous learning • Disparition des curriculum. • Les étudiants créent leurs groupes et décident leurs objectifs d’apprentissage et les moyens pour les attendre. • Les analytiques accompagnent les échanges d’information et la collaboration entre les groupes. • Les enseignants deviennent des mentors. • Le suivi formatif est utilisé pour guider les progrès vers les objectifs fixés . Source : présentationde David Griffiths, Lyon, mars 2016http://www.laceproject.eu/
  40. 40. Vision 2025, quelques résultats http://www.laceproject.eu/
  41. 41. Vision 2025, quelques résultats, souhaitable http://www.laceproject.eu/
  42. 42. Vision 2025, quelques résultats, faisable http://www.laceproject.eu/
  43. 43. Vision 2025, quelques résultats http://www.laceproject.eu/ Thèmes émergeants dans les réponses textuelles
  44. 44. Quelques points de réflexion, à consulter • Finding 1: A question mark over the prospects for learning analytics achieving its potential • Finding 2: Policies and infrastructure • Finding 3: A consensus on pedagogy • Finding 4: Power, ethics, and data ownership • Finding 5: Disagreement between sectors, and between different groups of respondents • Finding 6: Technology http://www.laceproject.eu/
  45. 45. Rapport learning analytic, octobre 2016 http://eduscol.education.fr/cid93919/la-mission-incubation-dne.html 45

×