Presentation invitée à la conference EIAH - 08/06/2017

1. Analyse de données et de réseaux sociaux pour
l’aide à l’apprentissage informel en ligne
Mathieu d’Aquin | @mdaquin | @afelproject
Insight Centre for Data Analytics
National University of Ireland, Galway

2. L’analyse de l’apprentissage (Learning Analytics)
D’après Wikipedia:
L’analyse de l’apprentissage (Learning analytics que l'on traduit
également par « analytique de l’apprentissage » ou « analyse de l’
éducation ») est la discipline consacrée à la mesure, la collecte,
l’analyse et la présentation de rapports basés sur des données des
apprenants en contexte d’apprentissage dans le but de comprendre et
d’optimiser l’apprentissage et le contexte.

3. L’analyse de l’apprentissage (Learning Analytics)
D’après Wikipedia:
L’analyse de l’apprentissage (Learning analytics que l'on traduit
également par « analytique de l’apprentissage » ou « analyse de l’
éducation ») est la discipline consacrée à la mesure, la collecte,
l’analyse et la présentation de rapports basés sur des données des
apprenants en contexte d’apprentissage dans le but de comprendre et
d’optimiser l’apprentissage et le contexte.

4. Learner
Platform
Analytics
VLE | Website | Library
Assessment | Enrollment
School/University
Prediction Drop out
BI
Planning
Recommendation
Typiquement…
Une université utilise les
données sur les étudiants et sur
leurs activitées au travers de leur
système informatique dans le
but de prédire la réussite des
étudiant afin de pouvoir
l'améliorer….
Et si on a de la chance, aussi
d'améliorer les enseignements...

5. Typiquement…
Vital for doctors OU Analyse

6. Typiquement…
Traces d’activités sur
les système de
l’organisme
d'enseignement
Information sur les
apprenants
(démographie, etc.)
● Identifier les
apprenants en
difficulté
● Identifier les
pratiques
d’enseignement
efficaces
● Augmenter le taux
de réussites
● Diminuer le taux
d’abandons

7. Mais : Everyday Learning
Learner
Platform
Analytics
VLE | Website | Library
Assessment | Enrollment
School/University
Prediction Drop out
BI
Planning
Recommendation

8. Mais : Everyday Learning
Learner
Platform
Analytics
VLE | Website | Library
Assessment | Enrollment
School/University
Prediction Drop out
BI
Planning
Recommendation

9. Mais : Everyday Learning
Learner
Platform
Analytics
VLE | Website | Library
Assessment | Enrollment
School/University
Prediction Drop out
BI
Planning
Recommendation

10. Mais : Everyday Learning
Learner
Platform
Analytics
VLE | Website | Library
Assessment | Enrollment
School/University
Prediction Drop out
BI
Planning
Recommendation
Sentiment Analysis
Collective Intelligence Behaviour Analysis
Collaboration
Community Support

11. Question
L’analyse de l’apprentissage dans un contexte
informel, social, en ligne, pour bénéficier
l’apprenant d’une façon autodirigé ?

12. Difficulté #1: D'où viennent les données
Platform
d’apprentissage
(e.g. Moodle)
apprenant
analyste enseignant
activités générant
des traces
traces et
métadonnées
ressources et leurs
métadonnées
analyse
apprenant
identifiant
activités générant des traces et
(des fois, différents) identifiants
?
analyse

13. Difficulté #1: D'où viennent les données
apprenant
Navigateur identifiants AFEL et
de la plateforme

14. Difficulté #1: D'où viennent les données
apprenant
activités générant des traces et
(des fois, différents) identifiants
Navigateur
AFEL Data Platform
Extension
app
Tracker
Crawler
identifiants AFEL et
de la plateforme
identifiants AFEL et
de la plateforme
Crawler
Traces et
métadonnées

15. Difficulté #1: D'où viennent les données
apprenant
activités générant des traces et
(des fois, différents) identifiants
Navigateur
AFEL Data Platform
Platform d’analyse
Visualisationidentifiant AFEL
Analyse
Données
personnelles
intégrés
Indicateurs
Extension
app
Tracker
Crawler
identifiants AFEL et
de la plateforme
identifiants AFEL et
de la plateforme
Crawler
Traces et
métadonnées
AFEL Core Data
Model (based on
schema.org)

16. AFEL Data Platform (data.afel-project.eu)

17. Exemple : Extension Navigateur

18. Exemple : Extension Navigateur
Disponible pour
Chrome, Firefox et
Opera.
Autre extracteurs
incluent un
application
facebook, un
extracteur pour
Twitter, pour
stackoverflow…
Intégrés sous un
modèle
sémantique
commun.

19. Publication de données
(http://data.afel-project.eu/catalogue/learning-analytics-dataset-v1/)
Re-publication de jeux de données
intégrés par le project AFEL en RDF
(NT) en utilisant l’AFEL Core Data
Model basé sur Schema.org et LRMI.
A l’heure actuelle, 434 million de
triplets incluant traces d’utilisation de
ressources, d’utilisation de jeux en
ligne, de communication (forums
d’apprenant), de métadonnées de
ressources, etc.
Plus de donnés à venir incluant des
traces anonymisées à grande échelle
a partir de plusieurs plateformes en
ligne.

20. Difficulté #2: Optimiser l'apprentissage ???
Que maximiser ? Que minimiser ?
enseignant analyste
Ratio :
réussite des étudiants
ressources nécessaires
pour l’atteindre
apprenant
Dans le contexte de
l’apprentissage informel
autodirigé :
quelle notion de réussite ?
quelle resources ?

21. Re-comprendre l’apprentissage quand il ne peut être mesuré
Bennett’s four-part model of informal learning.

22. Re-comprendre l’apprentissage quand il ne peut être mesuré
Bennett’s four-part model of informal learning.
… mais pas forcément explicite.
…maispasforcémentexplicite.

23. Re-comprendre l’apprentissage quand il ne peut être mesuré
The dynamic processes of learning and knowledge construction from
Kimmerle, Moskaliuk, Oeberst, and Cress, 2015.

24. Re-comprendre l’apprentissage quand il ne peut être mesuré
The dynamic processes of learning and knowledge construction from
Kimmerle, Moskaliuk, Oeberst, and Cress, 2015.

25. Re-comprendre l’apprentissage quand il ne peut être mesuré
The dynamic processes of learning and knowledge construction from
Kimmerle, Moskaliuk, Oeberst, and Cress, 2015.
“constructive friction is the driving force behind
learning” -- AFEL Deliverable 4.1, [CK08]

26. Optimiser l’apprentissage….
Mesurer la friction (la nouveauté, la différence) introduite par une
activité d’apprentissage (possiblement tacite).
Favoriser les activités qui produise une friction productive.
Quelle type de frictions ?
- De sujet : à quelle point l’activité introduit de nouveaux concepts sur
le sujet d’apprentissage → Couverture.
- De difficulté : à quelle point l’activité introduit un niveau de difficulté
qui n’était pas accessible auparavant et qui nécessite un effort
supplémentaire → Progression.
- De point de vue : à quelle point l’activité introduit une opinion
différente de ce qui a été vue auparavant → Ouverture.

27. Example - Couverture dans les traces de navigation
Analyse de textes Clustering
Analyse de
progression
Historique du
navigateur web
Zones
d’apprentissage
thématiques

28. Example - Couverture dans les traces de navigation

29. Example - Couverture dans les traces de navigation

30. Example - Couverture dans les traces de navigation

31. Example - Couverture dans les traces de navigation
web programming
british isles

32. Intégrer le tout
Learning Scopes
Sort by Learning Intensity
Progress
Success
Programming
Mark as irrelevant
Web Technologies
Mark as irrelevant
Roman History
Mark as irrelevant
Learning Analytics
Mark as irrelevant
Java
Mark as irrelevant
Web Development
Mark as irrelevant
Guitar playing
Mark as irrelevant
Ukulele playing
Mark as irrelevant
Cybersecurity
Mark as irrelevant
Machine Learning
Mark as irrelevant
Learning Intensity Progress
yearmonthweekdayLearning Intensity in Roman History in << January 2017 >>
1 5 10 15 20 25 30
Amount of activities in time
Mon Tue Wed Thu Fri Sat Sun 0 2 4 6 8 10 12 14 16 18 20 22 24
amount
effort
Show average in community
commu.
Filters

33. Ce n’est que le début
La platform AFEL est en place and des
données de test commence être disponible.
Plus de travaux nécessaires au niveau
technique.
Plus de travaux nécessaires pour extraire des
données les indicateurs plus complexes,
incluant la complexité, les points de vue, etc.
Plus de travaux nécessaires pour comprendre
comment présenter ces indicateurs de façon à
les rendre utiles pour l’apprenant. Adoption
des outils AFEL ?

34. Jane is 37 and works as an administrative assistant in a local medium-sized company. As a hobbies, she
enjoyed sewing and cycling in the local forests. She is also interested in business management, and is
considering either developing in her current job to a more senior level or making a career change.
Jane spends a lot of time online at home and at her job. She has friends on facebook with whom she shares
and discusses local places to go biking, and others with whom she discusses sewing techniques and
possible projects, often through sharing youtube videos.
Jane also follows MOOCs and forums related to business management, on different topics. She often uses
online resources such as Wikipedia and online magazine on the topics. At school, she was not very
interested in maths, which is needed if she want to progress in her job. She is therefore registered on
Didactalia, connecting to resources and communities on maths, especially statistics.
Jane has also decided to take her learning seriously: She has registered to use the AFEL dashboard through the
Didactalia interface. She has also installed the browser extension to include her browsing history, as well as
the facebook app. She has not included in her dashboard her emails, as they are mostly related to her
current job, or twitter, since she rarely uses it.
Jane looks at the dashboard more or less once a day, as she is prompted by a notification from the AFEL
smartphone application or from the facebook app, to see how she has been doing the previous day in her
online social learning. It might for example say “It looks like you progressed well with sewing yesterday! See
how you are doing on other topics…”
Jane, as she looks at the dashboard, realises that she has been focusing a lot on her hobbies and
procrastinated on the topics she enjoys less, especially statistics. Looking specifically at statistics, she
realises that she almost only works on it in Friday evenings, because she feels guilty of not having done
much during the week. She also sees that she is not putting as much effort into her learning of statistics as
other learners, and not making as much progress. She therefore makes a conscious decision to put more
focus on it. She adds the dashboard goals of the form “to work on statistics during my lunch break every
week day” or “to have achieved a 10% progress compared to now by the same time next week”. The
dashboard will remind her how she is doing against those goals as she go about her usual online social
learning activities. She also gets recommendation of things to do on Didactalia and Facebook based on the
indicators shown on the dashboard and her stated goals.

35. http://mdaquin.net
@mdaquin
http://afel-project.eu
@afelproject