SlideShare une entreprise Scribd logo
Open data, Big Data : quelles valeurs, quels enjeux ?
5e conférence "Document numérique et Société"
4 et 5 mai 2015 - Rabat - Maroc
ADAPTATION NORMATIVE DES BIG DATA EN E-LEARNING
Mokhtar BEN HENDA
MICA EA-4426, Université Bordeaux Montaigne, France
Résumé
Résumé :
Malgré le consensus grandissant sur les potentialités des Big Data à stimuler l'innovation, le
développement économique et le progrès social, beaucoup de leurs aspects restent encore à étudier.
Quels sont les attributs des solutions Big Data et quelles sont les caractéristiques essentielles de leurs
cadres d’usage ? Comment les Big Data diffèrent-elles des environnements traditionnels du Data Mining
et comment ces environnements seraient-ils intégrés aux nouvelles architectures de systèmes
d’information ? Quels sont les défis scientifiques, technologiques et de normalisation qui doivent être
adressées afin d’accélérer le déploiement de solutions Big Data robustes et fiables ?
Dans ce papier, il est question de faire une analogie rapide entre des cycles d’évolution dans le traitement
des données qui se matérialise aujourd’hui dans le concept des Big Data et des technologies associées,
notamment les réseaux de transmission de données à grandes vitesses et les normes d’interopérabilité
technologique. Il est aussi question de décrire un processus normatif des Big Data et des Data Analytics
dans un domaine de spécialisation précis, celui de l’enseignement à distance à travers les normes
d’interopérabilité technologique comme définies au sein de structures normatives de l’organisation
mondiale de la normalisation (ISO).
Des Big data à toutes époques
-3000
Invention de
l’écriture
XXe S.
Révolution
numérique
XVe S.
Invention de
l’imprimerie
Diapo 1
Si le concept des Big Data est à la mode aujourd’hui, et s’il traduit sans aucun doute un
tournant majeur dans l’histoire des sciences de l’information et de la communication, il n’en
reste pas moins qu’il prend des formes bien connues, même sous des appellations différentes,
que nous avons qualifiées de « révolution numérique », « explosion informationnelle », « flux
transfrontières de données » ou tout simplement « info-obésité ».
Sans besoin de remonter le cours de l’histoire pour identifier des formes de Big data
historiques, voire préhistoriques (langage, écriture et imprimerie), notre ère numérique
connait, à elle seule, une déferlante informationnelle sans égal dans l’histoire de l’humanité.
Éric Schmidt, PDG de Google l’avait décrit en 2010 dans ces termes : « Nous avons créé 5
Exabytes d'informations depuis l'aube de la civilisation jusqu'en 2003. Nous en créons autant
tous les deux jours et ce taux augmente ». Boosté par la démocratisation de l’accès aux TIC et
à l’Internet, et surtout par l’avènement des technologies mobiles, les Big Data des temps
modernes envahissent chaque recoin de notre société !
Des Big Data à toutes les sauces
Diapo 2
Les Big Data sont déjà une composante principale de tous les secteurs d’activité dans l'économie
mondiale. Selon Paul Hermelin, PDG de Capgemini « Tous les secteurs et tous les métiers vont être
touchés par le big data ». Sophie Daviaud, commissaire de la 3e édition du Big Data Paris 2014 précise :
« Le phénomène touche désormais un grand nombre de secteurs d'activité au cœur de la
transformation numérique : la santé, l'emploi, les transports, l'énergie, la finance, les
industries de pointe... ». Pour le démontrer, on citerait juste ces quelques exemples :
- En pleine pandémie de la grippe H1N1 de 2009, et sur demande du Ministère américain
de la santé, Google avait cartographié la localisation des mots-clés tapés dans son
moteur de recherche pour anticiper l’évolution de l’épidémie.
- La société HealthMap aurait repéré grâce aux Big Data, la pandémie du virus Ébola qui
s’est répandu en Afrique de l’ouest en 2014 avant que l'OMS ne l’annonce de façon
officielle.
- L’analyse des Big Data aurait été déterminante dans la réélection de Barack Obama en
2012, notamment par l’analyse des opinions politiques et la mise au point de stratégies
de micro-ciblage d’électeurs.
- En agriculture, libérés de la contrainte des aléas climatiques, des agriculteurs
américains s’orientent vers une agriculture de précision grâce à la collecte de données
Big Data pour améliorer la productivité de leurs exploitations.
En éducation, les Big data font déjà l’objet de cours massifs en ligne sur Coursera, la
célèbre plate-forme de Moocs de l’Université de Stanford.
Big data interopérables & normalisées
 Big data : en quête d’harmonisation
 Diversité des formats des données (structurées, non
structurées)
 Virtualité des lieux de conservation
 Multiplicité des modes et des processus de traitement
 Modes multiples d’accessibilité
 Repenser le modèle d’organisation numérique
 Données fiables
 Sources fiables
 Traitement des données
 Extraction de connaissances
 Prise de décisions.
 Modèle de gouvernance
 Mobilisation collective
 Standards de consensus et normes d’interopérabilité
Gouvernance
Interopérabilité
Big Data
EntreepBig Data
Administ
Big Data
ducationBig Data
ricultureBig Data
Industrie
Diapo 3
Cependant, malgré l’énorme battage médiatique autour des Big data, celles-ci font face déjà à des
défis majeurs qui peuvent freiner leurs ascension fulgurante. Parmi ces défis figurent la diversité des
formats des données, la virtualité des lieux de leur conservation sur les réseaux et dans les nuages, de
la multiplicité des modes et des processus de leur traitement, de leur accessibilité et de leur
exploitation. En un mot : l’interopérabilité et la convergence de leurs modèles opératoires sont encore
à améliorer.
Les Big Data (transdisciplinaires de nature) exigent de repenser le modèle d’organisation
numérique : quels types de données prendre en compte, quelles sont leurs sources, comment les
traiter pour en extraire des connaissances, comment les exploiter pour prendre des décisions. Cela
implique une mobilisation collective pour apporter des solutions cohérentes aussi bien pour les
aspects technologiques que sémantiques, pour les modèles de gouvernance que pour les questions de
sécurité et de fiabilité que seules des standards de consensus et des normes d’interopérabilité
générales pourraient garantir. Tous les secteurs d’activités, y compris le secteur de l’éducation, s’y
attellent en proposant des solutions et alternatives permettant de mieux contrôler et exploiter la
vague des données numériques.
Pour aller directement au but, comment ces questions de normalisation et d’interopérabilité des Big
data en éducation sont-elles abordées ?
Big data en éducation
Learning analytics
 Extraction et modélisation de données fines pour
étudier le comportement des apprenants en
situation d’apprentissage
 Étudier de nouvelles attitudes et tendances
comportementales jusqu’ici inexplorées.
 Pédagogie : Donner aux institutions les outils
prédictifs pour améliorer les résultats des parcours
individuels d’apprentissage.
 Management : meilleur contrôle des admissions,
budgétisation et services de scolarité
 Meilleure répartition des ressources et meilleure
identification des élèves à risque
2014 : ISO/IEC JTC1
 Study Group on Big Data (SGBD)
 SC36/WG8
Diapo 4
De nombreuses expériences sont menées pour mieux comprendre l'immense potentiel des Big Data
dans la modélisation de données fines nécessaires à l’étude du comportement des apprenants
en situation d’apprentissage. Ce potentiel, rendu possible par le Learning Analytics, permet de
mesurer, collecter, analyser et communiquer des données sur les apprenants et leurs contextes, à
des fins de compréhension et d’optimisation de l'apprentissage et de l'environnement dans lequel il
se produit.
Dans leur grande complexité héritée, entre autre, de leur caractère interdisciplinaire instable,
les Big data en éducation et le Learning Analytics sont encore à l’état expérimental.
Pédagogues, chercheurs et industriels sont encore à la recherche d’un cadre de référence
permettant une meilleure structuration de ces domaines. Des initiatives internationales
commencent déjà à se mettre en place dans lesquelles la participation normative prend toute son
ampleur stratégique pour proposer des solutions cohérentes et interopérables.
L’organisation internationale de la normalisation (ISO), à travers son premier comité technique joint
(le JTC1) a déjà constitué depuis 2014 deux structures actives pour éditer des normes autour de Big
data et du Learning Analytics. Il s’agit du Study Group on Big Data (SGBD) et du huitième groupe de
travail sur le Learning Analytics du Sous-comité 36 (SC36/WG8).
Je les aborde ici brièvement, renvoyant au texte détaillé de cette intervention pour avoir plus de
détails.
ISO : Study Group on Big Data
 Deux objectifs à son programme :
 Fournir un modèle de référence pour rendre
interopérables les nombreux écosystèmes existants
des Big data ;
 Proposer une architecture de référence normalisée
pour faciliter une compréhension partagée des
architectures actuelles et futures des Big data;
 Axes de travail :
 Établir un langage commun concernant les Big
Data ;
 Fournir une référence technique commune pour
l'industrie numérique ;
 Évaluer l'état actuel des exigences du marché des
Big data en matière de normalisation et identifier
les lacunes des normes en cours,
Diapo 5
Le Study Group on Big Data (SGBD) est fondé en 2014 avec deux objectifs clés à son programme :
- Fournir une architecture et un modèle de référence pour les Big Data pour rendre
interopérables les nombreuses architectures, cadres ou écosystèmes de fonctionnement
existants des Big data ;
- Proposer une architecture de référence normalisée pour faciliter une compréhension partagée
des architectures actuelles et futures entre plusieurs produits, organisations et disciplines ;
Pour les groupes de travail constituant ce groupe d’étude, ces objectifs se déclinent en activités visant
à :
- Identifier les différentes composantes de données, de processus et de systèmes pour établir un
langage commun concernant les Big Data ;
- Fournir des références techniques aux industriels pour qu’ils puissent comprendre, discuter,
classer et comparer des solutions de Big Data ;
Promouvoir l’usage généralisé des normes d'interopérabilité, de portabilité, de réutilisabilité et
d’extensibilité des technologies des Big data.
ISO/IEC JTC1 SC36 WG8
 Normes d’interopérabilité technique, sémantique et
organisationnelle des dispositifs pédagogiques;
 Analyse interopérable en synergie avec d’autres groupes de
travail normatif :
 Sous-comité 27 sur les techniques de sécurité des technologies de
l’information,
 Sous-comité 32 de la gestion et l’échange des données
 Sous-comité 34 du langage d’analyse et de description des documents.
 Facettes clés de l’analyse des données d’apprentissage :
 Les tableaux de bord analytiques
 Les analyses prédictives
 Les environnements personnalisés d'apprentissage
 L’analyse des réseaux sociaux (Social Network Analytics)
 L’analyse du discours
 La modification de l'évaluation
 Le flux et l'échange des activités d’apprentissage en ligne
Diapo 6
Le Sous-comité 36 chargé des normes technologiques du e-learning, part de ces principes
fondamentaux de la normalisation des Big data éducatives pour proposer des normes gouvernant
l’interopérabilité du Learning Analytics.
Dans son texte fondateur, le Groupe 8 du SC36 définit l’analyse comme un processus d’exploration de
données d’apprentissage et de définition de modèles innovants d’extraction de données d’évaluation.
Le groupe œuvre à définir des projets de normes qui focalisent l’interopérabilité technique,
sémantique et organisationnelle des dispositifs pédagogiques. Il s’agit plus particulièrement d’un
ensemble de facettes d’analyse étudiées en synergie avec les travaux d’autres groupes de travail
normatif de l’ISO. Ces facette d’analyse portent essentiellement sur :
- Les tableaux de bord analytiques dont sont équipées la plupart des plates-formes de gestion
d'apprentissage en ligne.
- Les analyses prédictives des données statiques et dynamiques des apprenants pour classer leurs
parcours et prévoir conséquence des interventions rapides et ciblés.
- Les environnements personnalisés d'apprentissage avec les ressources numériques notamment
dans les environnements mobiles.
- L’analyse des réseaux sociaux (Social Network Analytics) qui rend visible les structures et les
dynamiques des réseaux interpersonnels et permet ainsi de comprendre comment les apprenants
développent et maintiennent des relations.
- L’analyse du discours qui permet de comptabiliser les activités de base d’un apprenant telles que
la connexion, l'affichage d'un forum et l’envoi d’un message.
- La modification de l'évaluation à travers l’analyse de fiabilité, de cohérence et de validité des
évaluations en ligne en prévention de fraude.
Le flux et l'échange des activités d’apprentissage en ligne avec des environnements externes tels
que les eBook, les contenus accessibles sur le Web, les forums de discussion, etc.
Pour conclure
Merci pour votre attention
Diapo 7
Pour conclure, les normes du Learning analytics prennent de plus en plus de place dans les processus
normatif de l’interopérabilité des systèmes et des dispositifs pédagogiques. Il leur faudrait seulement
du temps de maturation, sachant que l’aménagement normatif est un processus lent et complexe.
Mais tant que des organismes de normalisation à niveau international s’y sont penchés, il reste aux
industriels et aux pédagogues de jouer leur rôle de concepteurs et utilisateurs pour s’ouvrir davantage
aux exigences de l’interopérabilité technologique, car si les nouvelles tendances de l’e-Learning,
qu’elles soient sous forme de MOOCs, de Smart-Learning, de Mobile learning, de gamification ou
autres, ne seraient pas compatibles et cohérentes entre elles, les lois de la concurrence sur les marchés
des TIC et des TICE leurs seraient très défavorables.
Pour plus de détails concernant ce bref exposé, je vous renvoie au texte complet de la communication,
m’excusant de ne pas avoir pu me joindre à vous pour des raisons de force majeure.
Merci de votre attention

Contenu connexe

Tendances

Big Data... Big Analytics à travers les âges, les industries et les technologies
Big Data... Big Analytics à travers les âges, les industries et les technologiesBig Data... Big Analytics à travers les âges, les industries et les technologies
Big Data... Big Analytics à travers les âges, les industries et les technologies
Hassan Lâasri
 
Competitic big data et commerce
Competitic   big data et commerceCompetitic   big data et commerce
Competitic big data et commerce
COMPETITIC
 
Etude sur le Big Data
Etude sur le Big DataEtude sur le Big Data
Etude sur le Big Data
Nexialog Consulting
 
Memoire recherche
Memoire rechercheMemoire recherche
Memoire recherche
tmauriac
 
Conférence big data
Conférence big dataConférence big data
Conférence big data
Stéphane Traumat
 
Cours Big Data Chap1
Cours Big Data Chap1Cours Big Data Chap1
Cours Big Data Chap1
Amal Abid
 
Livre blanc "Big Data" de l'EBG
Livre blanc "Big Data" de l'EBGLivre blanc "Big Data" de l'EBG
Livre blanc "Big Data" de l'EBG
Margarita Zlatkova
 
Big data analytics focus technique et nouvelles perspectives pour les actuaires
Big data analytics focus technique et nouvelles perspectives pour les actuairesBig data analytics focus technique et nouvelles perspectives pour les actuaires
Big data analytics focus technique et nouvelles perspectives pour les actuaires
Kezhan SHI
 
Memoire recherche
Memoire rechercheMemoire recherche
Memoire recherche
tmauriac
 
La valeur des Big Data sera dans leurs usages
La valeur des Big Data sera dans leurs usagesLa valeur des Big Data sera dans leurs usages
La valeur des Big Data sera dans leurs usagesSAS FRANCE
 
Le Big Data
Le Big DataLe Big Data
Le Big Data
BigDataJDA
 
[Livre Blanc] Réduisez les risques et les coûts avec une gouvernance proactiv...
[Livre Blanc] Réduisez les risques et les coûts avec une gouvernance proactiv...[Livre Blanc] Réduisez les risques et les coûts avec une gouvernance proactiv...
[Livre Blanc] Réduisez les risques et les coûts avec une gouvernance proactiv...
Williams Ould-Bouzid
 
Big data : Défi, enjeux et impacts métiers
Big data : Défi, enjeux et impacts métiersBig data : Défi, enjeux et impacts métiers
Big data : Défi, enjeux et impacts métiers
Bruno Patin
 
Ch&cie présentation du big data dans l'assurance
Ch&cie présentation du big data dans l'assuranceCh&cie présentation du big data dans l'assurance
Ch&cie présentation du big data dans l'assurance
Betito Yan
 
[livre blanc] "Les Big Data pour les services publics : enjeux, technologies ...
[livre blanc] "Les Big Data pour les services publics : enjeux, technologies ...[livre blanc] "Les Big Data pour les services publics : enjeux, technologies ...
[livre blanc] "Les Big Data pour les services publics : enjeux, technologies ...
yann le gigan
 
Analyse spatiale en Big data
Analyse spatiale en Big dataAnalyse spatiale en Big data
Analyse spatiale en Big data
Soufiane ElATEF✔️
 
Big data
Big dataBig data
BIG DATA
BIG DATABIG DATA
BIG DATA
laurence allard
 
Big data telecom-evolution
Big data telecom-evolutionBig data telecom-evolution
Big data telecom-evolution
Télécom Paris
 
Datasio - Big Data Congress Paris 2012
Datasio - Big Data Congress Paris 2012Datasio - Big Data Congress Paris 2012
Datasio - Big Data Congress Paris 2012
datasio
 

Tendances (20)

Big Data... Big Analytics à travers les âges, les industries et les technologies
Big Data... Big Analytics à travers les âges, les industries et les technologiesBig Data... Big Analytics à travers les âges, les industries et les technologies
Big Data... Big Analytics à travers les âges, les industries et les technologies
 
Competitic big data et commerce
Competitic   big data et commerceCompetitic   big data et commerce
Competitic big data et commerce
 
Etude sur le Big Data
Etude sur le Big DataEtude sur le Big Data
Etude sur le Big Data
 
Memoire recherche
Memoire rechercheMemoire recherche
Memoire recherche
 
Conférence big data
Conférence big dataConférence big data
Conférence big data
 
Cours Big Data Chap1
Cours Big Data Chap1Cours Big Data Chap1
Cours Big Data Chap1
 
Livre blanc "Big Data" de l'EBG
Livre blanc "Big Data" de l'EBGLivre blanc "Big Data" de l'EBG
Livre blanc "Big Data" de l'EBG
 
Big data analytics focus technique et nouvelles perspectives pour les actuaires
Big data analytics focus technique et nouvelles perspectives pour les actuairesBig data analytics focus technique et nouvelles perspectives pour les actuaires
Big data analytics focus technique et nouvelles perspectives pour les actuaires
 
Memoire recherche
Memoire rechercheMemoire recherche
Memoire recherche
 
La valeur des Big Data sera dans leurs usages
La valeur des Big Data sera dans leurs usagesLa valeur des Big Data sera dans leurs usages
La valeur des Big Data sera dans leurs usages
 
Le Big Data
Le Big DataLe Big Data
Le Big Data
 
[Livre Blanc] Réduisez les risques et les coûts avec une gouvernance proactiv...
[Livre Blanc] Réduisez les risques et les coûts avec une gouvernance proactiv...[Livre Blanc] Réduisez les risques et les coûts avec une gouvernance proactiv...
[Livre Blanc] Réduisez les risques et les coûts avec une gouvernance proactiv...
 
Big data : Défi, enjeux et impacts métiers
Big data : Défi, enjeux et impacts métiersBig data : Défi, enjeux et impacts métiers
Big data : Défi, enjeux et impacts métiers
 
Ch&cie présentation du big data dans l'assurance
Ch&cie présentation du big data dans l'assuranceCh&cie présentation du big data dans l'assurance
Ch&cie présentation du big data dans l'assurance
 
[livre blanc] "Les Big Data pour les services publics : enjeux, technologies ...
[livre blanc] "Les Big Data pour les services publics : enjeux, technologies ...[livre blanc] "Les Big Data pour les services publics : enjeux, technologies ...
[livre blanc] "Les Big Data pour les services publics : enjeux, technologies ...
 
Analyse spatiale en Big data
Analyse spatiale en Big dataAnalyse spatiale en Big data
Analyse spatiale en Big data
 
Big data
Big dataBig data
Big data
 
BIG DATA
BIG DATABIG DATA
BIG DATA
 
Big data telecom-evolution
Big data telecom-evolutionBig data telecom-evolution
Big data telecom-evolution
 
Datasio - Big Data Congress Paris 2012
Datasio - Big Data Congress Paris 2012Datasio - Big Data Congress Paris 2012
Datasio - Big Data Congress Paris 2012
 

En vedette

Chapitre 1 arbres de recherche
Chapitre 1 arbres de rechercheChapitre 1 arbres de recherche
Chapitre 1 arbres de recherche
Sana Aroussi
 
La complexité des algorithmes récursives Géométrie algorithmique
La complexité des algorithmes récursivesGéométrie algorithmiqueLa complexité des algorithmes récursivesGéométrie algorithmique
La complexité des algorithmes récursives Géométrie algorithmique
Hajer Trabelsi
 
Le problème de voyageur de commerce: algorithme génétique
Le problème de voyageur de commerce: algorithme génétiqueLe problème de voyageur de commerce: algorithme génétique
Le problème de voyageur de commerce: algorithme génétiqueRima Lassoued
 
Chapitre 4 heuristiques et méta heuristiques
Chapitre 4 heuristiques et méta heuristiquesChapitre 4 heuristiques et méta heuristiques
Chapitre 4 heuristiques et méta heuristiques
Sana Aroussi
 
Chapitre 2 problème de plus court chemin
Chapitre 2 problème de plus court cheminChapitre 2 problème de plus court chemin
Chapitre 2 problème de plus court chemin
Sana Aroussi
 
Cours structures des données (langage c)
Cours structures des données (langage c)Cours structures des données (langage c)
Cours structures des données (langage c)
rezgui mohamed
 
listes chainée en JAVA
listes chainée en JAVAlistes chainée en JAVA
listes chainée en JAVAsunsaida
 
Chapitre iii récursivité et paradigme diviser pour régner
Chapitre iii récursivité et paradigme diviser pour régnerChapitre iii récursivité et paradigme diviser pour régner
Chapitre iii récursivité et paradigme diviser pour régnerSana Aroussi
 
Chapitre ii complexité et optimalité
Chapitre ii complexité et optimalitéChapitre ii complexité et optimalité
Chapitre ii complexité et optimalitéSana Aroussi
 
Chapitre v algorithmes gloutons
Chapitre v algorithmes gloutonsChapitre v algorithmes gloutons
Chapitre v algorithmes gloutonsSana Aroussi
 
Chapitre 6 hachage statique
Chapitre 6 hachage statiqueChapitre 6 hachage statique
Chapitre 6 hachage statique
Sana Aroussi
 
Chapitre i rappel sur l'algèbre de boole
Chapitre i rappel sur l'algèbre de boole Chapitre i rappel sur l'algèbre de boole
Chapitre i rappel sur l'algèbre de boole Sana Aroussi
 
Chapitre iv algorithmes de tri
Chapitre iv algorithmes de triChapitre iv algorithmes de tri
Chapitre iv algorithmes de triSana Aroussi
 
Chapitre 3 structures séquentielles
Chapitre 3 structures séquentiellesChapitre 3 structures séquentielles
Chapitre 3 structures séquentielles
Sana Aroussi
 
Corrigé langage c
Corrigé langage cCorrigé langage c
Corrigé langage c
coursuniv
 
Explorador de windows 2011
Explorador de windows 2011 Explorador de windows 2011
Explorador de windows 2011
Juanita Suarez Caypa
 
Medios de transmision
Medios de transmisionMedios de transmision
Medios de transmision
Anny Silis Cx
 
LA EXPERIENCIA TUTORIAL EN LA FACULTAD DE INFORMÁTICA 2013
LA EXPERIENCIA TUTORIAL EN LA FACULTAD DE INFORMÁTICA 2013LA EXPERIENCIA TUTORIAL EN LA FACULTAD DE INFORMÁTICA 2013
LA EXPERIENCIA TUTORIAL EN LA FACULTAD DE INFORMÁTICA 2013
infounlp
 
When there's no hope there's you
When there's no hope there's youWhen there's no hope there's you
When there's no hope there's youSydney82
 
Blue Roses
Blue RosesBlue Roses
Blue RosesThilini
 

En vedette (20)

Chapitre 1 arbres de recherche
Chapitre 1 arbres de rechercheChapitre 1 arbres de recherche
Chapitre 1 arbres de recherche
 
La complexité des algorithmes récursives Géométrie algorithmique
La complexité des algorithmes récursivesGéométrie algorithmiqueLa complexité des algorithmes récursivesGéométrie algorithmique
La complexité des algorithmes récursives Géométrie algorithmique
 
Le problème de voyageur de commerce: algorithme génétique
Le problème de voyageur de commerce: algorithme génétiqueLe problème de voyageur de commerce: algorithme génétique
Le problème de voyageur de commerce: algorithme génétique
 
Chapitre 4 heuristiques et méta heuristiques
Chapitre 4 heuristiques et méta heuristiquesChapitre 4 heuristiques et méta heuristiques
Chapitre 4 heuristiques et méta heuristiques
 
Chapitre 2 problème de plus court chemin
Chapitre 2 problème de plus court cheminChapitre 2 problème de plus court chemin
Chapitre 2 problème de plus court chemin
 
Cours structures des données (langage c)
Cours structures des données (langage c)Cours structures des données (langage c)
Cours structures des données (langage c)
 
listes chainée en JAVA
listes chainée en JAVAlistes chainée en JAVA
listes chainée en JAVA
 
Chapitre iii récursivité et paradigme diviser pour régner
Chapitre iii récursivité et paradigme diviser pour régnerChapitre iii récursivité et paradigme diviser pour régner
Chapitre iii récursivité et paradigme diviser pour régner
 
Chapitre ii complexité et optimalité
Chapitre ii complexité et optimalitéChapitre ii complexité et optimalité
Chapitre ii complexité et optimalité
 
Chapitre v algorithmes gloutons
Chapitre v algorithmes gloutonsChapitre v algorithmes gloutons
Chapitre v algorithmes gloutons
 
Chapitre 6 hachage statique
Chapitre 6 hachage statiqueChapitre 6 hachage statique
Chapitre 6 hachage statique
 
Chapitre i rappel sur l'algèbre de boole
Chapitre i rappel sur l'algèbre de boole Chapitre i rappel sur l'algèbre de boole
Chapitre i rappel sur l'algèbre de boole
 
Chapitre iv algorithmes de tri
Chapitre iv algorithmes de triChapitre iv algorithmes de tri
Chapitre iv algorithmes de tri
 
Chapitre 3 structures séquentielles
Chapitre 3 structures séquentiellesChapitre 3 structures séquentielles
Chapitre 3 structures séquentielles
 
Corrigé langage c
Corrigé langage cCorrigé langage c
Corrigé langage c
 
Explorador de windows 2011
Explorador de windows 2011 Explorador de windows 2011
Explorador de windows 2011
 
Medios de transmision
Medios de transmisionMedios de transmision
Medios de transmision
 
LA EXPERIENCIA TUTORIAL EN LA FACULTAD DE INFORMÁTICA 2013
LA EXPERIENCIA TUTORIAL EN LA FACULTAD DE INFORMÁTICA 2013LA EXPERIENCIA TUTORIAL EN LA FACULTAD DE INFORMÁTICA 2013
LA EXPERIENCIA TUTORIAL EN LA FACULTAD DE INFORMÁTICA 2013
 
When there's no hope there's you
When there's no hope there's youWhen there's no hope there's you
When there's no hope there's you
 
Blue Roses
Blue RosesBlue Roses
Blue Roses
 

Similaire à Big Data ete learning Analytics

Introduction au Big data
Introduction au Big data Introduction au Big data
Introduction au Big data
fatimabenjelloun1
 
La technologie des mégadonnées (big data)
La technologie des mégadonnées (big data)La technologie des mégadonnées (big data)
La technologie des mégadonnées (big data)
Nicolae Sfetcu
 
Propos sur les Big Data.pdf
Propos sur les Big Data.pdfPropos sur les Big Data.pdf
Propos sur les Big Data.pdf
Michel Bruley
 
Matinée Découverte Big Data & Data Science - 24012017
Matinée Découverte Big Data & Data Science - 24012017Matinée Découverte Big Data & Data Science - 24012017
Matinée Découverte Big Data & Data Science - 24012017
Micropole Group
 
Les grandes tendances Data & Analytics pour 2015
Les grandes tendances Data & Analytics pour 2015Les grandes tendances Data & Analytics pour 2015
Les grandes tendances Data & Analytics pour 2015Comarketing-News
 
Big data, l'accélération d'innovation
Big data, l'accélération d'innovationBig data, l'accélération d'innovation
Big data, l'accélération d'innovation
Lionel Martins
 
L'intelligence Artificielle au service du marketing
L'intelligence Artificielle au service du marketingL'intelligence Artificielle au service du marketing
L'intelligence Artificielle au service du marketing
Aaron Besnainou
 
Livre blanc #G9plus : Big Data - l'accélérateur d'innovation
Livre blanc #G9plus : Big Data - l'accélérateur d'innovationLivre blanc #G9plus : Big Data - l'accélérateur d'innovation
Livre blanc #G9plus : Big Data - l'accélérateur d'innovation
Institut G9+
 
Gouvernance de l'information par une Offre de Services Riches (OSR) pour tran...
Gouvernance de l'information par une Offre de Services Riches (OSR) pour tran...Gouvernance de l'information par une Offre de Services Riches (OSR) pour tran...
Gouvernance de l'information par une Offre de Services Riches (OSR) pour tran...
Perrein Jean-Pascal
 
Hadoop et le big data
Hadoop et le big dataHadoop et le big data
Hadoop et le big data
Juvénal CHOKOGOUE
 
Etude AKOYA Big Data
Etude AKOYA Big DataEtude AKOYA Big Data
Etude AKOYA Big DataJocelyn Muret
 
Livre blanc - Open Data : Quels enjeux et opportunités pour l'entreprise ?
Livre blanc - Open Data : Quels enjeux et opportunités pour l'entreprise ?Livre blanc - Open Data : Quels enjeux et opportunités pour l'entreprise ?
Livre blanc - Open Data : Quels enjeux et opportunités pour l'entreprise ?
bluenove
 
Big Data RenaissanceNumerique
Big Data RenaissanceNumeriqueBig Data RenaissanceNumerique
Big Data RenaissanceNumeriqueFanny Despouys
 
L'émergence d'une nouvelle filière de formation : data science
L'émergence d'une nouvelle filière de formation : data scienceL'émergence d'une nouvelle filière de formation : data science
L'émergence d'une nouvelle filière de formation : data scienceKezhan SHI
 
De l'importance de développer une culture des données dans les organisations
De l'importance de développer une culture des données dans les organisationsDe l'importance de développer une culture des données dans les organisations
De l'importance de développer une culture des données dans les organisations
Fing
 
Transformation d'entreprise par la data, Covéa, Guillaume Lemele - Chaire ESS...
Transformation d'entreprise par la data, Covéa, Guillaume Lemele - Chaire ESS...Transformation d'entreprise par la data, Covéa, Guillaume Lemele - Chaire ESS...
Transformation d'entreprise par la data, Covéa, Guillaume Lemele - Chaire ESS...
Voir jpperrein Jean-Pascal Perrein
 
Technologies pour le Big Data
Technologies pour le Big DataTechnologies pour le Big Data
Technologies pour le Big Data
Minyar Sassi Hidri
 
[Data day] Etude sur la data
[Data day] Etude sur la data[Data day] Etude sur la data
[Data day] Etude sur la dataFrenchWeb.fr
 
Central634_Dossier_completDV_001
Central634_Dossier_completDV_001Central634_Dossier_completDV_001
Central634_Dossier_completDV_001Bruno CAMBOUNET
 

Similaire à Big Data ete learning Analytics (20)

Introduction au Big data
Introduction au Big data Introduction au Big data
Introduction au Big data
 
La technologie des mégadonnées (big data)
La technologie des mégadonnées (big data)La technologie des mégadonnées (big data)
La technologie des mégadonnées (big data)
 
Propos sur les Big Data.pdf
Propos sur les Big Data.pdfPropos sur les Big Data.pdf
Propos sur les Big Data.pdf
 
Matinée Découverte Big Data & Data Science - 24012017
Matinée Découverte Big Data & Data Science - 24012017Matinée Découverte Big Data & Data Science - 24012017
Matinée Découverte Big Data & Data Science - 24012017
 
Les grandes tendances Data & Analytics pour 2015
Les grandes tendances Data & Analytics pour 2015Les grandes tendances Data & Analytics pour 2015
Les grandes tendances Data & Analytics pour 2015
 
2014-12-16-G9plus-LB-Big-Data
2014-12-16-G9plus-LB-Big-Data2014-12-16-G9plus-LB-Big-Data
2014-12-16-G9plus-LB-Big-Data
 
Big data, l'accélération d'innovation
Big data, l'accélération d'innovationBig data, l'accélération d'innovation
Big data, l'accélération d'innovation
 
L'intelligence Artificielle au service du marketing
L'intelligence Artificielle au service du marketingL'intelligence Artificielle au service du marketing
L'intelligence Artificielle au service du marketing
 
Livre blanc #G9plus : Big Data - l'accélérateur d'innovation
Livre blanc #G9plus : Big Data - l'accélérateur d'innovationLivre blanc #G9plus : Big Data - l'accélérateur d'innovation
Livre blanc #G9plus : Big Data - l'accélérateur d'innovation
 
Gouvernance de l'information par une Offre de Services Riches (OSR) pour tran...
Gouvernance de l'information par une Offre de Services Riches (OSR) pour tran...Gouvernance de l'information par une Offre de Services Riches (OSR) pour tran...
Gouvernance de l'information par une Offre de Services Riches (OSR) pour tran...
 
Hadoop et le big data
Hadoop et le big dataHadoop et le big data
Hadoop et le big data
 
Etude AKOYA Big Data
Etude AKOYA Big DataEtude AKOYA Big Data
Etude AKOYA Big Data
 
Livre blanc - Open Data : Quels enjeux et opportunités pour l'entreprise ?
Livre blanc - Open Data : Quels enjeux et opportunités pour l'entreprise ?Livre blanc - Open Data : Quels enjeux et opportunités pour l'entreprise ?
Livre blanc - Open Data : Quels enjeux et opportunités pour l'entreprise ?
 
Big Data RenaissanceNumerique
Big Data RenaissanceNumeriqueBig Data RenaissanceNumerique
Big Data RenaissanceNumerique
 
L'émergence d'une nouvelle filière de formation : data science
L'émergence d'une nouvelle filière de formation : data scienceL'émergence d'une nouvelle filière de formation : data science
L'émergence d'une nouvelle filière de formation : data science
 
De l'importance de développer une culture des données dans les organisations
De l'importance de développer une culture des données dans les organisationsDe l'importance de développer une culture des données dans les organisations
De l'importance de développer une culture des données dans les organisations
 
Transformation d'entreprise par la data, Covéa, Guillaume Lemele - Chaire ESS...
Transformation d'entreprise par la data, Covéa, Guillaume Lemele - Chaire ESS...Transformation d'entreprise par la data, Covéa, Guillaume Lemele - Chaire ESS...
Transformation d'entreprise par la data, Covéa, Guillaume Lemele - Chaire ESS...
 
Technologies pour le Big Data
Technologies pour le Big DataTechnologies pour le Big Data
Technologies pour le Big Data
 
[Data day] Etude sur la data
[Data day] Etude sur la data[Data day] Etude sur la data
[Data day] Etude sur la data
 
Central634_Dossier_completDV_001
Central634_Dossier_completDV_001Central634_Dossier_completDV_001
Central634_Dossier_completDV_001
 

Plus de Mokhtar Ben Henda

Webinaire de formation sur les REL
Webinaire de formation sur les RELWebinaire de formation sur les REL
Webinaire de formation sur les REL
Mokhtar Ben Henda
 
La norme technique comme catalyseur de transferts : la Francophonie à l’oeuvr...
La norme technique comme catalyseur de transferts : la Francophonie à l’oeuvr...La norme technique comme catalyseur de transferts : la Francophonie à l’oeuvr...
La norme technique comme catalyseur de transferts : la Francophonie à l’oeuvr...
Mokhtar Ben Henda
 
Modalités & outils d’évaluation dans l’apprentissages en ligne
Modalités & outils d’évaluation dans l’apprentissages en ligneModalités & outils d’évaluation dans l’apprentissages en ligne
Modalités & outils d’évaluation dans l’apprentissages en ligne
Mokhtar Ben Henda
 
Écosystème d’ensemble d’un dispositif de formation hybride
Écosystème d’ensemble d’un dispositif de formation hybride Écosystème d’ensemble d’un dispositif de formation hybride
Écosystème d’ensemble d’un dispositif de formation hybride
Mokhtar Ben Henda
 
Évaluation & Valorisation des résultats de la recherche
Évaluation & Valorisation des résultats de la rechercheÉvaluation & Valorisation des résultats de la recherche
Évaluation & Valorisation des résultats de la recherche
Mokhtar Ben Henda
 
Modeling a Framework for Production and Dissemination of Open Educational Res...
Modeling a Framework for Production and Dissemination of Open Educational Res...Modeling a Framework for Production and Dissemination of Open Educational Res...
Modeling a Framework for Production and Dissemination of Open Educational Res...
Mokhtar Ben Henda
 
Transformation Numerique à l'UEL (Vietnam)
Transformation Numerique à l'UEL (Vietnam)Transformation Numerique à l'UEL (Vietnam)
Transformation Numerique à l'UEL (Vietnam)
Mokhtar Ben Henda
 
Classe inversée au TLU, Hanoï
Classe inversée au TLU, HanoïClasse inversée au TLU, Hanoï
Classe inversée au TLU, Hanoï
Mokhtar Ben Henda
 
Classe virtuelle au TLU
Classe virtuelle au TLUClasse virtuelle au TLU
Classe virtuelle au TLU
Mokhtar Ben Henda
 
Formation Hybride au TLU, Hanoï
Formation Hybride au TLU, HanoïFormation Hybride au TLU, Hanoï
Formation Hybride au TLU, Hanoï
Mokhtar Ben Henda
 
Ressouces Éducatives
Ressouces ÉducativesRessouces Éducatives
Ressouces Éducatives
Mokhtar Ben Henda
 
Gender-Equality_Scenarios.pptx
Gender-Equality_Scenarios.pptxGender-Equality_Scenarios.pptx
Gender-Equality_Scenarios.pptx
Mokhtar Ben Henda
 
Normes technologiques internationales : potentiels d’Innovation et de créativ...
Normes technologiques internationales : potentiels d’Innovation et de créativ...Normes technologiques internationales : potentiels d’Innovation et de créativ...
Normes technologiques internationales : potentiels d’Innovation et de créativ...
Mokhtar Ben Henda
 
Modeling 30% online & 70% face-to-face learning
Modeling 30% online & 70% face-to-face learningModeling 30% online & 70% face-to-face learning
Modeling 30% online & 70% face-to-face learning
Mokhtar Ben Henda
 
Webinaires AUF ENS-Luang Prabang Laos
Webinaires AUF ENS-Luang Prabang LaosWebinaires AUF ENS-Luang Prabang Laos
Webinaires AUF ENS-Luang Prabang Laos
Mokhtar Ben Henda
 
مقاربة تحليلية للموارد التعليمية المفتوحة بموجب تراخيص المشاع الإبداعي و علاق...
مقاربة تحليلية للموارد التعليمية المفتوحة بموجب تراخيص المشاع الإبداعي و علاق...مقاربة تحليلية للموارد التعليمية المفتوحة بموجب تراخيص المشاع الإبداعي و علاق...
مقاربة تحليلية للموارد التعليمية المفتوحة بموجب تراخيص المشاع الإبداعي و علاق...
Mokhtar Ben Henda
 
Open education between the specifications of Creative Commons and Copyright
Open education between the specifications of Creative Commons and CopyrightOpen education between the specifications of Creative Commons and Copyright
Open education between the specifications of Creative Commons and Copyright
Mokhtar Ben Henda
 
Les fondamentaux de la classe inversée
Les fondamentaux de la classe inverséeLes fondamentaux de la classe inversée
Les fondamentaux de la classe inversée
Mokhtar Ben Henda
 
L’intégrité académique en relation avec l’offre de formation d’un établisseme...
L’intégrité académique en relation avec l’offre de formation d’un établisseme...L’intégrité académique en relation avec l’offre de formation d’un établisseme...
L’intégrité académique en relation avec l’offre de formation d’un établisseme...
Mokhtar Ben Henda
 
Animation des activités d'une classe virtuelle
Animation des activités d'une classe virtuelleAnimation des activités d'une classe virtuelle
Animation des activités d'une classe virtuelle
Mokhtar Ben Henda
 

Plus de Mokhtar Ben Henda (20)

Webinaire de formation sur les REL
Webinaire de formation sur les RELWebinaire de formation sur les REL
Webinaire de formation sur les REL
 
La norme technique comme catalyseur de transferts : la Francophonie à l’oeuvr...
La norme technique comme catalyseur de transferts : la Francophonie à l’oeuvr...La norme technique comme catalyseur de transferts : la Francophonie à l’oeuvr...
La norme technique comme catalyseur de transferts : la Francophonie à l’oeuvr...
 
Modalités & outils d’évaluation dans l’apprentissages en ligne
Modalités & outils d’évaluation dans l’apprentissages en ligneModalités & outils d’évaluation dans l’apprentissages en ligne
Modalités & outils d’évaluation dans l’apprentissages en ligne
 
Écosystème d’ensemble d’un dispositif de formation hybride
Écosystème d’ensemble d’un dispositif de formation hybride Écosystème d’ensemble d’un dispositif de formation hybride
Écosystème d’ensemble d’un dispositif de formation hybride
 
Évaluation & Valorisation des résultats de la recherche
Évaluation & Valorisation des résultats de la rechercheÉvaluation & Valorisation des résultats de la recherche
Évaluation & Valorisation des résultats de la recherche
 
Modeling a Framework for Production and Dissemination of Open Educational Res...
Modeling a Framework for Production and Dissemination of Open Educational Res...Modeling a Framework for Production and Dissemination of Open Educational Res...
Modeling a Framework for Production and Dissemination of Open Educational Res...
 
Transformation Numerique à l'UEL (Vietnam)
Transformation Numerique à l'UEL (Vietnam)Transformation Numerique à l'UEL (Vietnam)
Transformation Numerique à l'UEL (Vietnam)
 
Classe inversée au TLU, Hanoï
Classe inversée au TLU, HanoïClasse inversée au TLU, Hanoï
Classe inversée au TLU, Hanoï
 
Classe virtuelle au TLU
Classe virtuelle au TLUClasse virtuelle au TLU
Classe virtuelle au TLU
 
Formation Hybride au TLU, Hanoï
Formation Hybride au TLU, HanoïFormation Hybride au TLU, Hanoï
Formation Hybride au TLU, Hanoï
 
Ressouces Éducatives
Ressouces ÉducativesRessouces Éducatives
Ressouces Éducatives
 
Gender-Equality_Scenarios.pptx
Gender-Equality_Scenarios.pptxGender-Equality_Scenarios.pptx
Gender-Equality_Scenarios.pptx
 
Normes technologiques internationales : potentiels d’Innovation et de créativ...
Normes technologiques internationales : potentiels d’Innovation et de créativ...Normes technologiques internationales : potentiels d’Innovation et de créativ...
Normes technologiques internationales : potentiels d’Innovation et de créativ...
 
Modeling 30% online & 70% face-to-face learning
Modeling 30% online & 70% face-to-face learningModeling 30% online & 70% face-to-face learning
Modeling 30% online & 70% face-to-face learning
 
Webinaires AUF ENS-Luang Prabang Laos
Webinaires AUF ENS-Luang Prabang LaosWebinaires AUF ENS-Luang Prabang Laos
Webinaires AUF ENS-Luang Prabang Laos
 
مقاربة تحليلية للموارد التعليمية المفتوحة بموجب تراخيص المشاع الإبداعي و علاق...
مقاربة تحليلية للموارد التعليمية المفتوحة بموجب تراخيص المشاع الإبداعي و علاق...مقاربة تحليلية للموارد التعليمية المفتوحة بموجب تراخيص المشاع الإبداعي و علاق...
مقاربة تحليلية للموارد التعليمية المفتوحة بموجب تراخيص المشاع الإبداعي و علاق...
 
Open education between the specifications of Creative Commons and Copyright
Open education between the specifications of Creative Commons and CopyrightOpen education between the specifications of Creative Commons and Copyright
Open education between the specifications of Creative Commons and Copyright
 
Les fondamentaux de la classe inversée
Les fondamentaux de la classe inverséeLes fondamentaux de la classe inversée
Les fondamentaux de la classe inversée
 
L’intégrité académique en relation avec l’offre de formation d’un établisseme...
L’intégrité académique en relation avec l’offre de formation d’un établisseme...L’intégrité académique en relation avec l’offre de formation d’un établisseme...
L’intégrité académique en relation avec l’offre de formation d’un établisseme...
 
Animation des activités d'une classe virtuelle
Animation des activités d'une classe virtuelleAnimation des activités d'une classe virtuelle
Animation des activités d'une classe virtuelle
 

Dernier

Iris van Herpen. pptx
Iris         van         Herpen.      pptxIris         van         Herpen.      pptx
Iris van Herpen. pptx
Txaruka
 
Iris van Herpen. pptx
Iris         van        Herpen.      pptxIris         van        Herpen.      pptx
Iris van Herpen. pptx
Txaruka
 
Iris van Herpen. pptx
Iris            van        Herpen.     pptxIris            van        Herpen.     pptx
Iris van Herpen. pptx
Txaruka
 
Burkina Faso library newsletter May 2024
Burkina Faso library newsletter May 2024Burkina Faso library newsletter May 2024
Burkina Faso library newsletter May 2024
Friends of African Village Libraries
 
Cycle de Formation Théâtrale 2024 / 2025
Cycle de Formation Théâtrale 2024 / 2025Cycle de Formation Théâtrale 2024 / 2025
Cycle de Formation Théâtrale 2024 / 2025
Billy DEYLORD
 
Newsletter SPW Agriculture en province du Luxembourg du 12-06-24
Newsletter SPW Agriculture en province du Luxembourg du 12-06-24Newsletter SPW Agriculture en province du Luxembourg du 12-06-24
Newsletter SPW Agriculture en province du Luxembourg du 12-06-24
BenotGeorges3
 
Formation M2i - Onboarding réussi - les clés pour intégrer efficacement vos n...
Formation M2i - Onboarding réussi - les clés pour intégrer efficacement vos n...Formation M2i - Onboarding réussi - les clés pour intégrer efficacement vos n...
Formation M2i - Onboarding réussi - les clés pour intégrer efficacement vos n...
M2i Formation
 
Formation Intelligence Artificielle pour dirigeants- IT6-DIGITALIX 24_opt OK_...
Formation Intelligence Artificielle pour dirigeants- IT6-DIGITALIX 24_opt OK_...Formation Intelligence Artificielle pour dirigeants- IT6-DIGITALIX 24_opt OK_...
Formation Intelligence Artificielle pour dirigeants- IT6-DIGITALIX 24_opt OK_...
cristionobedi
 

Dernier (8)

Iris van Herpen. pptx
Iris         van         Herpen.      pptxIris         van         Herpen.      pptx
Iris van Herpen. pptx
 
Iris van Herpen. pptx
Iris         van        Herpen.      pptxIris         van        Herpen.      pptx
Iris van Herpen. pptx
 
Iris van Herpen. pptx
Iris            van        Herpen.     pptxIris            van        Herpen.     pptx
Iris van Herpen. pptx
 
Burkina Faso library newsletter May 2024
Burkina Faso library newsletter May 2024Burkina Faso library newsletter May 2024
Burkina Faso library newsletter May 2024
 
Cycle de Formation Théâtrale 2024 / 2025
Cycle de Formation Théâtrale 2024 / 2025Cycle de Formation Théâtrale 2024 / 2025
Cycle de Formation Théâtrale 2024 / 2025
 
Newsletter SPW Agriculture en province du Luxembourg du 12-06-24
Newsletter SPW Agriculture en province du Luxembourg du 12-06-24Newsletter SPW Agriculture en province du Luxembourg du 12-06-24
Newsletter SPW Agriculture en province du Luxembourg du 12-06-24
 
Formation M2i - Onboarding réussi - les clés pour intégrer efficacement vos n...
Formation M2i - Onboarding réussi - les clés pour intégrer efficacement vos n...Formation M2i - Onboarding réussi - les clés pour intégrer efficacement vos n...
Formation M2i - Onboarding réussi - les clés pour intégrer efficacement vos n...
 
Formation Intelligence Artificielle pour dirigeants- IT6-DIGITALIX 24_opt OK_...
Formation Intelligence Artificielle pour dirigeants- IT6-DIGITALIX 24_opt OK_...Formation Intelligence Artificielle pour dirigeants- IT6-DIGITALIX 24_opt OK_...
Formation Intelligence Artificielle pour dirigeants- IT6-DIGITALIX 24_opt OK_...
 

Big Data ete learning Analytics

  • 1. Open data, Big Data : quelles valeurs, quels enjeux ? 5e conférence "Document numérique et Société" 4 et 5 mai 2015 - Rabat - Maroc ADAPTATION NORMATIVE DES BIG DATA EN E-LEARNING Mokhtar BEN HENDA MICA EA-4426, Université Bordeaux Montaigne, France
  • 2. Résumé Résumé : Malgré le consensus grandissant sur les potentialités des Big Data à stimuler l'innovation, le développement économique et le progrès social, beaucoup de leurs aspects restent encore à étudier. Quels sont les attributs des solutions Big Data et quelles sont les caractéristiques essentielles de leurs cadres d’usage ? Comment les Big Data diffèrent-elles des environnements traditionnels du Data Mining et comment ces environnements seraient-ils intégrés aux nouvelles architectures de systèmes d’information ? Quels sont les défis scientifiques, technologiques et de normalisation qui doivent être adressées afin d’accélérer le déploiement de solutions Big Data robustes et fiables ? Dans ce papier, il est question de faire une analogie rapide entre des cycles d’évolution dans le traitement des données qui se matérialise aujourd’hui dans le concept des Big Data et des technologies associées, notamment les réseaux de transmission de données à grandes vitesses et les normes d’interopérabilité technologique. Il est aussi question de décrire un processus normatif des Big Data et des Data Analytics dans un domaine de spécialisation précis, celui de l’enseignement à distance à travers les normes d’interopérabilité technologique comme définies au sein de structures normatives de l’organisation mondiale de la normalisation (ISO).
  • 3. Des Big data à toutes époques -3000 Invention de l’écriture XXe S. Révolution numérique XVe S. Invention de l’imprimerie
  • 4. Diapo 1 Si le concept des Big Data est à la mode aujourd’hui, et s’il traduit sans aucun doute un tournant majeur dans l’histoire des sciences de l’information et de la communication, il n’en reste pas moins qu’il prend des formes bien connues, même sous des appellations différentes, que nous avons qualifiées de « révolution numérique », « explosion informationnelle », « flux transfrontières de données » ou tout simplement « info-obésité ». Sans besoin de remonter le cours de l’histoire pour identifier des formes de Big data historiques, voire préhistoriques (langage, écriture et imprimerie), notre ère numérique connait, à elle seule, une déferlante informationnelle sans égal dans l’histoire de l’humanité. Éric Schmidt, PDG de Google l’avait décrit en 2010 dans ces termes : « Nous avons créé 5 Exabytes d'informations depuis l'aube de la civilisation jusqu'en 2003. Nous en créons autant tous les deux jours et ce taux augmente ». Boosté par la démocratisation de l’accès aux TIC et à l’Internet, et surtout par l’avènement des technologies mobiles, les Big Data des temps modernes envahissent chaque recoin de notre société !
  • 5. Des Big Data à toutes les sauces
  • 6. Diapo 2 Les Big Data sont déjà une composante principale de tous les secteurs d’activité dans l'économie mondiale. Selon Paul Hermelin, PDG de Capgemini « Tous les secteurs et tous les métiers vont être touchés par le big data ». Sophie Daviaud, commissaire de la 3e édition du Big Data Paris 2014 précise : « Le phénomène touche désormais un grand nombre de secteurs d'activité au cœur de la transformation numérique : la santé, l'emploi, les transports, l'énergie, la finance, les industries de pointe... ». Pour le démontrer, on citerait juste ces quelques exemples : - En pleine pandémie de la grippe H1N1 de 2009, et sur demande du Ministère américain de la santé, Google avait cartographié la localisation des mots-clés tapés dans son moteur de recherche pour anticiper l’évolution de l’épidémie. - La société HealthMap aurait repéré grâce aux Big Data, la pandémie du virus Ébola qui s’est répandu en Afrique de l’ouest en 2014 avant que l'OMS ne l’annonce de façon officielle. - L’analyse des Big Data aurait été déterminante dans la réélection de Barack Obama en 2012, notamment par l’analyse des opinions politiques et la mise au point de stratégies de micro-ciblage d’électeurs. - En agriculture, libérés de la contrainte des aléas climatiques, des agriculteurs américains s’orientent vers une agriculture de précision grâce à la collecte de données Big Data pour améliorer la productivité de leurs exploitations. En éducation, les Big data font déjà l’objet de cours massifs en ligne sur Coursera, la célèbre plate-forme de Moocs de l’Université de Stanford.
  • 7. Big data interopérables & normalisées  Big data : en quête d’harmonisation  Diversité des formats des données (structurées, non structurées)  Virtualité des lieux de conservation  Multiplicité des modes et des processus de traitement  Modes multiples d’accessibilité  Repenser le modèle d’organisation numérique  Données fiables  Sources fiables  Traitement des données  Extraction de connaissances  Prise de décisions.  Modèle de gouvernance  Mobilisation collective  Standards de consensus et normes d’interopérabilité Gouvernance Interopérabilité Big Data EntreepBig Data Administ Big Data ducationBig Data ricultureBig Data Industrie
  • 8. Diapo 3 Cependant, malgré l’énorme battage médiatique autour des Big data, celles-ci font face déjà à des défis majeurs qui peuvent freiner leurs ascension fulgurante. Parmi ces défis figurent la diversité des formats des données, la virtualité des lieux de leur conservation sur les réseaux et dans les nuages, de la multiplicité des modes et des processus de leur traitement, de leur accessibilité et de leur exploitation. En un mot : l’interopérabilité et la convergence de leurs modèles opératoires sont encore à améliorer. Les Big Data (transdisciplinaires de nature) exigent de repenser le modèle d’organisation numérique : quels types de données prendre en compte, quelles sont leurs sources, comment les traiter pour en extraire des connaissances, comment les exploiter pour prendre des décisions. Cela implique une mobilisation collective pour apporter des solutions cohérentes aussi bien pour les aspects technologiques que sémantiques, pour les modèles de gouvernance que pour les questions de sécurité et de fiabilité que seules des standards de consensus et des normes d’interopérabilité générales pourraient garantir. Tous les secteurs d’activités, y compris le secteur de l’éducation, s’y attellent en proposant des solutions et alternatives permettant de mieux contrôler et exploiter la vague des données numériques. Pour aller directement au but, comment ces questions de normalisation et d’interopérabilité des Big data en éducation sont-elles abordées ?
  • 9. Big data en éducation Learning analytics  Extraction et modélisation de données fines pour étudier le comportement des apprenants en situation d’apprentissage  Étudier de nouvelles attitudes et tendances comportementales jusqu’ici inexplorées.  Pédagogie : Donner aux institutions les outils prédictifs pour améliorer les résultats des parcours individuels d’apprentissage.  Management : meilleur contrôle des admissions, budgétisation et services de scolarité  Meilleure répartition des ressources et meilleure identification des élèves à risque 2014 : ISO/IEC JTC1  Study Group on Big Data (SGBD)  SC36/WG8
  • 10. Diapo 4 De nombreuses expériences sont menées pour mieux comprendre l'immense potentiel des Big Data dans la modélisation de données fines nécessaires à l’étude du comportement des apprenants en situation d’apprentissage. Ce potentiel, rendu possible par le Learning Analytics, permet de mesurer, collecter, analyser et communiquer des données sur les apprenants et leurs contextes, à des fins de compréhension et d’optimisation de l'apprentissage et de l'environnement dans lequel il se produit. Dans leur grande complexité héritée, entre autre, de leur caractère interdisciplinaire instable, les Big data en éducation et le Learning Analytics sont encore à l’état expérimental. Pédagogues, chercheurs et industriels sont encore à la recherche d’un cadre de référence permettant une meilleure structuration de ces domaines. Des initiatives internationales commencent déjà à se mettre en place dans lesquelles la participation normative prend toute son ampleur stratégique pour proposer des solutions cohérentes et interopérables. L’organisation internationale de la normalisation (ISO), à travers son premier comité technique joint (le JTC1) a déjà constitué depuis 2014 deux structures actives pour éditer des normes autour de Big data et du Learning Analytics. Il s’agit du Study Group on Big Data (SGBD) et du huitième groupe de travail sur le Learning Analytics du Sous-comité 36 (SC36/WG8). Je les aborde ici brièvement, renvoyant au texte détaillé de cette intervention pour avoir plus de détails.
  • 11. ISO : Study Group on Big Data  Deux objectifs à son programme :  Fournir un modèle de référence pour rendre interopérables les nombreux écosystèmes existants des Big data ;  Proposer une architecture de référence normalisée pour faciliter une compréhension partagée des architectures actuelles et futures des Big data;  Axes de travail :  Établir un langage commun concernant les Big Data ;  Fournir une référence technique commune pour l'industrie numérique ;  Évaluer l'état actuel des exigences du marché des Big data en matière de normalisation et identifier les lacunes des normes en cours,
  • 12. Diapo 5 Le Study Group on Big Data (SGBD) est fondé en 2014 avec deux objectifs clés à son programme : - Fournir une architecture et un modèle de référence pour les Big Data pour rendre interopérables les nombreuses architectures, cadres ou écosystèmes de fonctionnement existants des Big data ; - Proposer une architecture de référence normalisée pour faciliter une compréhension partagée des architectures actuelles et futures entre plusieurs produits, organisations et disciplines ; Pour les groupes de travail constituant ce groupe d’étude, ces objectifs se déclinent en activités visant à : - Identifier les différentes composantes de données, de processus et de systèmes pour établir un langage commun concernant les Big Data ; - Fournir des références techniques aux industriels pour qu’ils puissent comprendre, discuter, classer et comparer des solutions de Big Data ; Promouvoir l’usage généralisé des normes d'interopérabilité, de portabilité, de réutilisabilité et d’extensibilité des technologies des Big data.
  • 13. ISO/IEC JTC1 SC36 WG8  Normes d’interopérabilité technique, sémantique et organisationnelle des dispositifs pédagogiques;  Analyse interopérable en synergie avec d’autres groupes de travail normatif :  Sous-comité 27 sur les techniques de sécurité des technologies de l’information,  Sous-comité 32 de la gestion et l’échange des données  Sous-comité 34 du langage d’analyse et de description des documents.  Facettes clés de l’analyse des données d’apprentissage :  Les tableaux de bord analytiques  Les analyses prédictives  Les environnements personnalisés d'apprentissage  L’analyse des réseaux sociaux (Social Network Analytics)  L’analyse du discours  La modification de l'évaluation  Le flux et l'échange des activités d’apprentissage en ligne
  • 14. Diapo 6 Le Sous-comité 36 chargé des normes technologiques du e-learning, part de ces principes fondamentaux de la normalisation des Big data éducatives pour proposer des normes gouvernant l’interopérabilité du Learning Analytics. Dans son texte fondateur, le Groupe 8 du SC36 définit l’analyse comme un processus d’exploration de données d’apprentissage et de définition de modèles innovants d’extraction de données d’évaluation. Le groupe œuvre à définir des projets de normes qui focalisent l’interopérabilité technique, sémantique et organisationnelle des dispositifs pédagogiques. Il s’agit plus particulièrement d’un ensemble de facettes d’analyse étudiées en synergie avec les travaux d’autres groupes de travail normatif de l’ISO. Ces facette d’analyse portent essentiellement sur : - Les tableaux de bord analytiques dont sont équipées la plupart des plates-formes de gestion d'apprentissage en ligne. - Les analyses prédictives des données statiques et dynamiques des apprenants pour classer leurs parcours et prévoir conséquence des interventions rapides et ciblés. - Les environnements personnalisés d'apprentissage avec les ressources numériques notamment dans les environnements mobiles. - L’analyse des réseaux sociaux (Social Network Analytics) qui rend visible les structures et les dynamiques des réseaux interpersonnels et permet ainsi de comprendre comment les apprenants développent et maintiennent des relations. - L’analyse du discours qui permet de comptabiliser les activités de base d’un apprenant telles que la connexion, l'affichage d'un forum et l’envoi d’un message. - La modification de l'évaluation à travers l’analyse de fiabilité, de cohérence et de validité des évaluations en ligne en prévention de fraude. Le flux et l'échange des activités d’apprentissage en ligne avec des environnements externes tels que les eBook, les contenus accessibles sur le Web, les forums de discussion, etc.
  • 15. Pour conclure Merci pour votre attention
  • 16. Diapo 7 Pour conclure, les normes du Learning analytics prennent de plus en plus de place dans les processus normatif de l’interopérabilité des systèmes et des dispositifs pédagogiques. Il leur faudrait seulement du temps de maturation, sachant que l’aménagement normatif est un processus lent et complexe. Mais tant que des organismes de normalisation à niveau international s’y sont penchés, il reste aux industriels et aux pédagogues de jouer leur rôle de concepteurs et utilisateurs pour s’ouvrir davantage aux exigences de l’interopérabilité technologique, car si les nouvelles tendances de l’e-Learning, qu’elles soient sous forme de MOOCs, de Smart-Learning, de Mobile learning, de gamification ou autres, ne seraient pas compatibles et cohérentes entre elles, les lois de la concurrence sur les marchés des TIC et des TICE leurs seraient très défavorables. Pour plus de détails concernant ce bref exposé, je vous renvoie au texte complet de la communication, m’excusant de ne pas avoir pu me joindre à vous pour des raisons de force majeure. Merci de votre attention