Learning Analytics et Big Data en éducation: quelles données et pourquoi?

Ce qu’il y a de bien avec les bulletins thématiques du Thot Cursus, c’est qu’ils permettent de se rattraper sur des articles que l’on avait pas vu passer.  Ainsi le bulletin Courants Technos du 26 février 2015 intitulé « Bases de données nuageuses » renvoie à des articles de mars 2013 et novembre 2014 sur l’utilisation des données massives en éducation.  Il s’agit d’articles de base qui ont le mérite de rappeler de quoi l’on parle:

Ainsi, l’article de 2014 se base sur une étude de la firme Knewton qui précise notamment les cinq types de données il est surtout question:

  • Les données d’identité (qui sont les étudiants, quels sont leurs privilèges d’accès et leurs droits administratifs)
  • Les données d’interaction des usagers (mesures de l’engagement, taux de clics, pages vues, taux de rebond)
  • Données déduites des comportements collectifs (en lien avec l’efficacité des contenus; « permettent d’augmenter l’efficacité mais ne sont pas facile à produire. Elles peuvent avoir une grande valeur. » (Lamontagne, 2014))
  • Données à la grandeur du système (listes d’inscrits, notes, rapports disciplinaires, « toujours délicates à utiliser et sont considérées avec circonspection. » (Lamontagne, 2014))
  • Données déduites des comportements individuels
    « Qu’est-ce qu’un étudiant sait exactement, avec quel degré de maîtrise ? Est-ce qu’une réponse manquée l’est en raison d’un manque de maîtrise, d’un oubli, d’une distraction ou simplement d’une question mal foutue ou un mélange de tout ça ? Quelle est la probabilité de succès d’un étudiant au prochain examen et que peut-il faire dès maintenant pour l’augmenter ?  Ces données sont d’un grand intérêt pour l’étudiant. » (Lamontagne, 2014)

Oui, bon, mais à quoi ça sert?  L’article de 2013, basé sur un rapport d’Educause, aide à répondre à cette question:

« Diminuer les taux d’abandon, éviter les erreurs d’orientation, augmenter les succès pour les étudiants à risque, optimiser les fonctions administratives et éducatives, améliorer le climat de travail sont des conséquences fréquemment obtenues des décisions fondées sur l’analyse des données. » (Lamontagne, 2013)

« Une politique d’analyse de données en temps réel amène normalement comme résultats un taux de rétention et de réussite de 5 à 20 % supérieur et augmente l’efficacité de l’ensemble des services des institutions en éliminant les goulots, les redondances et autres entraves à l’efficacité. En fait l’analyse des données permet l’identification précise et rapide des problèmes bien avant qu’ils deviennent irrémédiables ou ingérables. » (Lamontagne, 2013)

« On se sert de l’analyse des données pour :

  • améliorer la prise de décision administrative et mieux répartir les ressources;
  • identifier les apprenants à risque, cibler les interventions pour les aider à réussir;
  • à partir d’un partage transparent des données, obtenir une meilleure compréhension des défis de l’institution;
  • transformer positivement le modèle académique et les approches pédagogiques, par exemple en retirant des prérequis inadéquats, des activités superflues, etc.
  • fournir aux apprenants des informations sur leurs propres habitudes d’apprentissage et fournir des recommandations ou des comparaisons à la moyenne par exemple;
  • augmenter la productivité et la réactivité en fournissant des données à jour et les défis qui peuvent leur être associées;
  • etc… »  (Lamontagne, 2013, nos emphases)

L’autres intérêt, c’est qu’il mentionne où en était les différentes institutions américaines en 2013, selon trois niveaux d’implantation.  Les chiffres datent un peu, mais c’est un bon indicateur de la variabilité des pratiques.

  • Analyse statique (niveau 1): « la direction se concentre sur l’accumulation des données et les rapports qui en sont issus » (environ 3000 sur 4000 institutions sondées)
  • Analyse dynamique et intervention (niveau 2): « la direction se concentre sur la prise de décisions fondées sur des preuves » (environ 950 sur 4000 institutions sondées)
  • Optimisation (niveau 3): « la direction forte et très impliquée se concentre à faire en sorte que les pratiques d’analyse des données stratégiques soient un impératif pour l’institution » (environ 50 des 4000 institutions sondées)

Sources:
Lamontagne, Denys, « L’analyse des données en éducation : s’y mettre maintenant« , Thot Cursus, 19 mars 2013 (m-à-j: 16 avril 2013

Lamontagne, Denys, « Les données massives en éducation : lesquelles sont importantes et pourquoi« , Thot Cursus, 18 novembre 2014 (m-à-j: 17 décembre 2014)

Interne: Le numérique et la formation universitaire (rapport U. Laval)
L'impact de l'utilisation des notes de cours numériques sur l'engagement des enseignants et des étudiants

Exprimez-vous !

*