Dans ce billet, j’aimerais vous parler de question d’utilisation de ressources. Comment suivre ces utilisations de ressources pédagogiques à différentes échelles temporelles ? Ce qui est intéressant avec les traces, c’est que l’on peut aller de l’infiniment grand à l’infiniment petit. Si vous voulez en savoir plus, c’est ici …
Imaginons que vous vouliez des indicateurs de consommation de vos ressources pédagogiques, comme le nombre de cours hybridés suivis jusqu’à leur terme, le nombre de connexions d’apprenants sur les cours hybridés, etc., il y a plusieurs manières de procéder. On peut commencer par ce que l’on appelle les analyses diachroniques, i.e., au fil du temps, à l’échelle de l’année notamment. Par exemple, on peut regarder comment la composition des apprenants évolue sur votre plateforme Moodle d’une année sur l’autre. On peut aussi passer à l’échelle du mois, en regardant le nombre moyen d’élèves connectés à un ENT d’un mois sur l’autre, pour détecter un creux d’activité post-partiels. Enfin, l’on peut descendre à l’échelle de la semaine pour s’intéresser à la régularité d’étudiants dans leur activité d’apprentissage. On pourra regarder combien d’heures des apprenants ont consacré à un cours en ligne, et comment l’investissement a évolué au fil des semaines.
On peut aussi passer à l’échelle de la journée. Par exemple, on veut savoir sur une année entière quels sont les jours où les personnes travaillent le plus, avec par exemple un nombre moyen de connexions au plus bas le samedi et le dimanche. L’analyse est intéressante pour comprendre quelle est la dynamique à l’œuvre autour des ressources qu’on aura postées.
Quel peut être l’intérêt ? Identifier le meilleur moment pour communiquer une information ou pour fournir des devoirs par exemple, ou même, pourquoi pas, chercher à appréhender le lien entre activités prescrites et comportement effectif des apprenants. On peut même se pencher sur un élève donné, pour répondre à la question « quelle est la journée où il travaille le plus ? » Vous saurez si c’est une personne qui travaille plus le dimanche. On touche ici aux problèmes d’éthique liés au respect de la vie privée.
On pourra aussi déterminer que les étudiants se mettent à travailler vers 9-10 h, qu’il y a le creux vers l’heure du déjeuner puis cela repart, et ainsi de suite jusqu’en fin de soirée. De cette manière, l’on peut mettre au jour les habitudes de vos apprenants, s’ils s’investissent sur vos ressources plutôt le soir ou plutôt en journée. C’est particulièrement intéressant quand l’on s’intéresse à la formation d’adultes. Est-ce qu’ils s’investissent pendant leurs heures de travail théoriques, ou plutôt chez eux, le soir ou le week-end ? Cela peut avoir beaucoup d’incidence sur la façon dont, en fin de compte, vous allez pouvoir scénariser votre formation. On peut aussi bien descendre encore en-dessous, avec les traces à l’échelle de la minute et de la seconde. Nous en reparlerons.
D’expérience, plus l’on s’intéresse à des échelles fines, plus cela hérisse le poil de ceux qui s’intéressent (à juste titre) aux dangers que posent les learning analytics pour la vie privée. Néanmoins, l’intérêt pédagogique dépasse ces considérations. Des données de connexion sur un ENT sont moins sensibles que des données relatives à la santé. Certes, l’on peut identifier l’apprenant qui ne travaille pas du tout le week-end, mais l’exploitation de telles données aura a priori peu d’incidence sur sa vie. Débat en cours …