De l’individu au groupe d’apprenants : modalités d’usage des learning analytics

Dans ce billet, nous allons parler de la question du suivi de l’engagement des apprenants à différentes échelles, via des indicateurs (fondés sur des learning analytics) et des tableaux de bord dont nous discuterons de l’utilité. Nous allons en particulier discuter des usages classiques des learning analytics (LA) pour maintenir l’engagement d’un groupe. Nous irons de la logique de suivi individuel à celle du suivi d’un groupe classes entières.

L’on peut suivre via les traces laissées sur un LMS la trajectoire d’une personne en particulier. On peut se pencher sur son « journal de bord » (terminologie Moodle, Insights dans Teams), par exemple, pour estimer si c’est quelqu’un de sérieux,  s’il a effectivement suivi les éléments d’un cours, et engager sur cette base une discussion personnalisée avec l’apprenant en question. Imaginons que l’on reçoit un mail d’un individu disant « Ah oui, je me suis beaucoup connecté cette semaine et pourtant voilà, vous m’avez mis une mauvaise note en terme d’assiduité ». Vous ouvrez son journal de bord sur le LMS et vous pouvez dire « Ah non,  tu ne t’es absolument pas connecté sur cette plateforme », je maintiens ma note.

Voilà pour l’échelle individuelle. Penchons-nous maintenant sur une logique de sous-groupe.  Imaginons que cette fois-ci, les traces nous permettent  de prédire l’engagement d’un sous-groupe. C’est une application classique des algorithmes de prédiction mis en oeuvre dans les cours en ligne. On veut savoir qui est en risque de décrochage (il y a un module dédié à ça dans Moodle), et générer une liste des étudiant.es de votre groupe-classe qui sont suspecté.es d’être sur le point d’abandonner le cours. J’ai vu des recherches qui montraient qu’en réalisant un mail collectif à cette catégorie d’apprenants, le décrochage chutait significativement.

Commençons maintenant à penser à l’échelle d’un groupe-classe pris dans son ensemble. Je fais par exemple sur Datacamp (la plateforme de cours de code que j’utilise avec mes étudiant.es) le suivi de l’activité de l’ensemble du groupe, pour savoir combien ont commencé les cours, par exemple. A l’échelle de la classe, je peux savoir le nombre de d’heures qui a été passé à faire des exercices sur la plateforme. A cette échelle, c’est un petit peu plus difficile de faire de la différenciation pédagogique, car ce n’est pas l’objet. Néanmoins cela donne une idée de la dynamique à l’œuvre.

Le cas échéant, l’on peut s’adresser à la classe entière : « Ah, je vois bien qu’il y a une baisse de motivation sur certaines plateformes, remotivez-vous bon sang ». Si vous avez des informations sur l’activité au sein d’un cours, les applications sont directes :  « Chapitre trois, il y a un décrochage.  Qu’est ce qu’il s’est passé ? » pouvez-vous demander à la classe. La logique est ici la régulation de l’activité d’un groupe d’apprenants, en temps réel, ou celle de la réingénierie,  si l’on a le temps de faire des modifications d’une itération sur l’autre.

Au-delà de l’échelle de la classe, l’on peut même monter à l’échelle d’un établissement. Dans le tableau de bord que j’ai utilisé pour Coursera (la plateforme de MOOC) lorsque je l’ai conseillée à mon établissement, j’ai pu voir l’engagement de l’ensemble des étudiants de mon université dans N cours différents. Ce n’est plus une classe mais un ensemble de classes dont j’effectue le suivi. Quels peuvent être les objectifs du suivi de l’engagement, à cette échelle? L’on peut cibler des apprenants qui se désengagent, contraster les formes de désengagement, et j’en passe. Cela ne signifie pas la même chose le désengagement  sur les vidéos et le désengagement sur les forums. Peut être veut-on maintenir une activité élevée sur les forums, et suivre le nombre de messages postés de manière hebdomadaire sur les forums pour penser des interactions en ligne à l’échelle de toute votre université.

Voilà pour aujourd’hui. Nous sommes restés sur les usages des LA du point de vue d’un enseignant ou d’un ingénieur pédagogique. Sachez qu’un apprenant peut aussi exploiter ses propres traces pour réguler ses apprentissage. Un chercheur comme Bull a beaucoup planché sur le concept à travers la notion d’open learner models. Si un jour vous voulez creuser la question. Mais cela donnera lieu à un autre billet.

Leave a Comment

Filed under Non classé

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *