Se ha denunciado esta presentación.
Utilizamos tu perfil de LinkedIn y tus datos de actividad para personalizar los anuncios y mostrarte publicidad más relevante. Puedes cambiar tus preferencias de publicidad en cualquier momento.

Analyse de données et de réseaux sociaux pour l’aide à l’apprentissage informel en ligne

1.640 visualizaciones

Publicado el

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

Publicado en: Tecnología

Analyse de données et de réseaux sociaux pour l’aide à l’apprentissage informel en ligne

  1. 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. 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. 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. 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. 5. Typiquement… Vital for doctors OU Analyse
  6. 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. 7. Mais : Everyday Learning Learner Platform Analytics VLE | Website | Library Assessment | Enrollment School/University Prediction Drop out BI Planning Recommendation
  8. 8. Mais : Everyday Learning Learner Platform Analytics VLE | Website | Library Assessment | Enrollment School/University Prediction Drop out BI Planning Recommendation
  9. 9. Mais : Everyday Learning Learner Platform Analytics VLE | Website | Library Assessment | Enrollment School/University Prediction Drop out BI Planning Recommendation
  10. 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. 11. Question L’analyse de l’apprentissage dans un contexte informel, social, en ligne, pour bénéficier l’apprenant d’une façon autodirigé ?
  12. 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. 13. Difficulté #1: D'où viennent les données apprenant Navigateur identifiants AFEL et de la plateforme
  14. 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. 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. 16. AFEL Data Platform (data.afel-project.eu)
  17. 17. Exemple : Extension Navigateur
  18. 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. 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. 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. 21. Re-comprendre l’apprentissage quand il ne peut être mesuré Bennett’s four-part model of informal learning.
  22. 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. 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. 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. 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. 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. 27. Example - Couverture dans les traces de navigation Analyse de textes Clustering Analyse de progression Historique du navigateur web Zones d’apprentissage thématiques
  28. 28. Example - Couverture dans les traces de navigation
  29. 29. Example - Couverture dans les traces de navigation
  30. 30. Example - Couverture dans les traces de navigation
  31. 31. Example - Couverture dans les traces de navigation web programming british isles
  32. 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. 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. 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. 35. http://mdaquin.net @mdaquin http://afel-project.eu @afelproject

×