Les Learning Analytics en question —Distances et Médiation des Savoirs
Publié le : lun 08 avril 2019Views: 1046

Publié dans : Technologie

[yarpp]

Plan

  • Prologue
  • Un peu d’histoire, pour y voir plus clair
  • Les LA pourquoi faire ?
  • Regards critiques sur les LA
  • Épistémologie et méthodologie
  • Les effets positifs des LA sur l’apprentissage et sur la gestion des institutions de formation
  • Les points de vue de l’éthique et la déontologie
  • Quel(s) futur(s) pour les LA ?
  • Quelques questions pour ouvrir le débat

Texte intégral

Merci à L. Massou, P. Moeglin, C. Peltier et N. Roy : leurs ressources, leur écoute et leurs avis ont contribué à l’élaboration de ce texte.

Aujourd’hui, de très nombreuses recherches en sciences de l’éducation recourent à ce qu’il est convenu d’appeler les Learning Analytics (LA)1 ou l’« analytique des apprentissages numériques » (Labarthe et Luengo, 2016). Cette approche est mise en œuvre lorsqu’il s’agit d’étudier, dans des environnements informatiques pour l’apprentissage humain (EIAH)2 comme dans les dispositifs de formation partiellement ou entièrement distance, les processus d’apprentissage, les modèles ou les profils d’étudiants, de faciliter le travail d’encadrement des enseignants et des tuteurs, de soutenir les processus de métacognition et d’autorégulation des étudiants eux-mêmes, de prédire la persistance de ceux-ci et leurs chances de réussite dans la formation. Plusieurs facteurs ont contribué à renforcer ce courant : le succès rencontré par les plateformes numériques d’apprentissage et leur large diffusion depuis les années 2000 suivies quelque dix années plus tard par l’explosion des Mooc. Ce contexte a généré des masses importantes de traces relatives à des apprenants toujours plus nombreux. Poellhuber, Roy et Moukhachen (2017), citant Shah (2015), avancent à propos des Mooc, au niveau mondial, les chiffres de 35 millions d’apprenants pour cinq cents universités. Il s’agit donc bien d’une masse de données, un « gisement », terme consacré qui s’inscrit en droite ligne dans la métaphore « minière » du Data Mining (Labarthe et Luengo, 2016). De plus, ces traces, de nature multimodale3 (logs, textes, images, vidéos, etc.), sont recueillies automatiquement par des dispositifs embraqués dans les plateformes et, de plus en plus fréquemment, ces données sont interopérables.


Repéré depuis https://journals.openedition.org/dms/3485

Partagez cet article