Il vous faut un plan !

Le premier réflexe lorsque l'on se lance dans les Learning Data est souvent de collecter autant de données que possible sans avoir une vision claire de leur future utilisation. Mais comme je l'ai expliqué dans l'article suivant, ce n'est pas forcément une bonne idée.

Le piège du Garbage Data
Du “Big Data” au “Garbage Data”, il n’y a qu’un pas. Accumuler toujours plus de données peut se révéler être la pire des stratégies. Si vous n’êtes pas convaincu, lisez cet article avant qu’il ne soit trop tard.
LEARNING DATASébastien Fraysse

Ce qu'il vous faut, c'est un plan, une stratégie : définir vos objectifs à long terme, identifier les données utiles à cette stratégie, puis voir comment les collecter, les stocker, les exploiter.

Une approche efficace pour amorcer la réflexion est de considérer la temporalité de ces données, qui est globalement liée à leur granularité comme nous allons le voir à présent.

Granularité des traces

Pour commencer, je vous propose de considérer 3 types de traces d'apprentissage, des plus fines aux plus générales.

Micro-traces

Les micro-traces sont les traces générées durant une activité pédagogique, quelle qu'en soit la nature : consultation d'un contenu, session présentiel, webconf, etc. Les micro-traces décrivent une expérience d'apprentissage. Il s'agit de traces très précises (interactions). Par exemple : a changé de page, a répondu à une question du Quiz, a posé une question au formateur, etc.

Mezzo-traces

Les mezzo-traces sont des traces qui matérialisent l'achèvement d'une activité pédagogique. Par exemple : a terminé le contenu, a réussi le Quiz avec une note de 15/20, etc. Elles ne s'intéressent pas aux détails de chaque activité.

Macro-traces

Les macro-traces matérialisent l'atteinte d'un objectif pédagogique assez large ou une acquisition de compétence. Par exemple : a terminé le parcours XYZ, a été certifié sur ABC, a validé la compétence MNO niveau avancé.

Des stratégies différentes

Les 3 niveaux de granularité précédents ne sont pas obligatoires lorsque l'on met en place une stratégie Learning Data. On peut délibérément choisir de privilégier un ou plusieurs de ces niveaux.

Et c'est là que les choses deviennent intéressantes : chaque niveau de granularité correspond à des stratégies différentes, s'inscrivant dans des temporalités différentes.

Micro-traces > Court terme

  • Ces traces décrivent en détail une expérience d'apprentissage qui dure de quelques minutes à quelques heures au maximum.
  • Elles peuvent être utilisées à chaud au cours de l'activité (ex. adaptation du scénario en temps réel) ou juste après (ex. animation d'un débriefing).
  • A froid, ces traces permettront de comprendre la manière dont les apprenants "consomment" les activités, ce qui présente un fort intérêt en termes d'ingénierie pédagogique.
  • Une fois les activités passées et les boucles d'amélioration pédagogiques effectuées, la conservation des traces présente un intérêt assez faible. La suppression des traces peut donc être envisagée.
  • Un argument milite d'ailleurs en faveur d'un nettoyage régulier de ces traces : leur volumétrie qui est très élevée.

Mezzo-traces > Moyen terme

  • Ces traces décrivent de manière synthétique une période de formation pouvant aller de quelques jours à plusieurs mois.
  • Elles peuvent être utilisées pour accompagner la progression de l'apprenant dans un parcours (suivi), éventuellement de manière dynamique (Adaptive Learning).
  • Elles présentent aussi un intérêt en termes d'ingénierie pédagogique, mais cette fois concernant la conception de parcours (modalités, rythme, etc.).
  • Une fois les parcours achevés et les boucles d'amélioration pédagogiques effectuées, un nettoyage des traces peut être envisagé.
  • Les volumes de données étant modérés, la conservation des traces à moyen ou long terme n'est pas problématique. Le choix de conserver ces traces ou non dépendra des usages envisagés.

Macro-traces > Long terme

  • Ces traces reflètent les actes majeurs d'apprentissage, certifications, diplomes, validation de compétences, sur un horizon de temps très long, dans un contexte d'apprentissage tout au long de la vie.
  • Dans une entreprise, on utilisera ces traces au niveau RH pour piloter la carrière du collaborateur, identifier les collaborateurs les plus compétents pour une mission précise, etc.
  • Les volumes de données sont relativement faibles. La conservation des traces ne pose donc aucun problème.
  • Le transfert des traces entre systèmes est à prendre en considération à la fois pour l'entreprise (changement de systèmes) et le collaborateur (changement d'employeur).

TLA : un exemple de stratégie

On le voit, considérer la granularité et la temporalité des traces est un aspect structurant dans la construction d'une stratégies Learning Data. ADL, l'organisme américain à l'origine du standard xAPI, est arrivé à la même conclusion. Dans son projet TLA (Total Learning Architecture), il propose une gestion des traces selon 3 niveaux, supportées par 3 types distincts de LRS.

TLA, en bref
TLA, pour “Total Learning Architecture”, est une vision globale de la formation du futur selon ADL. xAPI n’est en effet qu’une pièce d’un puzzle bien plus vaste qu’il faut absolument découvrir.
LEARNING DATASébastien Fraysse