Les Learning Analytics selon Wikipedia

Voici la définition des Learning Analytics fournie par Wikipedia (traduction libre). Elle est un peu scolaire, mais prenons là comme un point de départ.

Mesure, collecte, analyse et présentation des données relatives aux apprenants et à leurs contextes, dans le but de mieux comprendre et optimiser les apprentissages et environnements associés

Les 4 niveaux de Learning Analytics

Pour être plus concret, on peut classer les Learning Analytics en catégories, voire en niveaux si l'on admet que leur mise en oeuvre se fait de manière progressive. Plusieurs modèles existent pour décrire ces niveaux (comme celui-ci), dont je me suis inspiré pour fournir ma propre interprétation.

Niveau 1 : décrire

On collecte des données reflétant l'ensemble des actes d'apprentissages : "qui a fait quoi, où, quand, comment". On s'intéresse aux faits que l'on synthétise généralement sous forme de rapports.

Facile ! Les LMS fournissent déjà ce type de rapports. Il faut pourtant veiller à ne laisser aucune activité passer sous le radar. Comment dès lors collecter des données issues des apprentissages présentiels, pratiques, informels ?

Niveau 2 : évaluer

On s'appuie sur les données collectées au niveau 1 et l'on essaie d'évaluer la situation. On juge les faits. Par exemple, "Tel apprenant a obtenu telle note. Est-ce bien ? Est-ce mauvais ?"

On s'appuie ici sur l'analyse relative. On compare les données entre elles. Par exemple, "Cet apprenant a obtenu 8/20, la meilleure note de sa classe : c'est bien. Il a obtenu 16/20, comme la plupart de ses camarades : c'est moyen."

Niveau 3 : diagnostiquer

Là encore, on s'appuie sur les données des niveaux inférieurs, mais cette fois, on essaie de les comprendre, de poser un diagnostic. Par exemple, "Cet apprenant a de mauvaises notes, pourquoi ?"

On travaille à partir de corrélations, on essaie de dégager des tendances, des relations de causalité. Par exemple, "Cet apprenant a de mauvaises notes, comme tous ceux qui n'ont pas suivi le module de remise à niveau."

Niveau 4 : prescrire

Initialement, j'intitulais ce niveau prédire et prescrire, mais la prédiction étant un art très incertain, je me contente désormais de prescrire.

Peut-on prédire les échecs ?
Voici la plus grande promesse des éditeurs de solutions à base d’intelligence artificielle. Prédire les échecs pour mieux les éviter. Doit-on les croire ? Peut-on (et faut-il) prédire les échecs ?
LEARNING DATASébastien Fraysse

L'idée générale est que la connaissance accumulée grâce aux niveaux précédents permet de mieux accompagner l'apprenant par des actions concrètes visant à réduire les risques d'échec. Par exemple, "Vous devriez suivre le module de remise à niveau qui améliorerait de 80% vos chances de réussite." On entre donc dans le domaine des recommandations personnalisées, de l'Adaptive Learning.

Des formations “adaptive”, sinon rien !
L’“Adaptive Learning” n’est pas qu’un mot à la mode. C’est une nécessité grandissante et je vais essayer de vous expliquer pourquoi. (PS : oubliez le “sinon rien”, ce n’est qu’une accroche, et non une injonction.)
LEARNING DATASébastien Fraysse

L'art du questionnement

J'aimerais terminer par une définition plus personnelle des Learning Analytics.

Au-dela des typologies, il s'agit plus à mes yeux d'un processus, d'un état d'esprit, d'une capacité à poser des questions et à tenter d'y répondre grâce aux données. Cette approche n'est clairement pas un réflexe actuellement. Il y a une véritable culture à développer au sein des équipes pédagogiques.

Toujours s'interroger. "Pourquoi ça marche. Pourquoi ça ne marche pas. Que s'est-il passé ? Puis-je tirer des leçons de cet échec ? Aurais-je pu faire autrement ? Que me disent les données ? Pourrais-je collecter des données plus pertinentes pour mieux cerner la situation ?

Finalement, c'est un mélange de bon sens, de curiosité d'un enfant de 4 ans (pourquoi ci, pourquoi ça) et la base de toute démarche scientifique.