Prédiction des liens socio-professionnels pour l

1
Prédiction des liens socio-professionnels pour l’aide à la
composition du groupe de formation sous double
contrainte
Laurie Acensio
[e-mail]
Résumé. Le contexte sociétal de la FLTV
1
incite l’adulte-apprenant à s’engager
dans des actions de formation durant toute sa carrière professionnelle.
Les interactions entre pairs au sein d’un groupe de formation en présentiel restent une
modalité privilégiée pour maintenir l’engagement de l’apprenant dans son processus
de formation. Cependant, les diverses contraintes (pédagogiques, logistiques,
budgétaires…) implique une composition du groupe de formation qui est par nature
éphémère et fortuit. Pour assurer une dynamique et une force d’attraction au sein du
groupe de formation, il convient d’une part, de rechercher l’homogénéité des profils
de l’ensemble des participants. D’autre part, il s’agit de prédire les relations socio-
professionnelles convergents pour créer des conditions favorable à la collaboration
entre pairs.
Cette article propose une méthodologie pour l’aide de la composition du groupe de
formation en se fondant sur la théorie de l’analyse des réseaux sociaux.
Keywords: Groupe de formation, analyse des réseaux sociaux, recommandation so-
ciale.
1 Contexte
1.1 Typologie des groupes
Selon 1, il est fondamental de bien distinguer trois formes d’organisation sociale
souvent assimilées à tort les unes des autres soit : les groupes privés (amis), les com-
munautés et le groupe formel :
Figure 1-Définition d’une communauté par comparaison à d’autres formes d’organisation so-
ciale
Pour ces auteurs, la création d’un groupe formel relève de l’initiative d’une per-
1
Formation Tout au Long de la Vie
Groupes privé
d’amis
Communauté
Groupe formel

2
sonne (supérieur hiérarchique, expert, formateur…). L’adhésion à une communauté,
est quant à elle volontaire par affinités professionnelles et se constitue autour d’un but
partagé. La notion des communautés de pratique largement théorisée à travers les
travaux de 2 fait apparaître que l’intérêt commun au sein d’une communauté sociale
constitue le vecteur principal pour la cohésion du groupe.
Dans un contexte de formation, de nombreuses définitions du groupe de formation
ont été proposées : selon 3, le groupe d’apprenants est un rassemblement d’individus
qui interagissent, communiquent, forment des sous-groupes en fonction des affects
(…) durant une même période à une situation d’apprentissage. Selon 4 et plus ré-
cemment 5, les caractéristiques du groupe de formation formel et non-formel se
différencie par son caractère temporel, la nature de l’activité, le mode de communica-
tion (synchrone/asynchrone) et le contexte de regroupement (présentiel/distanciel).
Cependant, bien que médiatisé par un environnement technologique, les logiques
relationnelles entre apprenants restent semblables. En effet, c’est la prise en compte
de déterminants socio-professionnels qui influence largement l’acceptation sociale
d’un individu au sein d’un groupe professionnel.
1.2 Dimension relationnelle
La dimension relationnelle alimente la dynamique et la force d’attraction du
groupe. La composition du groupe s'appuie sur une organisation permettant la distri-
bution des rôles et des statuts. Selon 6, le groupe en formation continue revêt une
importance où la comparaison sociale est omniprésente. Par conséquent,
l’appartenance à un statut professionnel influence les relations entre pairs. La menace
de jugement sur les compétences peut amener à privilégier une régulation relation-
nelle plutôt que cognitive des désaccords au détriment de la performance du groupe et
de la résolution de la tâche. Selon 7, cette asymétrie designé par le degré d’inégalité
entre les pairs en interaction renvoie à s’interroger sur la nécessité de composer un
groupe de formation homogène ou hétérogène.
Dans le domaine de l’analyse des réseaux sociaux, l’homogénéité est définie sous la
notion d’homophilie qui se fonde sur la recherche de similarité plus ou moins im-
portante des caractéristiques des individus : homophilie d’éducation (similarité des
niveaux d’études), de statut social (catégories professionnelles), d’âge, de genre, etc.
Cet indicateur permet d’évaluer la fragmentation d’un groupe social quelque soit sa
taille et le contexte d’utilisation. Toutefois, l’analyse structurale est une approche qui
se fonde principalement sur le postulat que les acteurs sociaux se caractérisent da-
vantage par leurs relations plutôt que par leurs attributs 8.
2 Approche méthodologique
En pratique, la composition des groupes de formation est une gestion organisa-
tionnelle coûteuse en temps et en ressources humaines du fait de la diversité des obli-
gations et exigences contractuelles de l’ensemble des participants (besoin de for-
mation, disponibilité, proximité géographique…).

3
L’enjeu de ce travail de recherche est la conception d’un modèle décisionnel, qui
permet partiellement d’automatiser le processus de composition de groupe de for-
mation selon des critères de regroupement préalablement définis.
Ce type d’application s’apparente à un système de recommandation dont nous pré-
sentons les principes généraux dans la section suivante, suivi de notre proposition
exploratoire.
2.1 Système de recommandation
Dans un contexte d’application informatique, les systèmes de recommandation,
employés au départ dans le commerce en ligne, se sont élargis dans le domaine de
l’éducation 9, 10. La majorité des travaux scientifiques utilisent les techniques
d’algorithmes de classification (classification hiérarchique, K-Means, réseaux de
neurones…) pour la composition automatique de groupe de formation 11. Afin de
pallier au problème de « démarrage à froid », des valeurs manquantes ou erronées des
profils utilisateurs, ces approches classifient des similarités entre objets en analysant
des utilisateurs dits « les plus représentatifs ». L’inconvénient de ces approches
symboliques est principalement lié à la modélisation du profil utilisateur (diversité et
subjectivité des variables, représentation dynamique des relations sociales…)
Plus récemment, des caractéristiques dites “qualitatives” sont des perspectives
prometteuses dans la qualité des résultats des systèmes de recommandation en y in-
tégrant des indicateurs subjectifs tels que la confiance 12, 13 l’influence sociale
14 et la croyance 15.
2.2 Proposition
Notre démarche consiste à analyser les indicateurs socio-professionnels qui influ-
ençent la création de groupe de formation. Notre approche consiste à aborder le
groupe de formation comme un réseau social et dynamique formalisé selon un mode
organisé. Dans ce contexte, le participant est désigné comme une entité sociale inter-
connectée par des liens socio-professionnels avec son réseau social complet (socio-
centrique) et distribués d’une façon hétérogène dans l’espace géographique.
Dans un premier temps, nous nous basons sur un calcul de similarité des caracté-
ristiques socio-sémantique du profil utilisateur. Les attributs discriminants choisis
sont multiples et peu évolutifs (métier, catégorie hiérarchique, intérêt de for-
mation…). Cependant, la subjectivité des attributs textuels (ou sémantiques) implique
une difficulté pour définir et quantifier la distance réelle entre profil utilisateurs. Pour
affiner notre résultat, nous nous appuyons sur la théorie de l’analyse des réseaux so-
ciaux. Dans un contexte de formation continue, nous nous intéressons par-
ticulièrement à la position des acteurs et à la densité des relations. En considérant le
groupe de formation comme un graphe, nous pouvons positionner le formateur
comme un noeud de centralité intermédiaire entre participant au sein du groupe. En
effet, cette position privilégiée lui permet d’établir des connexions entre participants

4
des différents groupes de formation et de combler les “trous structuraux”
2
dans une
configuration de structure dit en “triade”. Nous prolongeons notre approche en utili-
sant la densité des relations entre participants. Cette polarité de liens relationnels
(fort/faible) théorisé par 11 est fondatrice dans l’analyse des réseaux sociaux mettant
en exergue l’importance des relations interpersonnelles pour la cohésion du groupe.
En effet, le partitionnement rigide et figé des méthodes de classification (détection de
communauté, classification par noeud) peut omettre d’exploiter des liens relationnels
potentiels dit de “faible intensité”. Or bien que ces relations soient indirects, nous
pouvons émettre l’hypothèse d’une cohérence relationnelle sous-jacente qui peuvent
s’assimiler à des relations de collaboration affinitaire c’est-à-dire non-contraint par
une relation hiérarchique.
3 Conclusion
Le consentement libre à s’engager au sein d’un groupe de formation est principale-
ment guidé par une tendance naturelle des participants à s’associer avec des personnes
aux caractéristiques proches. Cependant, la nature des liens socio-professionnels in-
fluence la qualité de collaboration entre pairs. Notre proposition consiste à adopter un
principe de logique d’inclusion/exclusion dans la composition du groupe de formation
selon une approche sociométrique, à l’instar des approches centré sur l’individu (égo-
centrique). En effet, la nature du groupe de formation se prête aisément à une mo-
délisation fondé sur la théorie de l’analyse des réseaux sociaux impliquant une dé-
marche inductive des structures relationnelles. Son principale avantage est d’identifier
des liens existants mais non établis, pour pallier les insuffisances et les contraintes des
techniques de classification.
Références
1. Dillenbourg , Poirier, et Carles : Communautés virtuelles d’apprentissage : e-jargon ou
nouveau paragdime ?. Presse Universitaire du Québec, (2003).
2. Wenger E. : La théorie des communautés de pratique-Presses Université Laval, (2005).
3. Rey J.P. : Le groupe. Paris : Editions Revue EPS, (2000).
4. Baudoin J.M, Josso C. Penser la formation. Contributions épistémologiques de l’éducation
des adultes. Cahier de la section des sciences de l’éducation, 72. Genève : Université de
Genève, (2001).
5. Sauvé, L. : Des dispositifs en ligne pour personnaliser l’apprentissage tout au long de la
vie: quelques recommandations. Distances et médiations des savoirs. Distance and Media-
tion of Knowledge, 2(5), (2014).
6. Buchs, C., Falomir Pichastor, J. M., Mugny, G., & Quiamzade, A. Significations des posi-
tions initiales des cibles et dynamiques d'influence sociale dans une tâche d'aptitudes: l'hy-
pothèse de correspondance. Nouvelle Revue de Psychologie Sociale, 1, 134-145, (2002).
2
Selon Burt (1992), le trou structural est défini quand deux acteurs sont reliés directement à un troisième
acteur, sans être reliés directement entre eux.

5
7. Bourgeois E., Frenay M. Apprendre en groupe. Rôle de l’asymétrie et de l’argumentation
Solar, C. Introduction. Le groupe en formation des adultes. In Le groupe en formation des
adultes, pp. 100-114. De Boeck Supérieur, (2001).
8. Lemieux, V., & Ouimet, M. L'analyse structurale des réseaux sociaux. De Boeck Supé-
rieur, (2004).
9. Drachsler, H., Verbert, K., Santos, O. C., & Manouselis, N. Panorama of recommender
systems to support learning. In Recommender systems handbook (pp. 421-451). Springer
US, (2015).
10. Manouselis, N., Drachsler, H., Verbert, K., & Duval, E. Recommender Systems for Learn-
ing, (2012).
11. Marreiro Cruz W, Isotani S. Group Formation Algorithms in Collaborative Learning Con-
texts: A Systematic Mapping of the Literature- -Springer International Publishing, (2014)
12. Granovetter, M. S. The strength of weak ties. 1360-1380, (1973).
13. Meyffret, S., Médini, L., & Laforest, F. Recommandation sociale et locale basée sur la
confiance. Document numérique, 15(1), 33-56, (2012).
14. Alchiekh Haydar, C. Les systèmes de recommandation à base de confiance (Doctoral dis-
sertation, Université de Lorraine, (2014).
15. Pal, A., Counts, S. Identifying topical authorities in microblogs. In Proceedings of the
fourth ACM international conference on Web search and data mining pp. 45-54. ACM,
(2011)
16. Elarbi, F., Bouadi, T., Martin, A., Yaghlane, B. B. Fusion de préférences pour la détection
de communautés dans les réseaux sociaux Preference fusion for community detection in
social networks, (2015).