LEARNING ANALYTICS LEVERAGE YOUR LMS DATA LMS for Learning Communities SOMMAIRE EDITO P.4 LEARNING ANALYTICS - DE QUOI PARLE-T-ON ? P.5 Une rapide définition Histoire et développement Objectifs et mise en oeuvre Adaptive Learning P.6 P.7 P.9 P.11 LEARNING ANALYTICS - QUELLES APPLICATIONS POUR LE E-LEARNING ? P.12 Améliorer l'efficacité des dispositifs d'apprentissage Personnaliser les dispositifs d'apprentissage Détecter le comportement des utilisateurs face à la plate-forme d'apprentissage Évaluer l'efficacité des échanges collaboratifs et identifier les membres influents du réseau P.13 P.15 P.17 LES TECHNIQUES UTILISÉES P.20 Fouille de données (data mining) Clustering - Modélisation des styles d'apprentissage Analyse prédictive Analyse des réseaux sociaux Analyse textuelle et du langage naturel P.21 P.23 P.24 P.26 P.28 QUELS BÉNÉFICES ET POUR QUELS ACTEURS ? P.29 Bénéfices pour l'apprenant Bénéfices pour le Responsable Formation Bénéfices pour le Chief Learning Officer P.30 P.31 P.32 P.19 360Learning accompagne plus de 900 organisations dans leur transformation digitale EDITO Ce n’est plus un secret, le numérique bouleverse progressivement notre quotidien et toutes les sphères de la société. Sous réserve d’un accès à Internet et d’un terminal « connectable » au réseau, l’information est aujourd’hui accessible partout, tout le temps. Les internautes naviguent, au gré de leurs envies et besoins, cliquent çà et là, commentent, achètent, aiment et apprennent : autant de petites actions traçables amenant un déluge de données. Bienvenue dans le Big Data ! L’ère du tout mesurable, tout modélisable, tout actionnable et prédictif. C’est le marketing qui le premier s’empare de la « data » pour séduire et favoriser l’acte d’achat. Amazon en est certainement l’une des meilleures illustrations avec ses algorithmes de recommandation. Chaque page visitée, élément mis au panier ou acheté est pondéré, croisé avec d’autres banques de données, dans l’unique but de personnaliser l’expérience et d’amener à acheter plus, plus souvent : à favoriser l’engagement en somme. ANTOINE ZILIANI X-Telecom, spécialisé en Mathématiques Appliquées, expert en Analyse de données et E-Learning CLÉMENT LHOMMEAU VP Marketing de 360LEARNING , Auteur de "MOOC. L'apprentissage à l'épreuve du numérique", Éditions FYP Les données d’apprentissage issues des plateformes LMS sont elles aussi une richesse incroyable encore largement sous-exploitée par la majorité des acteurs du secteur. Ceci, pour de multiples raisons : manque d’entreprises innovantes positionnées sur le sujet, réticences des formateurs et enseignants au regard du respect de la vie privée, et bien d’autres. Et puis, quelles données mesurer ? Quels comportements analyser ? Pour quelles actions en réponse ? Pas toujours évident de s’y retrouver. Mais qu’on ne s’y trompe pas, l’heure du « Big Data for Education » est arrivée. En France et ailleurs, des entreprises innovantes comme CrossVia et 360Learning marquent le pas pour donner à la formation professionnelle et l’éducation en ligne un nouveau souffle. Les expériences d’apprentissage deviennent personnalisées, individualisées, fluidifiées et simplifiées. La DataDriven Education est en marche. Bonne lecture. LEARNING ANALYTICS DE QUOI PARLE-T'ON ? LMS for Learning Communities 6 UNE RAPIDE DÉFINITION La digitalisation de notre environnement nous soumet depuis quelques années à un déluge de données. Ce phénomène, qui est à la base du concept de Big Data, touche tous les aspects de notre vie, et en particulier, ceux du monde professionnel. Ce flot continu de données constitue des challenges importants, mais crée également des opportunités sans précédent. L’exploitation de ces données promet de nouveaux gisements de valeur. La promesse du Big Data est de rendre lisible et exploitable ce déluge de données, et de créer de nouveaux services qui amélioreront nos vies. Le monde de la formation et de l’apprentissage n’y échappe pas, et la digitalisation de ces activités fournit un contexte propice à de nouvelles méthodes d’analyse. Ce domaine étant relativement récent, plusieurs définitions ont été proposées, sans qu’aucune ne fasse consensus. De manière générale, nous pouvons dire que le domaine des Learning Analytics est constitué de méthodes d’analyse et de détection de modèles dans les données collectées par les systèmes d’apprentissage, et utilisées pour soutenir l’expérience d’apprentissage. 7 HISTOIRE ET DÉVELOPPEMENT Le développement du web 2.0, au début des années 2000, a mis en évidence les possibilités de collecter des quantités massives de données produites par les utilisateurs de ces services. Ce phénomène n’a pas épargné le monde de l’éducation et de la formation, et ces domaines ont été également fortement digitalisés durant cette décennie. Avec la disponibilité de bases de données massives issues de systèmes d’éducation, les travaux de recherche visant à exploiter ces données se sont multipliés, avec pour objectif d’améliorer les systèmes, permettre aux éducateurs de mieux évaluer les processus d’apprentissage, et aux apprenants d’être plus efficaces dans leur démarche d’apprentissage. Plusieurs communautés de recherche se distinguent dans le domaine : INTERNATIONAL EDUCATIONAL DATA MING SOCIETY http://www.educationaldatamining.org/ Vise à développer les méthodes d’exploration des données issues des systèmes éducatifs, pour mieux comprendre les apprenants, et les systèmes au sein desquels ils apprennent. SOCIETY FOR LEARNING ANALYTICS RESEARCH http://www.solaresearch.org/ Réseau interdisciplinaire de chercheurs internationaux explorant le rôle et l’impact des méthodes d’analyse avancées (Analytics) sur l’enseignement, l’apprentissage, la formation et le développement. INTERNATIONAL ARTIFICIAL INTELLIGENCE IN EDUCATION SOCIETY http://iaied.org/about/ Communauté internationale à la frontière des domaines des sciences informatiques, de l’éducation et de la psychologie, elle fait la promotion de travaux de recherche rigoureux et du développement d’environnements d’apprentissage interactifs et adaptatifs. Le domaine des Learning Analytics, très populaire, est aujourd'hui abordé dans des sommets internationaux (WISE, Forum Économique Mondial de Davos, etc.). L'émergence des MOOC, qui ont permis de collecter des quantités de données encore jamais vues dans le domaine de l’apprentissage, ont fait sortir ces approches des laboratoires de recherche, pour investir le monde de l’industrie. L’objectivation de l’apprentissage est un enjeu reconnu depuis longtemps. Les résultats d’évaluations, les notations et les classements ont fourni le fondement de cette objectivation, et ont permis, avec un relatif succès, d’explorer les avantages de l’individualisation de l’apprentissage. La digitalisation apporte une toute nouvelle dimension, en permettant de collecter et traiter massivement, et de manière systématique et égalitaire, des données liées non seulement à l’acquisition des connaissances, mais également au comportement des utilisateurs face au système. Cette analyse renforcera considérablement les capacités d’objectivation de l’apprentissage, et constituera une base très prometteuse pour la mise en œuvre de son individualisation. 9 OBJECTIFS ET MISE EN OEUVRE La mise en œuvre de Learning Analytics vise in fine à améliorer l’efficacité des dispositifs de formation. Cette efficacité peut être définie de différentes manières. Chaque partie prenante a d’ailleurs souvent sa propre définition, en fonction de son domaine d’intervention : Responsable de formation Chief Financial Officer Chief Learning Officer Chief Executive Officer LE RESPONSABLE DE FORMATION pourra par exemple chercher à améliorer la portée de ses dispositifs, et à obtenir les meilleures évaluations possibles à l’issue de ceux-ci. LE CHIEF LEARNING OFFICER voudra démontrer l’impact de son plan de formation sur l’acquisition, par les collaborateurs, des outils nécessaires à la tenue de leur poste de travail, et d’une manière générale, sur l’élargissement des compétences dans l’entreprise. LE CHIEF FINANCIAL OFFICER cherchera à optimiser le ROI des dépenses liées à la formation. LE CHIEF EXECUTIVE OFFICER cherchera à maximiser la performance opérationnelle de ses collaborateurs, notamment grâce à la mise en œuvre d’actions de formation. Quelle que soit l’approche retenue pour évaluer l’impact des dispositifs de formation sur la marche de l’entreprise, et mesurer l’efficacité correspondante, il est nécessaire de mettre en évidence comment ces dispositifs améliorent (ou non) les compétences et savoir-faire utiles à la réalisation des missions de l’entreprise, et comment ils impactent les indicateurs de performances (notamment financier). Cette approche dépasse le cadre strict des Learning Analytics, mais, toujours dans le cadre d’approches « data driven », il est possible de modéliser, notamment grâce aux données collectées par le système global d’information de l’entreprise, les liens de causes à effets entre formation et performance. Dans la suite du document, l’efficacité des dispositifs de formation pourra donc être interprétée selon les parties prenantes concernées. 11 ADAPTIVE LEARNING Les Learning Analytics ont une application évidente : l’industrialisation massive de l’individualisation de la formation (adaptive learning). Sans automatisation, l’individualisation de la formation en ligne ou blended est impensable. Les méthodes présentées dans la suite permettent d’analyser, et de comprendre, de manière automatique, les spécificités de chaque apprenant. Sur cette base, l’adaptation automatisée des dispositifs en fonction de leurs besoins, de leurs acquis et de leur contexte devient possible. LEARNING ANALYTICS - QUELLES APPLICATIONS POUR LE E-LEARNING Fournir des mesures de performance des dispositifs de formation est une nécessité pour les responsables de formation. Sans elles, ces responsables n’ont aucun moyen de vérifier l’atteinte des objectifs. Mais les techniques d’analyse aujourd’hui disponibles permettent d’aller plus loin, et d’envisager de nouvelles applications, au service de la qualité et de l’efficacité des dispositifs de formation. Quelques exemples, détaillés dans les pages suivantes, illustrent ces possibilités. LMS for Learning Communities 13 AMÉLIORER L'EFFICACITÉ DES DISPOSITIFS D'APPRENTISSAGE Les fonctionnalités de reporting et d’analyse des LMS disponibles sur le marché fournissent les indicateurs permettant de suivre le bon déroulement des dispositifs déployés, ou d’identifier ceux qui présentent des anomalies : taux de connexion limité, progression inférieure aux prévisions, complétion insuffisante, etc. Les responsables de formation, après avoir constaté ces problèmes, doivent en trouver l’origine. Cette analyse nécessite une expertise poussée en matière de dispositif en ligne, et les causes peuvent parfois être délicates à identifier. De plus, le constat arrive souvent trop tard pour réagir de manière réactive et permettre au dispositif de se dérouler de manière optimale. Les responsables de formation ont-ils les moyens de réagir plus rapidement, voire d’anticiper ses problèmes ? Des techniques existent pour renforcer l’identification de ces problèmes. Nous pouvons citer les mécanismes de détection d’anomalies en apprentissage statistique, utilisés par exemple dans le monde bancaire pour détecter les fraudes. Dans notre cas, la plate-forme peut apprendre à détecter des comportements qui ne sont pas conformes à ceux attendus ou observés jusque là. Une mauvaise réponse systématique à une question d’un quizz est un exemple de comportement non conforme. Si le système est capable d’alerter rapidement le responsable de formation, celui-ci sera en mesure de corriger la question et permettra aux apprenants de poursuivre leur formation dans de meilleures conditions. Un contenu systématiquement ignoré constitue également un comportement non conforme. Le responsable de formation, alerté rapidement, pourra analyser les causes et modifier son dispositif pour s’assurer que les ressources incluses sont toutes pertinentes. 15 PERSONNALISER LES DISPOSITIFS D'APPRENTISSAGE La personnalisation des dispositifs de formation est une des clés pour en renforcer l’efficacité. Il est illusoire de penser que chaque utilisateur d’un dispositif e-learning va suivre le déroulement de la même manière. Pour mettre en œuvre cette personnalisation, les plates-formes ont diversifié les formats des contenus diffusés (modules interactifs, vidéos, courtes, fichiers pdf, quiz, mini-jeux, etc.), pour permettre aux apprenants de choisir ceux qui leur conviennent le mieux. Ces plates-formes sont également disponibles sur des canaux différents (interfaces web, applications mobiles, etc.), pour permettre d’y accéder le plus facilement possible et en toute circonstance. Enfin, des notifications peuvent informer les apprenants de leurs échéances, des contenus les plus populaires, éventuellement d’une sélection mise en avant par un expert ou responsable de la formation. Est-ce suffisant ? Comment peut-on garantir que l’apprenant va consulter le contenu le plus approprié, dans le contexte de son utilisation, et ainsi garantir une efficacité maximale ? L’apprentissage automatique des préférences de l’utilisateur est une réponse à cette problématique. Cet apprentissage peut avoir lieu à différents niveaux : Formats e-learning les plus efficaces en fonction du contexte d’utilisation (heure et lieu d’utilisation), de l’avancement dans la formation, des activités déjà réalisées, etc. Canal d’utilisation (web, mobile) favori en fonction du contexte d’utilisation, de l’historique d’utilisation, de l’avancement dans le dispositif, etc. Ces nouvelles informations permettent de personnaliser le dispositif de formation pour chaque utilisateur. Ces mécanismes pourront adapter la liste des modules mis en avant (une vidéo courte mise en avant le matin durant les horaires de trajet domicile-travail), ou rendus obligatoires. Ils pourront également générer des notifications personnalisées à des moments clés (si l’utilisateur consulte régulièrement la plate-forme vers 17h, celle-ci peut générer une notification à cette heure de la journée pour systématiser cette habitude). Cette approche ne cherche pas à définir des règles qui pourraient s’appliquer à une catégorie d’utilisateurs, et préciser comment adapter les dispositifs de formations en fonction de ces règles. A l’inverse, elle cherche à évaluer l’influence des différents paramètres (format pédagogique, heure et lieu d’utilisation, rythme, historique et séquences pédagogiques mises en œuvre, réponses aux quiz) sur les choix de l’utilisateur pour « prédire » ses choix futurs. 17 DÉTECTER LE COMPORTEMENT DES UTILISATEURS FACE À LA PLATEFORME D'APPRENTISSAGE L’isolement des utilisateurs de plates-formes e-learning est l’un des principaux reproches qui a été formulé à l’encontre de ces dispositifs. A la différence des formations présentielles, il est difficile de savoir, en temps-réel, ce que ressent l’apprenant. Un formateur présentiel est en mesure d’adapter son style ou son contenu en fonction du feedback immédiat qu’il peut obtenir de la part des stagiaires. Si l’un des stagiaires s’ennuie, ou décroche, le formateur peut intervenir pour modifier ce comportement, et améliorer l’efficacité de sa formation auprès de cet apprenant. Comment déterminer le comportement, voir l’état d’esprit d’un utilisateur de plate-forme e-learning, en temps-réel ? Que peut-on faire si l’utilisateur se comporte d’une manière qui n’est pas dirigée vers l’apprentissage ? L’analyse des interactions de l’utilisateur avec l’interface de la plate-forme peut renseigner sur son comportement. Des modèles de détection de comportement permettent de déterminer, de manière fiable, lorsque l’utilisateur joue avec le système (stratégie de progression au sein du dispositif sans apprentissage), lorsqu’il utilise le système pour autre chose que de l’apprentissage, ou enfin quand l’utilisateur parcourt le contenu pédagogique trop vite pour que l’apprentissage soit efficace. L’analyse de ces interactions peut également permettre de déterminer l’état d’esprit de l’apprenant : est-il engagé dans son expérience d’apprentissage ? Est-il frustré, s’ennuie-t-il ? Sur la base de cette connaissance, il est plus facile d’imaginer des mécanismes d’interventions automatisées pour permettre à l’apprenant de se remettre dans une situation où l’apprentissage pourra être mené de manière plus efficace. 19 ÉVALUER L'EFFICACITÉ DES ÉCHANGES COLLABORATIFS ET IDENTIFIER LES MEMBRES INFLUENTS DU RÉSEAU Social learning, apprentissage informel ou collaboratif… Ces approches ont enrichi les dispositifs de formation à distance depuis plusieurs années. Les échanges entre pairs, le partage d’expérience, la recherche d’aide auprès d’une communauté sont autant de pratiques sources d’apprentissage. Des méthodologies d’animation ont été développées pour assurer l’efficacité de ces espaces d’échanges et d’apprentissage collaboratif. Cependant, ces méthodologies ne sont pas particulièrement outillées. Comment peut-on s’assurer que ces espaces vont réellement permettre de développer l’efficacité des dispositifs de formation, et comment capitaliser sur la valeur créée au sein des réseaux sociaux ? Les techniques d’analyse de réseaux sociaux et de langage naturel fournissent les outils pour identifier les structures porteuses de valeur au sein des interactions d’un réseau social. En s’appuyant sur les éléments mis en lumière par ces techniques, le « Learning community manager » disposera d’une vision précise de l’activité au sein du réseau social. A la manière d’un formateur en salle, capable de repérer les éléments moteurs d’une formation, ou de développer une conversation en aparté, pour en faire bénéficier toute la classe, le formateur en ligne pourra disposer d’un tableau de bord lui permettant de repérer les conversations en ligne pouvant être développées et partagées, ou bien identifier les apprenants influents et renforcer sa méthodologie d’animation en s’appuyant sur eux. LES TECHNIQUES UTILISÉES Les travaux de recherche menés depuis l’émergence de cette discipline ont permis de mettre au point un nombre important de techniques et d’algorithmes. Nous présenterons ici les principales approches, sans rentrer dans des considérations techniques trop détaillées. LMS for Learning Communities 21 FOUILLE DE DONNÉES (DATA MINING) Les techniques de Data mining sont à la base de l’exploration des grands volumes de données. Ces approches, appliquées aux données d’apprentissage, permettent de mettre en évidence des caractéristiques propres à ce domaine. INFÉRENCE DE CONNAISSANCES Les travaux sur les algorithmes d’inférence de connaissances sont probablement à l’origine de l’émergence des disciplines de Learning Analytics et Educational Data Mining. Bayesian Knowledge Tracing (BKT) : la plus ancienne, cette approche mesure l’acquisition d’une connaissance spécifique au cours du temps, et non pas d’un ensemble de connaissances L’objectif de ces algorithmes est de mesurer ce qu’un apprenant connaît à un instant donné, et qui est significatif dans son expérience d’apprentissage en cours. En d’autres termes, on mesure l’acquisition de connaissances au cours du temps, et non pas la capacité à démontrer la connaissance (on peut démontrer une connaissance en devinant, par chance, ou au contraire, on peut échouer à démontrer une connaissance bien qu’elle soit acquise). Performance Factor Analysis (PFA) : adresse certaines limitations de BKT, permet de mesurer l’acquisition de plusieurs connaissances en même temps, et est plus souple dans son paramétrage, mais en contrepartie, son interprétation est plus difficile Les principaux algorithmes d’inférence de connaissances sont : Item Response Theory (IRT) : principalement utilisé dans les systèmes d’évaluation, et moins dans les systèmes d’apprentissage, car une de ses hypothèses de base est qu’aucun apprentissage n’intervient entre les items mesurés (cas des évaluations et pas des formations) DÉCOUVERTE DES STRUCTURES DE CONNAISSANCES Ces méthodes fournissent des modèles pour découvrir automatiquement les relations entre item de formation (contenus au sein d’un dispositif de formation) et domaine de connaissance, avec une qualité acceptable. Ce mapping peut être utile pour vérifier la bonne utilisation des ressources de formation, et associé aux techniques d’inférences de connaissance, vérifier la performance du dispositif. Les principales méthodes appliquées à ce problème sont les approches basées sur les Q-matrix et les techniques de « Learning Factor Analysis ». 23 CLUSTERING MODÉLISATION DES STYLES D'APPRENTISSAGE L’objectif de cette approche est d’identifier automatiquement les différents comportements d’apprentissage des apprenants, et d’associer ces comportements à des catégories non déterminées par avance, mais apprises par le système. Cette approche permet de s’affranchir d’une étape préalable d’identification ou de modélisation manuelle, et s’adapte aux variations observées entre bases d’apprenants. La modélisation des styles d’apprentissage n’est pas une fin en soi, mais peut être utilisée comme étape préliminaire à d’autres traitements, comme par exemple la recommandation personnalisée de contenus, l’adaptation personnalisée de dispositifs, ou la recommandation de membres dans le réseau social (cf. ci-dessous). Les principales techniques utilisées sont les techniques classiques de clustering, et en particulier : Les approches basées sur les centroïdes, qui représentent le centre de chaque groupe. Les algorithmes comme celui des k-moyennes cherchent à optimiser la position des centroïdes pour minimiser la distance des points du jeu de données au centre qui leur est attribué. Les approches basées sur une estimation des distributions de probabilité des données. Les clusters sont considérés comme des objets appartenant à la même distribution. La principale technique est connue sous le nom de modèle de mélange gaussien. Les approches basées sur l’estimation des densités. Les clusters sont définis comme les ensembles de points de plus grande densité que le reste du jeu de données. 24 ANALYSE PRÉDICTIVE L’analyse prédictive permet de faire des hypothèses sur les évènements futurs en s’appuyant sur l’observation des faits passés. L’hypothèse principale est que la capture des relations entre variables explicatives et variables expliquées, issues des observations passées, permettra de prédire les futures variables expliquées, avant de les observer. Une des principales applications est la recommandation : prédire les choix futurs d’un utilisateur pour les lui suggérer. Netflix et Amazon sont deux entreprises très médiatisées, qui utilisent ces approches pour développer leur modèle d’affaire. Ce mécanisme est tout à fait applicable au domaine de la formation. RECOMMANDATION DE CONTENUS E-LEARNING Plusieurs approches sont possibles pour proposer du e-learning : des dispositifs structurés et cadencés peuvent être prescrits aux apprenants. Ceux-ci suivent une chronologie déterminée, et consultent les ressources sélectionnées par le concepteur. Les apprenants peuvent également avoir accès à une bibliothèque de contenus en libre service. Dans ce cas, le principal outil mis à disposition pour identifier les contenus pertinents est le moteur de recherche intégré. Lorsque le volume de contenus est important, et considérant le phénomène de la « longue traine », de nombreux contenus risquent de ne jamais être consultés (les pages de résultats au delà de la deuxième sont très rarement consultées). Un mécanisme de recommandation, prenant en compte non seulement la similarité des items recherchés, mais également la similarité de l’historique de consultation des autres apprenants, peut identifier des contenus pertinents à mettre en avant, et ainsi individualiser la sélection de contenus proposés à un apprenant. Les deux principales approches sont la recommandation basée sur les contenus, et le filtrage collaboratif, qui s’intéresse au lien entre utilisateurs et items. Des systèmes hybrides combinant les deux approches ont souvent montré des résultats significativement meilleurs. RECOMMANDATION SOCIALE Grâce au développement du social learning, de nouveaux types de données sont générés et collectés par les systèmes d’apprentissage. On peut notamment citer les relations créées entre les membres, les discussions et commentaires, les « like », les contenus partagés, etc. Le succès d’un réseau social passe par l’engagement de ses membres. Une animation éditoriale bien conçue peut susciter l’intérêt des membres et les inciter à consulter les publications et contribuer au réseau social. Mais des méthodes automatiques peuvent aussi être appliquées en complément. Les mécanismes de recommandation sociale sont similaires aux recommandations de contenus, mais s’appuient sur des données spécifiques, organisées autour du graphe du réseau social. Le graphe est la structure de données qui représente les connexions entre les différents objets du réseau : membres, contenus, discussions, activités sociales, etc. Ces méthodes permettent de déterminer les objets pertinents à soumettre aux membres du réseau : d’autres membres à suivre, des discussions pertinentes, des contenus partagés, etc. 26 ANALYSE DES RÉSEAUX SOCIAUX Une bonne compréhension de l’activité et de la dynamique du réseau social permet de mieux piloter celui-ci. La nature particulière des données gérées par le réseau et organisées autour du graphe, implique de définir de nouvelles mesures adaptées. MÉTRIQUES ET MESURES La théorie de l’analyse des réseaux sociaux s’est développée depuis de nombreuses années. Mais depuis l’apparition des grands réseaux sociaux publics comme Facebook ou Twitter, ces outils ont connu une nouvelle popularité. Le diamètre d’un réseau (ou de sa plus grande composante en cas de réseau déconnecté) est le maximum des plus courts chemins entre chaque couple de nœuds du réseau Plusieurs définitions et statistiques spécifiques aux réseaux sociaux sont utilisées : Ces définitions ont permis de définir les mesures propres aux réseaux sociaux, et en particulier les notions de centralité. Ces notions caractérisent localement les réseaux sociaux, et déterminent les éléments importants de ceux-ci, comme les influenceurs, les intermédiaires. Une composante d’un réseau est un ensemble de nœuds entièrement connectés, c’est à dire qu’il existe un chemin entre tous les couples de nœuds de l’ensemble Le degré d’un nœud est le nombre de voisins de ce nœud DÉTECTION DE COMMUNAUTÉS Des groupes se forment naturellement au sein des réseaux sociaux. L’analyse de ces groupes, qu’on appelle communautés dans le cadre de réseaux sociaux en ligne, est particulièrement instructive pour comprendre la dynamique du réseau, et dans le cas particulier des réseaux d’apprentissage, comment les apprenants l’utilisent pour renforcer leurs formations. Les principales techniques de détection de communautés se basent sur le calcul de l’intermédiarité (betweenness) d’une connexion. Une valeur importante de cette mesure suggère que la connexion relie deux communautés différentes. En appliquant un seuil à la valeur de l’intermédiarité des connexions du réseau, nous obtenons ainsi une segmentation du réseau en communautés. 28 ANALYSE TEXTUEL ET DU LANGAGE NATUREL L’analyse automatisée des contributions des membres du réseau social nécessite une approche particulière, basée sur des techniques de traitement du langage naturel. Les techniques spécifiques mises en œuvre dans ce cadre peuvent être : Classification des sujets et « tagging » automatique – probablement l’une des applications les plus populaires de ce domaine, elle permet d’associer à chaque contribution un ou plusieurs labels, issus d’une taxonomie centralisée ou proposée par les apprenants. Cet enrichissement de données peut être utilisé par la suite pour améliorer la recherche de contenus ou les briques de recommandations sociales par exemple. Résumé automatique des discussions – permet d’extraire les informations pertinentes d’une discussion et créer une représentation visuelle condensée de celle-ci, pour par exemple faciliter le travail d’un modérateur ou d’un formateur chargé d’animer la communauté. Analyse des sentiments et des opinions – permet d’identifier les sentiments clés exprimés au sein des discussions portées par le réseau social. L’identification de ces sentiments fournira au responsable formation une connaissance poussée de la perception qu’ont les apprenants des dispositifs de formation et des contenus pédagogiques mis à disposition. QUELS BÉNÉFICES ET POUR QUELS ACTEURS ? La mise en place d’une approche d’optimisation et d’amélioration continue, basée sur l’analyse des données d’apprentissage en ligne, a de multiples bénéfices, pour l’ensemble des acteurs. LMS for Learning Communities 30 BÉNÉFICES POUR L'APPRENANT Les apprenants seront les premiers bénéficiaires d’une telle approche. Les nouveaux usages que permettrait une approche orientée data fourniraient aux apprenants les avantages suivants : Suivre des dispositifs de formation fortement personnalisés, adaptés à leurs besoins en temps-réel, et bénéficier d’un « sur-mesure » à grande échelle Apprendre face à un système capable de détecter les déficits d’engagement, et qui s’adapte à ces états pour remettre l’apprenant en situation d’apprentissage Ces avantages visent tous le même objectif pour l’apprenant : optimiser l’acquisition et la rétention des connaissances, et in fine améliorer sa performance opérationnelle. 31 BÉNÉFICES POUR LE RESPONSABLE FORMATION L’évaluation des dispositifs de formation en ligne reste un sujet difficilement traité. Les méthodes classiques d’évaluation des formations e-learning sont généralement effectuées après le déroulement de celles-ci, et peu d’indicateurs pertinents permettent au responsable de formation de réagir rapidement, si un problème se présente. La mise en place de méthodes d’analyse en continu des données générées lors du déroulement des dispositifs de formation pourra fournir aux responsables de formation les moyens d’évaluer et de suivre la qualité des séquences d’apprentissage au sein des dispositifs, au fur et à mesure de l’avancement de celles-ci. En cas d’anomalie détectée et caractérisée, le RF sera en mesure de comprendre l’origine du problème et d’apporter une réponse rapide et efficace, permettant ainsi aux apprenants de poursuivre leur dispositif dans les meilleures conditions. Enfin, ces mécanismes de suivi en temps-réel fournissent l’environnement idéal à l’expérimentation et la mesure d’efficacité de nouvelles approches pédagogiques, testées à grande échelle. 32 BÉNÉFICES POUR LE CHIEF LEARNING OFFICIER Comment démontrer et mesurer l’apport de la formation sur la valeur créée par l’entreprise ? Répondre à cette question permettrait de montrer à quel point la formation peut être source de profits. Une analyse croisée du développement des compétences apportées par la formation, et de l’évolution de la performance individuelle et globale, dessinera une image précise des liens entre formation et création de valeur. Cette approche fournira un nouveau moyen d’évaluer le ROI de la formation. L’usage des techniques d’analyse et de modélisation ne s’arrête pas là. En abordant la question de la performance opérationnelle, tous les domaines de l’entreprise sont concernés. L’organisation des entreprises modernes rend l’analyse des impacts de chaque fonction complexe, comme pour la mise en évidence des relations de cause à effet. La promesse des techniques d’analytics réside ici : mettre en évidence les signaux cachés qui permettront de développer la création de valeur. NOUS CONTACTER : 360LEARNING TEL : 0811 465 717 7 RUE DE SURÈNE 75008 PARIS [email protected] WWW.360LEARNING.COM CROSSVIA TEL : 06 30 54 53 49 99BIS, AVENUE DU GÉNÉRAL LECLERC 75014 PARIS [email protected] WWW.CROSSVIA.COM LMS for Learning Communities