Quel Mooqueur êtes-vous ?

News
Cet article a été vu (472) fois.
Source : blog.educpros.fr
Auteur : Matthieu Cisel
Date de l'info : 9 février 2015

eLearning-internet

Pouvoir catégoriser les apprenants via les learning analytics, c’est l’un des principaux axes de recherche de la communauté scientifique. Je vous propose de revenir brièvement sur une étude réalisée conjointement par des chercheurs de Cornell et de Stanford, et qui mérite le détour. Explications.

Un jeune doctorant de Stanford, René Kizilcec, avait déjàfait un papier qui avait eu un certain impact, sur la question de la catégorisation en fonction de la manière dont les participants se désengagent. Pour mémoire, voici une de ses figures, où il montre comment d’une semaine à l’autre on passe d’une catégorie d’apprenant à une autre (d’actif à inactif par exemple).

Image1

Celle d’Anderson et al. est légèrement différente. L’originalité de cette étude est d’abord qu’elle s’est penchée sur deux MOOC organisés sur Coursera ayant été répétés trois fois chacun : le « Machine Learning » (ML)  de Stanford et le  « Probabilistic Graphical Models » (PGM). Autre intérêt de l’étude : ils se sont penchés sur les forums, l’utilisation des vidéos et la participation aux activités (des quizz).

Image2

Voilà par exemple une table qui reprend les principales statistiques du cours. Vous voyez que pour le ML, on a une dynamique ascendante, avec un nombre d’inscrits qui double entre la deuxième et la troisième édition du cours. Au contraire, pour PGM, une hausse suivie d’une baisse. Pas très loin de ce qu’on a fait d’ailleurs pour le papier pour le colloque EMOOC 2015.

Les chercheurs se sont intéressés à un gradient de comportement entre ceux qui, à une extrémité, regardent les vidéos et ne participent à aucune activité : ils les appellent les « Viewers« , nous les appelleront les « auditeurs libres ». Et à l’autre extrémité, vous avez ceux qui vont faire les exercices sans consulter les vidéos, probablement parce qu’ils connaissent déjà le contenu du cours. Ils les appellent les « Solvers« , nettement plus rares. Et vous avez tout une population entre les deux qui fait des deux. On les appelle les « All-rounders« . Quand on regarde la distribution à l’échelle d’un MOOC (ML1 pour première édition du Machine Learning), cela donne ça.

Pour lire l’article dans sa totalité veuillez cliquer ici.

FacebookTwitterLinkedInGoogle+Email