Newsletter

A l'université de Lorraine, la lutte contre le décrochage en L1 passe par l'analyse de données

Romain Ledroit
Publié le
Envoyer cet article à un ami
L'université de Lorraine compte récolter deux types de données : celles dites "d'évènement" et celles issues des systèmes d'information.
L'université de Lorraine compte récolter deux types de données : celles dites "d'évènement" et celles issues des systèmes d'information. // ©  PlainPicture / Design Pics
À l’heure des mégadonnées et des algorithmes prédictifs, l’université de Lorraine s’intéresse aux possibilités offertes par la science des données pour affiner sa connaissance de ses étudiants. Éclairages avec Benjamin Seclier, responsable technique du projet learning analytics de l’établissement.

Pourquoi développez-vous l’analyse des données d’apprentissage au sein de l’université de Lorraine ?

Benjamin Seclier, responsable technique du projet learning analytics de l'université de Lorraine. // © Photo fournie par le témoin

Il s’agit de créer un précédent dans l’enseignement supérieur français et de comprendre ce que sont les learning analytics. Le projet Eole, que nous portons aux côtés de l’université de Reims et de l’université de Strasbourg, a été lauréat de l’appel à projets Dune (Développement d'universités numériques expérimentales), fin 2016.

Un volet de ce projet consiste à tester cette approche, basée sur les traces de l’apprentissage de l’étudiant, dans un contexte français, et de voir comment ce sujet novateur et porteur peut trouver du sens dans les pratiques de l’université. Le projet a été initié en 2017 et se déroulera sur trois ans. Nous sommes encore dans la phase d’approche de la problématique. L’université Rennes 1 travaille également sur le sujet, à partir de ses propres données.

Lire aussi. Données et sécurité au cœur des enjeux EdTech en 2018

Comment pourrait-on résumer les learning analytics ?

Cela revient à collecter et traiter les données produites par les étudiants lors de leur apprentissage pour analyser et anticiper des comportements, grâce aux algorithmes qui vont donner de la valeur à certaines informations plutôt qu’à d’autres.

Aux États-Unis, où l’enjeu financier est très fort durant les études, les learning analytics vont accompagner la détection d’étudiants décrocheurs, en permettant d’assembler des comportements ou des faits qui donnent à penser qu’un étudiant est en situation de risque.

Dès lors, on peut renforcer son accompagnement, lui proposer un tutorat individualisé et travailler de manière rapprochée avec lui, ou même l'aider à revoir son orientation. Pour nous, il s’agit d’abord de nous intéresser au phénomène du décrochage en première année de licence, en laissant le choix ou non aux étudiants de participer à la future opération de learning analytics.

Parfois, les données en disent plus sur l'étudiant que ce que lui-même peut en dire. Comment rendre ces informations exploitables pour le principal intéressé ?

Dans certains cas, montrer à un étudiant le potentiel de risque de décrochage est un élément de motivation plutôt qu’un élément de peur. Bien sûr, il faut accompagner, travailler des approches ouvertes et pédagogiques de ces learning analytics. Je crois au fait d’aller vers une algorithmique bienveillante, surtout quand certains étudiants travaillent beaucoup et vont se rendre compte qu’ils n'arriveront pas à surmonter leurs difficultés.

Montrer à un étudiant le potentiel de risque de décrochage est un élément de motivation plutôt qu’un élément de peur.

Nous projetons de mettre en place des interfaces web, avec des graphiques et des visuels permettant aux étudiants de visualiser leurs données depuis leur ordinateur, tablette ou téléphone. Dans ce cas, il est nécessaire d’associer des psychologues et des ergonomes au travail de notre développeur, Xavier Chopin, pour définir la bonne approche.

Les cas des learning analytics montrent que les étudiants apprécient le fait de pouvoir se situer durant leur apprentissage parmi leur promotion en fonction de différents critères, en plus des notes. C’est à rapprocher de la tendance du "Quantified self" (mesure de soi), où les comportements sont comparés entre pairs sur les réseaux sociaux.

L’université de Lorraine décide de s’intéresser aux étudiants risquant de décrocher en première année de licence. Selon vous, quelles sont les données fournissant des indicateurs ?

Nous pensons récolter deux types de données : celles dites "d’événement", pour analyser la fréquence de connexion à Moodle [plate-forme d’apprentissage en ligne], la consultation d’une ressource pédagogique ou le fait de déposer un devoir à telle heure par exemple.

Le second type de données sont celles issues des systèmes d’information. Nous pourrons nous servir d’Apogée, qui centralise les notes, la situation familiale ou boursière de l’étudiant pour avoir des indicateurs. Ces informations constituent des bases de données sur les apprenants, qui seront interprétées par des algorithmes nous permettant, à terme, d’identifier des étudiants dits "à risque", grâce à notre solution logicielle de learning analytics.

Cette solution logicielle comporte un module dédié aux tuteurs : les étudiants repérés grâce à leurs données pourront ainsi être facilement mis en contact avec les équipes. Pourquoi ce choix ?

Cela répond à un réel besoin. En échangeant avec les équipes sur le campus, les tuteurs étaient en recherche de moyens pour détecter des étudiants en difficulté. Et là, nous voyons bien la pertinence technique des learning analytics. L’outil nous donne la possibilité de créer un espace de discussion avec ces publics et de garder l’historique de tous les échanges.

Les algorithmes ne sont pas neutres : ils sélectionnent et hiérarchisent des informations pour établir des modèles. C’est d’autant plus sensible lorsqu'il s’agit d’établir le profil d’étudiants dits "à risque". Comment travaillez-vous ce point ?

Ce travail sur la construction des algorithmes est en cours. Il est réalisé à Nancy par le Loria (laboratoire lorrain de recherche en informatique et ses applications). Il faut ici souligner le caractère scientifique de notre projet, et l’étroite collaboration entre le Loria et notre équipe de développement, plus particulièrement en charge de la réalisation des bases de données, pour travailler conjointement à la définition de modèles pertinents sur les plans technique et éthique.

À aucun moment nous n’ambitionnons de construire des bases de données intrusives.

Sans données, pas de learning analytics. Votre solution logicielle est développée dans un contexte nord-américain, dans lequel les données transitent beaucoup plus librement que dans le contexte européen. Comment l’université protège-t-elle la confidentialité des étudiants ?

Traiter les données de l’apprentissage, c’est, dès le départ, faire un travail d’adaptation sur la législation concernant les données personnelles. Pour travailler à la constitution du premier tableau de bord, qui concerne l’analyse des décrocheurs en L1, nous devons construire un scénario pour sélectionner les seules données qui nous seront nécessaires.

C’est de cette façon que nous avons travaillé dès le départ avec le correspondant informatique et libertés de l’université de Lorraine. Avec l'entrée en application de la RGPD (règlement général de protection des données), qui entrera en vigueur le 25 mai 2018, nous ferons de même avec le délégué à la protection des données.

La chance que nous avons est d’avoir des chercheurs, notamment Anne Boyer, très sensibilisés à la question du traitement des données personnelles. Nous nous sommes également positionnés sur le choix de l’hébergement des données, en décidant de tout conserver dans l’établissement, sans avoir recours à un hébergement extérieur. À aucun moment nous n’ambitionnons de construire des bases de données intrusives.


Romain Ledroit | Publié le

Vos commentaires (0)

Nouveau commentaire
Annuler
* Informations obligatoires