Educational data mining et Learning Analytics : perceptives de développement la recherche fondamentale à visée pragmatique en pédagogie universitaire

Résumé Fr

Parallèlement à l'explosion des intérêts liés aux big data (Intelligence Artificielle, Data Mining (EDM), Learning Analytics...), les environnements d'apprentissage en ligne massivement multi-apprenants (tels que les MOOC) ouvrent de nouvelles perspectives de recherche dans la mesure où il est désormais possible de collecter suffisamment de données (parfois plusieurs milliers de réponses en quelques jours avec la possibilité d'un suivi cohorte plusieurs fois par an). Ils permettent, par exemple, de modéliser le décrochage dans des conditions expérimentales idéales. Ces environnements informatiques pour l’apprentissage humains ont le potentiel de permettre des recherches en sciences humaines et sociales, comparables à l'émergence des accélérateurs de particules ou des cyclotrons pour les physiciens au siècle dernier (Heutte, 2017). Dans le cadre d'un projet financé par la Commission Européenne (Dig-e-Lab), Heutte et ses collaborateurs ont plus particulièrement étudié le MOOC Gestion de projet (GdP) développé par l'Ecole Centrale de Lille. Dans une première étude comparative sur les apprenants libres - des apprenants libres sans obligations ou contraintes académiques - (N=3132) au MOOC et les étudiants (N=1288) inscrits par leur université (les résultats finaux de l'évaluation MOOC faisaient partie de leur curriculum), Amini, Heutte et Bachelet (2018) ont trouvé une relation significative entre le statut de l'apprenant et le succès au MOOC : le taux de réussite des étudiants (85%) était supérieur à celui des étudiants en libre choix (45%). Cependant, les analyses d'Amini et de ses collègues concernant Indice d’auto-détermination (IAD) de la motivation en formation des adultes (Fenouillet, Heutte & Vallerand, 2015) met en évidence un effet totalement inverse : en ce qui concerne les candidats libres, les résultats sont significativement plus élevés pour la motivation autonome que contrôlée.Cette communication sera aussi l’occasion de partager les résultats de nouvelles analyses concernant d’autres indicateurs de la motivation et de la persistance des étudiants : l’autodétermination (Deci & Ryan, 2000, 2008), l’autorégulation (Pintrich, 2003 ; Zimmerman, 2001), les buts de maîtrise (Ames, 1992 ; Elliot, 2005) et l’autotélisme-flow (Csikszentmihalyi, 1975, 2014).Ainsi, l’émergence de ces "nouveaux terrains de jeux" pour la recherche en sciences de l’éducation et de la formation des adultes (pour les SHS, cela pourrait correspondre à la mettre opportunité que la construction des premiers cyclotrons pour les physiciens) offre à la fois de nouvelles opportunités (notamment la validation de modélisations théoriques dans des conditions méthodologiques jusqu’ici très difficile à réunir) et aussi de nouvelles contraintes (notamment conception des modèles théorique vs big data), notamment la nécessité d’un outillage méthodologique (cf. construction d’outils de mesure spécifiquement adaptés à ces contextes) afin conforter la recherche empirique dans les communauté épistémiques massivement multi-apprenants.