Upload
serge-garlatti
View
147
Download
2
Embed Size (px)
Citation preview
LEARNING ANALYTICS ENTRE
PROMESSES & RÉALITÉS
S. Garlatti, A. ItaniR. Affane, L. Crucq
PLAN
IntroductionMOOCs OpenClassroom
IntroductionProcessus d’Analyse
Pré-traitementCatégorisationIndicateurs proposésPhase d’Apprentissage
Application des indicateurs Modèle de Prédiction Testing & Evaluation Optimisation
ExamplesConclusion
INTRODUCTION
LEARNING ANALYTICS: INTRODUCTION
TEL Researchers
LEARNING ANALYTICS: INTRODUCTION
TEL Researchers
LEARNING ANALYTICS: INTRODUCTION
Traces« Format sémantique » de traces
Ducobu se connecte à la plateformeDucobu commence l’activité de résolution de poblèmeDocubu lit les consignes de l’enseignantDucobu étudie l’énoncé du problèmePetit ……
6
Avant de démarrer
LEARNING ANALYTICS: INTRODUCTION
Traces
7
En cours de projet
MOOCS OPENCLASSROOM
INTRODUCTION
INTRODUCTION
Deux catégories d’apprenants
Les Premiums
Les Non Premiums
Objectifs Prédire l’abandon et l’échec des apprenants Trouver les causes des abandons et des échecs
26/12/2016 Prédiction des abandons dans les MOOCs9
Introduction
• Arrêter de suivre le cours • Arrêter d’interagir avec le
cours pendant un certain temps
FailingScore < 70% Successful
Score ≥ 70%Dropping
MOOCS OPENCLASSROOM
PROCESSUS D’ANALYSE
Processus d’Analyse
Pre-processing &
Categorization
PredictionModel Optimization
Indicators’ Derivation & Application
Testing & Evaluation
1
2
3
4
5
Traces
Pré-Traitements
Échange d'informations avec OpenClassrooms pour
• Comprendre les données.• Atteindre la cohérence des données en
structure et en contenu.
Nettoyage avec R
• les user_ids manquants de la table utilisateur qui correspondent aux comptes utilisateur désactivés.
• les événements dupliqués dans le tableau des résultats.
• considérez la note le plus récent de note d'utilisateurs multiples pour le même cours.
• Demander l'inclusion de certains champs manquants de tableau.
Application des règles de catégorisation des utilisateurs avec MySQL Workbench
Dropping Failing Dropping Failing
Successful Un-successful Un-successful Successful
Non-Premium Premium
Learners
Catégorisation
I1 …. In
Indicateurs proposés
Groupes d’apprenants
Premium Drop
Premium Fail
Non Premium
Drop
Non Premium
Fail
I1: Réalisation des parties de cours et des exercices
I2: Score des exercices I3: Temps passé par exercice I4: Fréquence d’accomplissement des parties
et des exercices I5: Fréquence de visualisations du cours I6: Ordre de parcours des parties de cours et
des exercices• Le nombre de retours en arrière• Le parcours qu'emprunte la majorité des
apprenants dans le cours• L’endroit où les apprenants arrêtent
d’interagir avec le cours• Les endroits où les retours en arrière sont
les plus fréquents
……, In
2
Indicateurs Proposés
MOOCS OPENCLASSROOM
PHASE D’APPRENTISSAGE
I 1…
. I n
I1
G1 G2 G3 G4
v1 v2 v3 v4
Calcul par Indicateur
Appliquer chaque indicateur sur les quatre catégories d'apprenants sélectionnées sur X% des données (X : 60%, 70%, etc.)
Les résultats par groupes pour chaque indicateur seront utilisés comme entrée pour le modèle de prédiction à la phase suivante
v1 v2 v3 v4
Modèle de Prédiction
Apply the most appropriate prediction algorithm• Logistic Regression• Gradient Boosting• Decision Tree• Etc…
Prediction Results
L'algorithme de prédiction le plus pratique est appliqué sur les groupes des valeurs de chaque application d'indicateur, afin de marquer les apprenants au risque d’abandon et d’échec.
Outils utilisés
4
5
Testing & Evaluation
Optimization
Historical Traces of Learners
Optimisation du modèle de prédiction
LearnersAt-riskdropper
At-riskfailure
L1 T FL2 F TL3 T T
Testing & Evaluation / Optimization
Traces non utilisées pour l’apprentissage servent au test, à l’évaluation et au « scoring » du modèle de prédiction
MOOCS OPENCLASSROOM
EXAMPLES DE TESTING ET
D’EVALUATIONS
LE SCORE OBTENU SUR CHAQUE EXERCICE RÉALISÉ
21
Distribution du score total
Cours HTML/CSS
ORDRE DE RÉALISATION DES PARTIES ET DES EXERCICES
Parcours d’une personne qui a réussi le cours HTML/CSS
22
ORDRE DE RÉALISATION DES PARTIES ET DES EXERCICES
23
Parcours d’une personne qui a abandonné le cours HTML/CSS
ORDRE DE RÉALISATION DES PARTIES ET DES EXERCICES
24
Parcours des personnes qui n’ont pas abandonné le cours HTML/CSS
ORDRE DE RÉALISATION DES PARTIES ET DES EXERCICES
25
Parcours des personnes qui ont abandonné le cours HTML/CSS
INACTIVITÉ DES APPRENANTS ENTRE DES PARTIES ET DES EXERCICES
26
Apprenants n’ayant pas abandonné
INACTIVITÉ DES APPRENANTS ENTRE DES PARTIES ET DES EXERCICES
27
Apprenants ayant abandonné
RÉSULTATS
28
Cours HTML/CSS
Score : 99.20 %
0: Abandon
1: Pas d’Abandon
RÉSULTATS
29
Cours HTML/CSS:91 19
892 19
997 123
6200 96 20
1
CH1 CH2 CH3 CH4
RÉSULTATS
On va supprimer les indicateurs relatifs aux 2 derniers chapitres de chaque cours, afin de forcer le modèle à se concentrer sur les premiers chapitres du cours.
30
Cours HTML/CSS:
RÉSULTATS
Cours HTML/CSS
Score : 83.33 %
RÉSULTATS
32
Cours HTML/CSS:
33
Conclusion
Beaucoup de temps à passer pour Les formats de données
La collecte des données en adéquation avec les outils d’analyse
L’interprétation des données et le choix des données pertinentes pour satisfaire aux objectifs définis
Plus généralement, les Pré Traitements
Promesses et Réalités ????????????