E-Learning : le comportement aussi permet de classer les apprenants

Par 09 mars 2010
Mots-clés : Smart city, Afrique

En fonction de son niveau d'interaction avec la plate-forme d'apprentissage, il est possible de déterminer à quel profil appartient un élève. Et donc d'adapter la méthode d'enseignement en fonction.

Le profil des apprenants joue un rôle crucial dans le processus d'évaluation et d'amélioration de l'expérience d'e-learning, affirme un chercheur de l'université de Benha, en Egypte. Il propose une méthode pour classer les participants en différentes catégories à partir de leur seul comportement en ligne. Le système proposé consiste à faire de l'exploration de données (ou data mining) en prenant pour objet le registre référençant l'accès des différents utilisateurs à la plate-forme d'apprentissage. Plus précisément, il s'intéresse pour chaque participant au nombre d'accès au site, à la quantité de fichiers téléchargés, le temps passé sur les cours en ligne et la période à laquelle ceux-ci sont consultés. Le chercheur a ainsi pu établir cinq catégories d'apprenants.
Cinq catégories d'apprenants
Les étudiants "normaux", qui téléchargent de manière régulière les cours étudiés. D'après le chercheur égyptien, le fait qu'ils ne téléchargent qu'une petite partie de documents à la fois peut laisser supposer qu'ils les étudient de manière régulière. A l'inverse, les "mauvais" étudiants téléchargent de grandes quantités de documents en une seule fois, ce qui signifie qu'ils ne se sont pas préoccupés de travailler pendant une longue période. De plus, le timing de leur accès aux cours suggère qu'ils n'entendent réviser qu'à l'approche d'un examen. Une troisième catégorie concerne les étudiants "travailleurs", qui s'impliquent activement sur la plate-forme.
Une méthode efficace à 80%
Deux autres catégories, les étudiants "absents" ou "désinvoltes" n'ont pas été considérés par l'étude puisque leur manque d'interaction avec le site implique l'absence de données les concernant. Ce qui constitue une information en soi. Pour analyser les données en elles-mêmes, le chercheur a utilisé une méthode dite de "classification floue" (fuzzy clustering), dans laquelle les données sont étudiées en pouvant être reliée à plusieurs groupes de manière graduelle. D'après le chercheur, en comparant la classification obtenue grâce à ce système et le comportement réel des étudiants, on obtient une équivalence à près de 80 %.

Mentions légales © L’Atelier BNP Paribas