D3KODE

Article écrit par Chloé Gérard, Jenny Freimüller et Pauline Hébert, volée drakkar.

Introduction

Cette page EduTechWiki a été réalisée dans le cadre du cours Méthode du Master MALTT, cours ayant pour objectif de mener les étudiants à comprendre le domaine des analytics et également des Learning Analytics, mais aussi leur possible application dans le domaine de l'éducation. Cet article tend à présenter un des outils disponibles permettant de stocker et exploiter des traces dans le domaine de l'apprentissage. L'outil en question, D3KODE, permet le stockage et la transformation de traces dans le but de mieux les comprendre, les analyser et les exploiter. De part la possibilité de transformer les traces à différents niveaux d'abstraction, l'outil mène à une compréhension plus profonde des traces d'activité dans l'apprentissage. Cette article aura pour objectif de présenter l'outil, ses objectifs, son fonctionnement, ainsi que ses limites et avantages.

Learning Analytics

Les Learning Analytics, comme expliqué par Elias (2011) sont un domaine émergeant, faisant usage d'outils d'analyse sophistiquer afin d'améliorer l'apprentissage et l'éducation. Elles peuvent être définies comme "la mesure, la collecte, l'analyse et la communication de données sur les apprenants et leurs contextes, dans le but de comprendre et d'optimiser l'apprentissage et les environnements dans lesquels il se déroule" (Romero et Ventura, 2020). Selon Romero et Ventura (2020), les données, l'analyse et l'action sont les éléments cruciaux de l'analytique de l'apprentissage. Les LA, proche des Educational Data Minig (EDM) s'en détache par leur tendance à être: "axé sur la prise de décision fondée sur des données et sur l'intégration des dimensions techniques et sociales/pédagogiques de l'apprentissage par l'application de modèles prédictifs connus" (Romero et Ventura, 2020).

Le fonctionnement des LA est régit par un modèle cyclique représenté par le schéma ci-après.

Le schéma part de connaissances, ou nouvelles connaissances, qui sont intégrées et/ ou transmises par des instructeurs, des environnements d'apprentissage et des étudiants. Ces acteurs interagissent avec ces connaissances et ces interactions sont collectées sous forme de données, de traces. Là, interviennent les LA qui vont permettre l'analyse de ces traces par un processus en trois étapes: le prétraitement des données, le traitement des données par application de méthodes et de techniques propres aux LA et l’interprétation et application de ces résultats.

Le prétraitement des données permet de sélectionner le type de données utiles et correspondant au problème soulevé, mais aussi de les convertir en une forme analysable. Le traitement des données, lui, applique des méthodes et des techniques des LA aidant à la résolution de problème. Ces méthodes inclues notamment la visualisation, la classification et le regroupement de données. Enfin, l'interprétation des résultat d'analyse à pour but de tirer de nouvelles connaissances qui, appliquées, permettront l'amélioration des performances d'apprentissage. (Romero et Ventura)

Définition

D3KODE, signifiant Define Discover and Disseminate Knowledge from Observation to Develop Expertise, est un prototype ouvert et évolutif, avec une maintenance simple, sous forme de plateforme web de type client. Il a été conçu en 2012 dans le cadre de la thèse d'Olivier Champalle, dirigée par Alain Mille et Karim Sehaba (Lefevre et al., 2018), dans un but d'évaluation en situation réelle au sein de l'Unité de proFessionnalisation pour la Performance Industrielle (UFPI) d’Électricité De France (EDF). Cependant, dès le départ, D3KODE a été porté et anticipé pour une utilisation au-delà de ce contexte afin de permettre à d'autres chercheurs d'exploiter ses propriétés et d'enrichir la littérature scientifique (Champalle, 2014).

C'est pourquoi, cet outil, visant un public large non informaticien quelle que soit leur implantation géographique, a une interface graphique simple et adaptée facilitant l'analyse de traces numériques. Afin de toucher un public international, D3KODE propose la gestion de plusieurs langues telles que l'anglais et le français. Afin de faciliter son élargissement et sa réutilisation, les outils et langages utilisés sont sous licence libre (Champalle, 2014).

De plus, afin de gérer le problème éthique d'analyse de données de formation, un mécanisme d'accès restreint aux données à été intégré à l'outil (Champalle, 2014). Selon Champalle (2014), pour permettre le partage de connaissances entre des profils de formateurs différents, l'outil devait aussi gérer les trois profils d'utilisateurs suivants :

• le stagiaire : jeune formateur, qui peut observer les données des profils expert sans les modifier et peut utiliser uniquement des modèles de traces et de transformations créés par les autres profils.
• l'expert : formateur confirmé, qui possède les droits du profil stagiaire et peut créer ou modifier des modèles de traces et de transformations.
• l'administrateur : formateur confirmé, qui possède les droits du profil expert et a la possibilité de consulter ou supprimer des modèles de traces, des traces modélisées, des modèles de transformations et des transformations.

Il a été conçu autour du modèle général de la trace modélisée et le modèle générique de transformation (Champalle, 2014). Selon Lefevre et al. (2018), ces modèles représentent des connaissances d'analyse que d'autres utilisateurs peuvent utiliser pour extraire des informations plus générales à partir de nouvelles données similaires. Cet outil permet de modeler ces informations recueillies à posteriori sous forme de représentation visuelle graphique simple et interactive.

Objectifs

Objectifs pré-conception

Selon Champalle (2014), les principaux enjeux de D3KODE reposent sur les objectifs suivants :

• procurer les moyens nécessaires pour exploiter et analyser tout type de données numériques modélisées suivant les principes de la trace modélisée
• faciliter l'inscription de connaissances d'exploitation et d'analyse dans un but de partage et de réutilisation

Pour ce faire, l'outil devait satisfaire les contraintes suivantes (Champalle, 2014) :

• permettre à plusieurs utilisateurs d'utiliser l'application en même temps
• éviter les installations sur les postes clients et faciliter l’accès au travers d’un navigateur web
• centraliser les modèles de traces et de transformations dans un but de réutilisation et de partage entre les utilisateurs
• stocker à un seul endroit les traces modélisées dans un but d’historique et d’analyse a posteriori d’un grand nombre de traces

Objectifs post-conception

Selon Lefevre et al. (2018), en finalité D3KODE remplit les objectifs suivants :

• permettre de stocker, de transformer et de visualiser plusieurs niveaux de traces numériques sur la base du concept de trace modélisée
• créer facilement des modèles de traces, des transformations, d’importer des traces, d’exécuter des transformations et de visualiser les résultats

Aspects techniques

Fonctionnalités

Avantages

Avec les objectifs visés par D3KODE, cet outil permet donc - en stockant, transformant et visualisant différents niveaux de traces - d’assister les formateurs dans l'analyse d'activités exercés par les stagiaires.

Ainsi pour Champalle et Sehaba (2012), les avantages de D3KODE résident dans sa capacité à fournir une analyse approfondie des données de simulation et à faciliter le processus d'apprentissage pour les stagiaires.

Voici quelques-uns des avantages principaux :

1. Exploration interactive des niveaux de traces: D3KODE permet à l'utilisateur, notamment aux formateurs, d'explorer les différents niveaux de traces de manière interactive. Cela offre une vue détaillée de l'activité des stagiaires, permettant aux formateurs d'analyser et de cibler les lacunes et les défis rencontrés par chaque apprenant (Champalle & Sehaba, 2012).
2. Configuration flexible: La configuration de D3KODE est flexible, permettant aux utilisateurs de créer, modifier, supprimer et consulter des modèles de traces et des règles de transformation. Cette flexibilité permet d'adapter l'outil aux besoins spécifiques de chaque session de simulation (Champalle & Sehaba, 2012).
3. Facilité d'injection des données: D3KODE simplifie le processus d'injection des données en permettant aux formateurs de collecter les données provenant de diverses sources de traçage et de les organiser selon un protocole spécifié dans un fichier CSV. Cette facilité de collecte et de prétraitement des données rend l'outil accessible et efficace (Champalle & Sehaba, 2012).
4. Analyse automatisée des activités des stagiaires: Une fois les données chargées dans D3KODE, l'outil analyse automatiquement l'activité des stagiaires en exécutant les règles de transformation définies lors de la configuration. Cela permet de générer des traces de haut niveau à partir de la trace initiale, facilitant ainsi le débriefing et l'identification des objectifs pédagogiques atteints (Champalle & Sehaba, 2012).
5. Visualisation détaillée des traces: La visualisation dans D3KODE offre aux formateurs la possibilité d'explorer les différents niveaux de traces selon deux dimensions : horizontale et verticale. Cette visualisation détaillée permet aux formateurs de comprendre les relations entre les observations et les raisons des succès ou des échecs des stagiaires, facilitant ainsi l'analyse et l'amélioration des processus d'apprentissage (Champalle & Sehaba, 2012).

Cependant, malgré ces avantages, il est important de noter certaines limites et les possibilités d'amélioration de D3KODE.

Limites et améliorations

A la suite de sa thèse Champalle (2014),a pu relever le fait que l'outil D3KODE présente des limites et pourrait être amélioré sur certains points.

En effet, la présentation visuelle des traces peut présenter des limites lorsque le nombre d'observables est élevé, rendant la lecture difficile pour les utilisateurs. Pour améliorer cette fonctionnalité, une solution pourrait consister à permettre une synthèse individuelle par observable à la demande de l'utilisateur. De plus, les utilisateurs pourraient avoir accès à différentes formes de synthèse, telles que des indicateurs graphiques, des réseaux de pétri ou des graphiques, qu'ils pourraient choisir en fonction de leurs attentes. Une amélioration supplémentaire consisterait à adapter automatiquement la forme de la synthèse et les possibilités de navigation entre les observés, afin de faciliter la compréhension et l'exploitation des données.

La création de modèles de traces pourrait bénéficier d'une perspective visuelle pour faciliter la compréhension. Une méthode de copié-collé pourrait également être ajoutée pour simplifier et accélérer le processus de création.

En ce qui concerne la création des modèles de règles et de transformations, des améliorations pourraient consister à limiter le temps de saisie des utilisateurs, à introduire une méthode de glisser-déposer pour plus de convivialité et à permettre la création automatique de règles. Il serait également utile d'identifier des schémas de règles réutilisables pour simplifier leur création. Cependant, il convient de noter qu'il peut y avoir des limites à cette approche, comme l'apparition de parasites suite à l'exécution de certaines règles, ce qui nécessiterait une attention particulière pour garantir la fiabilité des résultats.

Enfin, pour la comparaison de traces, une amélioration pourrait consister à permettre une comparaison et une analyse multiples des traces, afin de faciliter la détection de schémas et de tendances significatifs.

Aisni, en intégrant ces améliorations, l'outil D3KODE pourrait offrir une expérience plus complète et efficace aux utilisateurs, en maximisant l'utilité des données d'observation pour le développement de l'expertise.

Liste des références

Bouvier, P., Sehaba, K., Lavoué, E., & George, S. (2013, July). Approche qualitative pour identifier et qualifier l'engagement des joueurs à partir de leurs traces d'interaction. In Conférence en Ingénierie des Connaissances (IC 2013) (pp. 16-p).

Champalle, O. (2014). Capitalisation et partage de connaissances d’analyse de traces numériques d’activités: assister le suivi de l'activité dans les environnements de formation à base de simulateur pleine échelle (Doctoral dissertation, Université Claude Bernard-Lyon I).

Champalle, O., & Sehaba, K. (2012). Assistance aux formateurs pour l’observation et l’analyse des activités des opérateurs-stagiaires sur simulateurs pleine échelle de conduite de centrale. Intégration Technologique et Nouvelles Perspectives d’Usage, 17. p.25

Champalle, O., Sehaba, K. & Mille, A. (2013). Capitalize and Share Observation and Analysis Knowledge to Assist Trainers in Professional Training with Simulation

Case of Training and Skills Maintain of Nuclear Power Plant Control Room Staff. Proceedings of the 5th International Conference on Computer Supported Education, 627-632. DOI:10.5220/0004388806270632

d3kode  Define, Discover and Disseminate Knowledge from Observation to Develop Expertise. (s. d.). https://projet.liris.cnrs.fr/d3kode/D3KODE/D3KODE_Presentation.html

Lefevre, M., Iksal, S., Broisin, J., Champalle, O., Fontanieu, V., Michel, C., & Yessad, A. (2018). DNE-GTnum2 Learning Analytics-Etat de l’art sur les outils et méthodes issus de la recherche française (Doctoral dissertation, Ministère de l'éducation nationale).