GraphPad Prism

Learning analytics

L'apprentissage est intrinsèquement le résultat d'interactions, que ce soit entre les apprenants et les enseignants, les apprenants et le contenu, ou encore entre les apprenants eux-mêmes. Les enseignants s'efforcent d'optimiser ces interactions pour améliorer les résultats d'apprentissage. Traditionnellement, l'évaluation de l'efficacité de ces interactions s'appuyait sur des méthodes telles que les évaluations des étudiants, l'analyse des notes et les retours d'information des enseignants. Cependant, ces méthodes présentent des limites telles que le retard dans la rétroaction et les perceptions subjectives (Elias, 2011).

Avec la numérisation croissante de l'éducation, de vastes quantités de données sur ces interactions deviennent disponibles, notamment dans le système des cours en ligne où les interactions sont souvent médiatisées par ordinateur. Cela a donné naissance au domaine de l'analytique d'apprentissage, qui exploite des outils analytiques sophistiqués pour améliorer l'enseignement et l'apprentissage. L'analytique d'apprentissage s'inspire de divers domaines connexes tels que l'intelligence d'affaires (business intelligence), l'analytique du web (Web Analytics), l'exploration de données éducatives (educational data mining), analytique académique (Academic Analytics) et l’analytique d’action (action Analytics).

L'analytique de l'apprentissage cherche à capitaliser sur la capacité de modélisation de l'analyse : prédire le comportement, agir sur les prédictions, puis réinjecter ces résultats dans le processus afin d'améliorer les prédictions au fil du temps (Eckerson, 2006) en ce qui concerne les pratiques d'enseignement et d'apprentissage. Ainsi, l'étude et l'avancement de l'analyse de l'apprentissage impliquent 2 points important à prendre en compte : le premier étant le développement de nouveaux processus et outils visant à améliorer l'apprentissage et l'enseignement pour chaque étudiant individuellement et les enseignants, et le deuxième, l'intégration de ces outils et processus dans la pratique de l'enseignement et de l'apprentissage (Elias, 2011).

Selon Campbell et Oblinger (2008) qui ont décrit l’analytique académique comme étant « une engine à produire des décisions ou guider les actions » ( « engine to make decisions or guide actions »), il existe 5 grandes étapes clé en analytique de l’apprentissage : capturer, reporter, prédire, agir et affiner.

Apports dans l'analyse des apprentissages

Comme présenté précédemment, GraphPad Prism est un outil qui propose de nombreuses fonctionnalités pour créer des représentations visuelles à partir de données collectées importables dans le logiciel. En ce sens, il est plutôt utilisé pour l’analyse descriptive et la visualisation des données. Dans le domaine de l’apprentissage, il peut être utile tout autant pour les chercheurs en sciences de l’éducation que pour les enseignants.

En effet, GraphPad Prism propose plusieurs types de tableaux possibles que nous présentons ci-dessous avec quelques exemples d’applications en éducation. Les captures d’écrans présentées ci-dessous sont issues des tutoriels vidéos présentés par Dr. Trajen Head, producteur et manager du logiciel GraphPad Prism disponibles sur le site officiel.

• XY : Le tableau XY permet d’analyser les relations possibles entre une donnée X et une donnée Y, qui peuvent être dépendantes ou non. Nous pouvons par exemple, observer de quelle manière la température affecte les résultats d’évaluations des étudiants.

• Column : Le tableau en colonne permet de répertorier des données d’une variable en plusieurs groupes. Par exemple, il est possible de créer un tableau avec les résultats obtenus des évaluations dans différentes disciplines, ce qui permet de faire des comparaisons.

• Grouped : Utilisé pour comparer deux groupes. Par exemple, pour analyser l’efficacité d’une récompense sur les élèves de la classe A et les élèves de la classe B.

• Parts of whole : Utilisé pour représenter des pourcentages ou des fractions. Par exemple, le nombre d’étudiants ayant obtenu la plus haute note en mathématiques.

A partir de ces représentations visuelles, l’utilisateur peut en tirer de nombreuses informations : repérer les élèves en difficultés, avoir un suivi des élèves dans leurs apprentissages, faire des comparaisons, informer sur le nombre d’erreurs et leur évolution dans le temps ou encore émettre des hypothèses sur l’effet d’un nouveau dispositif sur les élèves, diverses interprétations lui permettant de prendre des décisions pour la suite. Les recherches montrent également que donner la possibilité aux utilisateurs d’adapter ces visualisations est nécessaire (Dabbebi et al., 2017 ; Oliver-Quelennec et al., 2021).

Potentialités et limites

GraphPad Prism présente de nombreuses potentialités dans la recherche mais il faut également prendre en compte ses limites.

Potentialités

• Grande variété de graphiques
• Possibilité d’exporter ou de partager les projets
• Personnalisation : adapté selon les préférences des utilisateurs, dépendant de ce qu’ils veulent mettre en évidence
• Peut être utilisé dans de nombreux domaines (biologie, médecine, sciences sociales,...)

Limites

• Logiciel payant
• Les tutoriels sont un bons moyens pour débuter mais limité car certaines fonctions requiert des compétences plus poussées, particulièrement si nous souhaitons faire des analyses plus poussées
• Risque de biais d'interprétation

Références bibliographiques

Sanchez, E., Jaouadi, M. (2024). Analytique de l’apprentissage. Méthode 1. [Prsésentation PowerPoint]. Université de Genève. Repéré sur Moodle https://tecfalms.unige.ch/moodle/mod/url/view.php?id=30594

Sanchez, E., Luengo, V. (2023). Avec la formation à distance, l'enseignant sait précisément ce que fait et sait l'apprenant. Repéré sur Moodle https://tecfalms.unige.ch/moodle/mod/resource/view.php?id=31959

Site de l'outil GraphPad Prism : https://www.graphpad.com/

Elias, T. (2011). Learning analytics. Learning, 1-22.

Eckerson, W. W. (2006). Performance dashboards: Measuring, monitoring, and managing your business. Hoboken, New Jersey: John Wiley & Sons.

Oblinger, D. G. and Campbell, J. P. (2007). Academic Analytics, EDUCAUSE White Paper. Retrieved October 1, 2010 from http://www.educause.edu/ir/library/pdf/PUB6101.pdf