Pourquoi les éducateurs devraient-ils mesurer l'analyse de l'apprentissage?

En tant qu'architecte de solutions pour Leo Learning (L'un des nôtre Partenaires Moodle), Peter Dobinson utilise les «mégadonnées» pour mesurer les résultats.

Dans son Présentation de MoodleMoot UK & Ireland 2017, Peter a partagé avec nous comment les éducateurs peuvent utiliser l'analyse pour mesurer l'impact de l'apprentissage.

Il a également exploré comment cela peut améliorer les expériences d'enseignement et d'apprentissage. Dans cet article, nous résumons la présentation de Peter, que vous pouvez bien sûr consulter à partir du lien ci-dessous.

Commençons donc par… qu'est-ce que l'apprentissage de l'analyse?

L'analyse de l'apprentissage est la mesure, la collecte, l'analyse et la communication des données des élèves, qui peuvent ensuite être utilisées pour optimiser les résultats d'apprentissage.

Pourquoi les éducateurs devraient-ils mesurer l'apprentissage?

La présentation de Peter a commencé par une citation de Williams Edwards Deming (Ingénieur américain, statisticien, professeur, bien connu pour utiliser les données pour améliorer les résultats économiques après la Seconde Guerre mondiale): "En Dieu, nous avons confiance, tout le monde doit apporter des données".

Peter a expliqué que les éducateurs qui ne mesurent pas les résultats sont au mieux des suppositions et, au pire, utilisent un biais intégré pour forcer l'apprentissage sur leurs élèves.

Peter a résumé la valeur réelle de la mesure des données d'apprentissage comme suit:

  • Preuve de ROI et d'efficacité.
  • Mise en évidence des domaines qui bénéficieront d'un apprentissage ciblé.
  • Preuve d'un enseignement et d'un apprentissage réussis.
  • Il en résulte des programmes d'apprentissage efficaces.
  • Permettre la personnalisation de l'apprentissage: ce qui signifie que les éducateurs peuvent voir la meilleure façon dont les gens ont appris à personnaliser l'apprentissage en leur faveur.

Quelles sont les objections à Learning Analytics?

Après son introduction, Peter a discuté des objections générales ou les plus courantes qu'il croyait que les éducateurs avaient envers l'apprentissage de l'analyse:

  • Ce n'est pas une expérience valable.
    Le monde universitaire a fait remarquer que les variables ne peuvent pas être contrôlées, faisant de l'analyse de l'apprentissage une expérience invalide. Cependant, Peter a soutenu que bien que toutes les variables ne puissent pas être contrôlées, une chaîne de preuves peut être identifiée qui suggère une conclusion.
  • C'est trop dur.
    Peter a suggéré que les bonnes personnes et les bons outils peuvent faciliter les choses.
  • C'est trop cher.
    Bien que cela puisse être le cas dans certaines circonstances, il existe des outils d'analyse d'apprentissage open source gratuits et bon marché.

Un modèle Learning Analytics

Chez Leo Learning, Peter a décrit un modèle qui comprend sept étapes pour aider les éducateurs à identifier la façon de démarrer avec l'apprentissage analytique:

  1. Déterminez ce que vous voulez faire.
    Peter a suggéré que les éducateurs commencent petit en exécutant un test A / B à travers deux cours. Il a discuté de l'avantage non seulement de mesurer l'apprentissage, mais aussi d'identifier les KPI (indicateurs clés de performance) pour fixer des objectifs mesurables.
  2. Obtenez l'adhésion de tous les niveaux de l'entreprise.
    Les gens peuvent avoir peur de suivre les données, il est donc essentiel que toutes les données soient communiquées à toutes les parties et que les informations soient utilisées pour améliorer la précision de l'apprentissage.
  3. Concevez une expérience.
    La prochaine étape consiste pour les éducateurs à déterminer ce qu'ils veulent comparer, car les données collectées ne sont d'aucune utilité isolément. Peter suggère que cela peut être réalisé en identifiant des résultats quantifiables, par exemple, des tests fractionnés.
  4. Obtenez les données.
    Des outils tels que xAPI et Caliper ont été suggérés car ils ont des interfaces portables capables de collecter des données plus complexes qu'un «succès» ou un «échec».
  5. Mesurez votre impact et essayez de réfuter votre hypothèse.
    Peter a rappelé #MootIEUK17 les participants que bien que la corrélation n'égale pas la causalité, c'est un bon point de départ pour analyser les résultats des données.
  6. Communiquez vos résultats.
    Bien que Peter ait soutenu qu'il n'est pas éthique de ne pas divulguer ses conclusions, il pensait qu'il était important de choisir soigneusement la manière dont les conclusions étaient communiquées. Il a suggéré de présenter la «grande découverte» et les «cris» à ce sujet.
  7. Utilisez les résultats pour améliorer ce que vous faites.
    Pour ceux qui ne savaient pas comment utiliser les résultats pour mettre en œuvre le changement, Peter a suggéré de demander l'aide d'une entreprise qui le fait.

Outils pratiques pour l'apprentissage de l'analyse

Peter a également partagé des outils qui peuvent être utilisés pour créer un écosystème d'apprentissage pour l'apprentissage de l'analyse:

  • Moodle
  • Bassin versant
  • Encore
  • Casier d'apprentissage
  • gomoLearning
  • Applications xAPI
  • Kaltura
  • Lectora16
  • SurveyGizmo

Pour résumer sa présentation, Peter a rappelé aux participants les trois principaux avantages de l'utilisation de l'analyse de l'apprentissage:

  • De meilleurs résultats pour les apprenants.
  • De meilleurs résultats pour les organisations
  • Justification des budgets par l'apprentissage de preuves analytiques.

Pour en savoir plus sur les raisons pour lesquelles les enseignants devraient mesurer l'analyse de l'apprentissage, regardez la présentation complète de Peter ci-dessous:

Écrire un commentaire