L’utilisation de l’analyse de l’apprentissage dans les hautes écoles

Le projet visait à aborder comment l’analyse de l’apprentissage peut soutenir les processus d’apprentissage dans l’enseignement supérieur à travers les parties prenantes et les contextes, en s’alignant sur les théories de l’apprentissage. Plutôt que de concevoir de nouveaux algorithmes d’apprentissage automatique, l’objectif était d’établir des outils d’analyse de l’apprentissage (métriques, visualisations, feedback) permettant aux parties prenantes (étudiant·es, personnel enseignant et administratif) de s’engager dans des processus éducatifs améliorés qui influencent positivement l’apprentissage.

Le projet avait trois objectifs principaux :

1. Étudier quelles données peuvent effectivement soutenir les objectifs éducatifs des parties prenantes dans différents contextes.
2. Étudier comment ces données peuvent être rapportées de manière avantageuse aux parties prenantes en termes de forme et de niveau de soutien.
3. Étudier l’impact de ces analyses d’apprentissage sur les processus éducatifs et les résultats.

Le projet s’est concentré sur l’ancrage de l’analyse de l’apprentissage dans les théories de l’apprentissage, le développement proactif d’outils avec les parties prenantes, et la mesure empirique de leur impact éducatif dans des environnements contrôlés et réels.

Les outils d’analyse de l’apprentissage visent à fournir des connaissances basées sur les données pour améliorer l’enseignement et l’apprentissage dans l’enseignement supérieur. Cependant, l’adoption de ces outils a été limitée. Ce projet cherchait à comprendre les obstacles qui empêchaient leur adoption et à développer des stratégies et des outils pour les surmonter. La recherche s’est appuyée sur des cadres comme l’Apprentissage visible de John Hattie, qui souligne l’importance du feedback pour rendre l’apprentissage visible. Elle a également employé des approches comme la recherche basée sur la conception pour rapprocher la recherche et la pratique. Le projet prévoyait initialement de se concentrer sur trois groupes de parties prenantes – personnel enseignant et administratif, étudiant·es – mais a stratégiquement réduit sa portée aux enseignant·es et aux étudiant·es afin d’accélérer le développement d’un outil clé.

Le projet visait à :

1. identifier les obstacles à l’adoption de l’analyse de l’apprentissage dans l’enseignement supérieur
2. développer des stratégies pour surmonter les barrières à l’adoption de cette analyse
3. créer et évaluer des outils d’analyse de l’apprentissage alignés sur les besoins des parties prenantes et les pratiques d’enseignement.
4. fournir des preuves empiriques de l’impact de l’analyse de l’apprentissage sur l’enseignement et l’apprentissage

Conséquences clés issues des résultats du projet :

1. Un développement professionnel est nécessaire pour aider le corps enseignant à passer à des approches d’enseignement plus centrées sur les étudiant·es et ajustées aux données, capables de tirer parti de l’analyse de l’apprentissage.
2. Les outils d’analyse de l’apprentissage devraient être intégrés aux plateformes éducatives existantes pour favoriser leur adoption, plutôt que développés comme des systèmes autonomes.
3. Les méthodologies de conception agile et centrée sur l’humain sont cruciales pour développer des outils d’analyse de l’apprentissage qui répondent aux besoins des parties prenantes et atténuent les risques d’échec.
4. Des recherches supplémentaires sont nécessaires concernant l’impact quantitatif des outils d’analyse de l’apprentissage sur les résultats de l’enseignement et de l’apprentissage.
5. Une attention particulière doit être accordée aux effets négatifs potentiels de l’analyse de l’apprentissage sur la dynamique de classe et le comportement des étudiant·es.
6. Des outils open-source comme Jupyter Analytics offrent des opportunités pour une adoption plus large et des recherches sur l’analyse de l’apprentissage dans l’enseignement supérieur.

Ces implications suggèrent un besoin de changements dans la politique de l’enseignement supérieur, dans la formation des enseignant·es, les pratiques de développement de technologies éducatives, et nécessite des recherches supplémentaires pour réaliser le potentiel de l’analyse de l’apprentissage tout en atténuant les risques.

Trois messages essentiels

1. Il ne suffit pas de former les parties prenantes à l’utilisation des outils d’analyse de l’apprentissage.
   Le premier obstacle à leur adoption réside dans le fait que les outils d’analyse de l’apprentissage sont souvent incompatibles avec les pratiques d’enseignement existantes. Pour utiliser efficacement ces outils dans un cours, un·e enseignant·e doit enseigner de manière adaptative et flexible. En effet, les outils d’analyse de l’apprentissage peuvent fournir un retour d’information à des moments inattendus et sur des questions imprévues. Cependant, de nombreux enseignant·es travaillent de manière figée, par exemple en préparant tous leurs supports de cours avant le début du semestre. L’équipe de recherche a constaté que les enseignant·es qui appliquent une telle approche avaient un état d’esprit « centré sur l’enseignant·e », tandis que celles et ceux qui enseignaient de manière adaptative avaient un état d’esprit plus « centré sur l’étudiant·e ». Il ne suffit donc pas de montrer aux enseignant·es comment utiliser les outils d’analyse de l’apprentissage. Leurs raisons de ne pas les utiliser sont multiples et profondes. Les enseignant·es des hautes écoles ont besoin de développer leurs compétences professionnelles afin de passer d’une approche « centrée sur l’enseignant·e » à une approche « centrée sur l’étudiant·e ».
2. Pour accélérer le développement et l’adoption de l’analyse de l’apprentissage, les institutions devraient passer à des plateformes d’éducation numérique qui prennent en charge les plugins ou les extensions.
   Cependant, les coûts d’adoption des outils d’analyse de l’apprentissage sont trop élevés pour la plupart des parties prenantes. C’est le deuxième obstacle à leur adoption. Dans l’enseignement supérieur, le temps est la ressource la plus précieuse, et la plupart des outils d’analyse de l’apprentissage sont très gourmands en temps. Les coûts associés à la recherche, à l’installation, à l’apprentissage et à l’utilisation de nouveaux logiciels exigent plus de ressources que la plupart des acteurs de l’enseignement supérieur ne peuvent se permettre. C’est ce qui motive notre deuxième recommandation. Plutôt que de développer de nouveaux logiciels à partir de zéro, les chercheurs·euses et les développeurs·euses en analyse de l’apprentissage devraient chercher à intégrer leurs outils dans des plateformes existantes et largement adoptées, telles que Moodle, Tableau ou les carnets Jupyter. Cette approche peut être considérée comme un cheval de Troie pour l’adoption de l’analyse de l’apprentissage. Les coûts liés à l’installation d’un plugin dans un système déjà connu sont bien inférieurs aux coûts d’un logiciel entièrement nouveau. Si les établissements mettent à la disposition des parties prenantes des plateformes numériques à code source ouvert et facilement extensibles à l’aide de plugins, ils neutralisent également un obstacle à l’adoption en ouvrant une porte par laquelle les concepteurs d’outils d’analyse de l’apprentissage peuvent passer.
3. Les méthodologies de conception agile et centrée sur l’humain contribuent à garantir que les outils d’analyse de l’apprentissage seront utiles aux parties prenantes et peuvent aider à mettre en évidence et à atténuer les risques.
   L’équipe de recherche a conçu et développé une nouvelle plateforme d’analyse de l’apprentissage appelée Jupyter Analytics, qui est la première plateforme d’analyse de bout en bout intégrée aux carnets Jupyter. Elle a créé Jupyter Analytics en collaboration avec des enseignant·es et des assistant·es d’enseignement, et investi beaucoup d’effort pour en faire un logiciel libre, facile à installer et à utiliser, sécurisé et respectueux de la vie privée. Jupyter Analytics est déjà utilisé dans plusieurs classes des hautes écoles en Suisse, et l’équipe de recherche collabore avec des enseignant·es internationaux qui souhaitent l’intégrer dans leur pratique.

Uni Analytics: What, How, and Why Do Different Educational Stakeholders Use Learning Analytics in Higher Education?