Med_L&T_med

L'exploration des données éducatives (EDM) émerge comme un domaine de recherche avec un ensemble de méthodes informatiques, de sciences humaines et d'approches de recherche pour comprendre comment les étudiants apprennent. Les nouveaux outils et méthodes d'apprentissage interactif assistés par ordinateur - systèmes de tutorat intelligents, simulations, jeux - ont ouvert la voie à la collecte et à l'analyse de données sur les étudiants, à la découverte de modèles et de tendances dans ces données, à de nouvelles découvertes et à la vérification d'hypothèses sur la manière dont les étudiants apprennent. Les données collectées par les systèmes d'apprentissage en ligne peuvent être agrégées sur un grand nombre d'étudiants et peuvent contenir de nombreuses variables que les algorithmes d'exploration de données peuvent explorer pour construire des modèles.

L'EDM s'intéresse au développement de méthodes permettant d'explorer les types uniques de données provenant des établissements d'enseignement et d'utiliser ces méthodes pour mieux comprendre les étudiants et les environnements (situations d'apprentissage) dans lesquels ils apprennent.

L'EDM se concentre sur le développement de nouveaux outils et algorithmes pour découvrir des modèles de données. L'EDM développe des méthodes et applique des techniques issues des statistiques, de l'apprentissage automatique et de l'exploration de données pour analyser les données collectées au cours de l'enseignement et de l'apprentissage. L'EDM teste les théories de l'apprentissage et informe les pratiques éducatives.

La raison d'être du projet est d'explorer un cadre technique et pédagogique général pour soutenir les décisions dans le contexte de l'apprentissage assisté par la technologie (AAT, ou TEL en anglais, pour technology enhanced learning). C'est-à-dire soutenir les décisions à prendre par les acteurs de l'AAT (enseignant, tuteur, étudiant, institution, communauté de pratique) sur la base des données d'apprentissage et d'enseignement. Un enseignant est un acteur des AAT lorsqu'il prépare le matériel pédagogique (par exemple, en articulant les ressources pour une séquence d'enseignement ou en concevant un scénario d'apprentissage), lorsqu'il dispense l'enseignement (par exemple, en adaptant le matériel pédagogique ou en soutenant les étudiants pendant que le cadre d'apprentissage est mis en œuvre) et lorsqu'il évalue les résultats de l'apprentissage. Un tuteur est un acteur des AAT lorsqu'il soutient et supervise le processus d'apprentissage. Un étudiant est un acteur des AAT lorsqu'il suit un cours (par exemple, lorsqu'il se compare aux autres étudiants, qu'il trouve les meilleures ressources, qu'il régule lui-même son apprentissage, ...). Un établissement est un acteur des AAT lorsqu'il gère les processus d'enseignement et d'apprentissage au niveau de l'établissement (par exemple, en proposant un programme d'études, en développant le corps professoral, en gérant les flux de travail administratifs, ...). Une communauté de pratique (par exemple, une communauté d'enseignants en mathématiques) est une partie prenante lorsqu'elle crée et partage du contenu, des scénarios pédagogiques, des outils pour résoudre des problèmes ou des pratiques. Nous appelons partie prenante AAT le rôle de prise de décision dans les situations d'AAT.

Nous considérons que les décisions en matière d'AAT peuvent être améliorées en fournissant aux parties prenantes de l'AAT des analyses et des rapports pertinents sur les données éducatives collectées, telles que les données concernant la motivation, les actions et les connaissances des étudiants ; les données concernant les actions et/ou les constructions d'autres enseignants dans une perspective de communauté de pratique.

Le contexte médical est un contexte idéal pour explorer ce nouveau cadre de recherche. En effet, nous pouvons trouver plusieurs situations d'apprentissage utilisant une approche pédagogique émergente (classe inversée) avec des AAT classiques (réponses QCM), comme PACES, ou une approche pédagogique innovante avec de nouveaux systèmes AAT (Serious games, simulateurs), comme LOE ou TELEOS. Il s'agit également d'un champ expérimental à grande échelle avec des milliers d'étudiants et des dizaines d'enseignants.

Dans les deux cas, nous construirons des analyses de processus pour plusieurs acteurs des AAT afin de répondre à plusieurs questions. Le processus d'analyse sera capitalisé dans la plateforme Undertracks. Ces analyses seront conçues de manière à être partageables et réutilisables.

Pour étudier la propriété de réutilisation des processus d'analyse, certains d'entre eux seront appliqués dans d'autres contextes similaires. En particulier, le processus d'analyse pour comprendre l'évolution des étudiants et le processus de co-conception avec les tuteurs pourraient être réutilisés dans le contexte du « C2i niveau 1 » parce que les deux utilisent la même plateforme d'apprentissage (learneos) et que les objectifs des tuteurs sont plus proches.

Objectifs de recherche

Les objectifs généraux de cette collaboration à long terme sont les suivants :

1. Prédire le comportement d'apprentissage futur des étudiants en créant des modèles d'étudiants qui intègrent des informations détaillées telles que les connaissances, la motivation, la métacognition et les attitudes des étudiants ;
2. Découvrir ou améliorer les modèles de domaine qui caractérisent le contenu à apprendre et les séquences d'enseignement optimales ;
3. Étudier les effets des différents types de soutien pédagogique qui peuvent être fournis par les logiciels d'apprentissage ;
4. Faire progresser les connaissances scientifiques sur l'apprentissage et les apprenants en construisant des modèles informatiques qui intègrent des modèles de l'étudiant, du domaine et de la pédagogie.

Les objectifs à court terme sont les suivants :

1. Explorer et concevoir un processus d'analyse pour comprendre l'évolution des étudiants à partir des données de la PACES. Proposer un indicateur pour mesurer cette évolution.
2. Réutiliser ce processus d'analyse dans d'autres contextes similaires.
3. Explorer et co-concevoir, avec les tuteurs de la PACES, un processus d'analyse pour les aider à construire un échafaudage pédagogique efficace pour construire des QCM utiles, c'est-à-dire prenant en compte les étudiants et les contraintes institutionnelles.
4. Proposer un ensemble d'indicateurs pour alimenter un modèle informatique de l'étudiant. Chaque indicateur sera un processus d'analyse. Les indicateurs analysent le comportement de l'étudiant, ses connaissances et ses stratégies cognitives sur la base de la plateforme d'apprentissage LOE. Tester les indicateurs dans le cas du projet TELOS.

Pourquoi collaborer ?

La plateforme Undertracks proposée par l'équipe MeTAH, a pour objectif de partager des données expérimentales, des opérateurs (algorithmes d'analyse et de visualisation des données) et des processus d'analyse des données éducatives. L'équipe conçoit et met en œuvre une plateforme web pour stocker des données éducatives structurées et des opérateurs (dans la version actuelle Java ou C++). En particulier, ils conçoivent une interface graphique et un moteur de travail qui permettent l'association de données et d'opérateurs. Cependant, cette plateforme est conçue pour partager l'analyse des données expérimentales entre chercheurs, mais elle ne fournit pas de fonctionnalité pour les utilisateurs finaux tels que les acteurs de l'éducation à distance. Ce projet nous permet d'aller plus loin et d'étudier les propriétés des plateformes pour l'utilisateur final. En outre, plusieurs opérateurs innovants (algorithmes d'analyse et de visualisation) et processus doivent être conçus pour répondre aux objectifs de recherche précédents.

L'équipe MeTAH gère également la plateforme TELEOS, qui a été conçue en partenariat avec le TIMC, le LIP et le service d'orthopédie du CHU de Grenoble. TELEOS est un système de tutorat intelligent (ITS) basé sur la simulation qui a été mis en place afin d'offrir une dimension complémentaire d'apprentissage dans le processus d'apprentissage de la chirurgie orthopédique. En effet, à côté des connaissances déclaratives à maîtriser par les chirurgiens internes, une autre partie de leur formation nécessite des pratiques répétées. Les connaissances impliquées dans cette partie sont perceptivo-gestuelles, c'est-à-dire souvent tacites et empiriques. En outre, les tâches liées à ce type de connaissances sont également mal définies, car pour exécuter une opération donnée, différents modèles de stratégie peuvent être appliqués et aucune méthode précise ne peut être définie à l'avance pour atteindre les critères de validation des tâches connexes. Cela induit une lacune dans le processus d'apprentissage qui peut difficilement être comblée par les méthodes d'enseignement traditionnelles. L'environnement d'apprentissage TELEOS vise à fournir la phase intermédiaire manquante de l'apprentissage.

L'équipe Themas est fortement impliquée dans la nouvelle pédagogie de la PACES et co-conçoit la plateforme LOE qui est un jeu sérieux pour apprendre les concepts autour de l'épidémiologie.

Le Laboratorium of Epidemiology© (LOE) plonge les apprenants dans une simulation persistante et distribuée à grande échelle combinée à un scénario de jeu. Il a été conçu en collaboration et utilisé par des chercheurs, des enseignants (ci-après appelés tuteurs) et des étudiants dans le cadre d'un projet éducatif et d'un projet de recherche. Le projet éducatif fait partie d'un cours de biostatistique de la faculté de médecine. Le projet de recherche, auquel nous avons donné le nom de « Laboratorium », permet des campagnes répétées de collecte de données qui ne sont pas des événements uniques dans la vie des étudiants ou des tuteurs et constitue une tentative de réduire les biais de collecte de données et de produire des bases de données bien documentées.

Le jeu est basé sur une simulation informatisée de diverses institutions (y compris des hôpitaux) et sur un jeu de rôle. Les étudiants jouent le rôle de médecins de santé publique et sont placés dans une situation professionnelle autrement inaccessible, impliquant l'apparition d'une maladie dans plusieurs hôpitaux. Les étudiants doivent concevoir et réaliser une étude épidémiologique et rédiger un article scientifique qui sera présenté lors d'un congrès. L'objectif principal d'apprentissage concerne l'analyse statistique d'une base de données médicales. Cependant, les étudiants se voient confier une mission qui contextualise les problèmes de la statistique. La mission consiste à concevoir un outil de diagnostic de la MTEV (maladie thrombo-embolique veineuse) à usage hospitalier. En travaillant sur ce problème, les étudiants apprendront les statistiques, comprendront le rôle qu'elles jouent, et plus généralement la fonction des statistiques dans la santé publique. Le jeu est entièrement intégré dans le programme standard de l'école de médecine. Il dure quatre mois, dont huit séances de quatre heures en classe.

Les deux cadres (PACES et LOE) produisent des données éducatives. L'automatisation des processus et l'accélération de la collecte et de l'exploitation de ces données éducatives seront cruciales pour comprendre des phénomènes complexes et générer de nouvelles connaissances sur les comportements des étudiants et les phénomènes pédagogiques.

Contacts

Équipe MeTAH (laboratoire LIG) : Vanda Luengo

Équipe Themas (laboratoire TIMC) : Pierre Gillois

Publications soutenues par le projet

Toussaint, B.-M., Luengo, V. and Jambon, F. and Tonetti, J.: From Heterogeneous Multisource Traces to Perceptual-Gestural Sequences: the PeTra Treatment Approach. In: Conati, C., Heffernan, N., Mitrovic, A., Verdejo, M. F. (eds), Proceedings of the 17th International Conference on Artificial Intelligence in Education (AIED 2015), Madrid, Spain. LNCS, vol. 9112, pp. 480-491. Springer, Heidelberg (2015)

Toussaint, B.-M., Luengo, V.: Mining surgery phase-related sequential rules from vertebroplasty simulations traces. In: Holmes, J.H., Bellazzi, R., Sacchi, L., Peek, N. (eds.) Proceedings of the 15th International Conference on Artificial Intelligence in Medicine (AIME 2015), Pavia, Italy. LNCS, vol. 9105, pp. 32–41. Springer, Heidelberg (2015)

Toussaint, B.M., Luengo, V. et Jambon, F.: Proposition d’un framework de traitement de traces pour l’analyse de connaissances perceptivo-gestuelles - Le cas de la chirurgie orthopédique percutanée. Actes de la 7e édition de la Conférence sur les Environnements Informatiques pour l'Apprentissage Humain (EIAH 2015), Agadir, Maroc, juin 2015