Outils pour la programmation informatique
Polytech
Porteur(s)
Statut : Terminé
Public cible : 1ère année Polytechsorbonne
Volume du public : 55 étudiants
Mots-clés : Learning analytics, Traces Moodle, Clustering, Diagnostic d'un cours
Résumé du projet
Le projet est né d'un constat : l'engagement des étudiantes et étudiants du cours hybride "Outils pour la Programmation Informatique" (OPI), cours de première année à Polytech Sorbonne, n'est pas optimal. Les étudiantes et étudiants arrivent, lors des regroupements en présentiel, sans avoir réalisé le travail préalable qu'ils devaient faire à distance, en autonomie. Ils semblent avoir des difficultés à s'organiser pour effectuer cette partie distancielle du cours. Malgré la sélectivité de la formation, des décrochages ont été constatés par l’équipe enseignante.
Objectif(s)
Les objectifs du projet sont de :
• déterminer à travers un travail de diagnostic du cours les comportement des étudiantes et étudiants dans l’appropriation des ressources et des activités proposées,
• donner du sens à ces comportements afin d’ajuster la scénarisation du cours,
• proposer une grille de recommandation pour améliorer le cours.
Accompagnement pédagogique
Pour formuler des recommandations d’amélioration du dispositif hybride de formation, il était primordial d’identifier les problèmes liés au cours, à travers un protocole de collecte des données. Ainsi, ce projet a réuni différents acteurs, tels que des enseignantes, des ingénieur·e·s pédagogiques et un data analyst. Cette éventail de compétences a permis d’enrichir la démarche, mais également d’identifier ses perspectives et ses limites dans une optique de transposabilité.
MÉTHODE
L’étude, de type exploratoire, a été réalisée au premier semestre 2023 avec des méthodes mixtes. Les étudiant·e·s ont été invités à y participer en donnant un consentement éclairé.
Elle s’appuie sur une « triangulation méthodologique » (Caillaud & Flick, 2016) avec :
• L’analyse des traces laissées sur Moodle par 55 étudiant·e·s entre janvier et mars 2022. Cette analyse étudie les consultations de chaque contenu/activité du cours et a donné lieu à un clustering et une analyse des parcours des étudiant·e·s,
• Les réponses aux questionnaires d’Évaluation des Enseignements par les Étudiants (EEE), complétées par 49 étudiant·e·s,
• Des entretiens semi-directifs menés auprès de 4 étudiant·e·s pour obtenir des données qualitatives. Ces entretiens ont porté sur 3 thèmes : la façon dont l’étudiant·e s’organise pour ce cours, sa perception des activités/ressources du cours (en distanciel comme en présentiel) et du dispositif d’évaluation.
RÉSULTATS
L’analyse des consultations de chaque contenu / activité du cours à permis d’identifier :
• L’appropriation des ressources par les étudiantes et étudiants dans la temporalité,
• Les documents peu ou pas consultés par les étudiantes et étudiants,
• Une « boucle infinie » résultant d’un mauvais paramétrage d’une activité Moodle, ne permettant pas aux étudiantes et étudiants d’achever l’activité.
Concernant l’analyse du parcours des étudiants & clustering, nous avons utilisé l’algorithme K-means et la distance de Levenshtein. Cette dernière va comparer le parcours des étudiants avec le parcours objectif de l’enseignant. Si la distance est faible, cela signifie que le parcours de l’étudiant est assez similaire au parcours objectif. Si la distance est élevée, cela signifie que le parcours de l’étudiant est très différent du parcours objectif.
Nous avons identifié 5 clusters au niveau du cours (figure 1)
Figure 1 : Analyse des clusters
Le cluster 0 et le cluster 1 représentent les étudiants qui ont consulté intégralement (ou presque intégralement) le cours. A la différence du cluster 1 où le parcours est très scolaire, le cluster 0, représentant les étudiantes et étudiants dont la moyenne est la plus élevée au niveau de la cohorte, ont adopté un parcours différent de celui envisagé par l’enseignant.e. Le cluster 3 représente 2 étudiants qui auraient décroché dans la mesure où ils ont très peu réalisé les activités du cours. Le cluster 5 sont les étudiants qui sont les plus en difficulté, ils ont suivi le cours et suivi le parcours objectif de l’enseignant.
Ces parcours peuvent être analyser de plus près d’un point de vue probabilistique (figure 2). Les numéros représentent les activités et ressources du cours.
Figure 2 : Parcours de l’étudiant qui représente le plus le cluster
L’analyse des traces d’apprentissage est un très bon indicateur, mais ne permettent pas comprendre les facteurs qui conduisent ces comportements, d’où l’approche qualitative via les entretiens semi-directifs.
La méthode adoptée pour réaliser le diagnostic a mis en lumière différentes difficultés rencontrées par les étudiantes et étudiants pour s’approprier un cours hybridé, liées :
• au statut qu’ils confèrent à un cours qui n’est pas en présentiel,
• à leur capacité d’autodirection et aux moyens mis à leur disposition pour faciliter cette autodirection,
• à un manque de « présence à distance » (Jézégou, 2022),
• à un défaut « d’alignement pédagogique » (Biggs, 1996) entre les activités du cours et les évaluations proposées.
À ce titre, une série de recommandations ont été formulé et portent sur le temps de travail pour le cours, les moyens de favoriser l’autodirection des étudiants, la présence à distance, la création/amélioration des supports de cours, le positionnement du cours par rapport aux autres cours….