LEARNING ANALYTICS

LEVERAGE YOUR LMS DATA

LMS for Learning Communities

360Learning accompagne plus
de 900 organisations dans leur
transformation digitale
SOMMAIRE
EDITO P.4

LEARNING ANALYTICS - DE QUOI P.5

PARLE-T-ON ?
Une rapide définition P.6
Histoire et développement P.7
Objectifs et mise en oeuvre P.9
Adaptive Learning P.11

LEARNING ANALYTICS - QUELLES P.12

APPLICATIONS POUR LE E-LEARNING ?
Améliorer l'efficacité des dispositifs d'apprentissage P.13
Personnaliser les dispositifs d'apprentissage P.15
Détecter le comportement des utilisateurs face P.17
à la plate-forme d'apprentissage
Évaluer l'efficacité des échanges collaboratifs et P.19
identifier les membres influents du réseau

LES TECHNIQUES UTILISÉES P.20

Fouille de données (data mining) P.21

Clustering - Modélisation des styles d'apprentissage P.23
Analyse prédictive P.24
Analyse des réseaux sociaux P.26
Analyse textuelle et du langage naturel P.28

QUELS BÉNÉFICES ET POUR P.29

QUELS ACTEURS ?
Bénéfices pour l'apprenant P.30
Bénéfices pour le Responsable Formation P.31
Bénéfices pour le Chief Learning Officer P.32
 EDITO
Ce n’est plus un secret, le numérique bouleverse
progressivement notre quotidien et toutes les sphères
de la société. Sous réserve d’un accès à Internet et
d’un terminal « connectable » au réseau, l’information
est aujourd’hui accessible partout, tout le temps. Les
internautes naviguent, au gré de leurs envies et besoins,
cliquent çà et là, commentent, achètent, aiment et
apprennent : autant de petites actions traçables
amenant un déluge de données. Bienvenue dans le
Big Data ! L’ère du tout mesurable, tout modélisable,
tout actionnable et prédictif. C’est le marketing qui
le premier s’empare de la « data » pour séduire et
favoriser l’acte d’achat. Amazon en est certainement
l’une des meilleures illustrations avec ses algorithmes
de recommandation. Chaque page visitée, élément
mis au panier ou acheté est pondéré, croisé avec
d’autres banques de données, dans l’unique but de
personnaliser l’expérience et d’amener à acheter plus,
plus souvent : à favoriser l’engagement en somme.
ANTOINE Les données d’apprentissage issues des plateformes
ZILIANI LMS sont elles aussi une richesse incroyable encore
X-Telecom, spécialisé largement sous-exploitée par la majorité des acteurs
en Mathématiques du secteur. Ceci, pour de multiples raisons : manque
Appliquées, expert en d’entreprises innovantes positionnées sur le sujet,
Analyse de données et réticences des formateurs et enseignants au regard
E-Learning du respect de la vie privée, et bien d’autres. Et puis,
quelles données mesurer ? Quels comportements
analyser ? Pour quelles actions en réponse ?
CLÉMENT Pas toujours évident de s’y retrouver. Mais qu’on ne
LHOMMEAU s’y trompe pas, l’heure du « Big Data for Education »
est arrivée. En France et ailleurs, des entreprises
VP Marketing de
360LEARNING , innovantes comme CrossVia et 360Learning marquent
Auteur de "MOOC. le pas pour donner à la formation professionnelle et
L'apprentissage l’éducation en ligne un nouveau souffle. Les expériences
à l'épreuve d’apprentissage deviennent personnalisées,
du numérique", individualisées, fluidifiées et simplifiées. La Data-
Éditions FYP Driven Education est en marche. Bonne lecture.
LEARNING ANALYTICS -
DE QUOI PARLE-T-ON ?

LMS for Learning Communities

 6 UNE RAPIDE
DÉFINITION
La digitalisation de notre environnement nous soumet
depuis quelques années à un déluge de données. Ce
phénomène, qui est à la base du concept de Big Data,
touche tous les aspects de notre vie, et en particulier, ceux
du monde professionnel.

Ce flot continu de données constitue des challenges

importants, mais crée également des opportunités sans
précédent. L’exploitation de ces données promet de
nouveaux gisements de valeur. La promesse du Big
Data est de rendre lisible et exploitable ce déluge
de données, et de créer de nouveaux services qui
amélioreront nos vies.

Le monde de la formation et de l’apprentissage n’y échappe

pas, et la digitalisation de ces activités fournit un contexte
propice à de nouvelles méthodes d’analyse.

Ce domaine étant relativement récent, plusieurs définitions

ont été proposées, sans qu’aucune ne fasse consensus. De
manière générale, nous pouvons dire que le domaine des
Learning Analytics est constitué de méthodes d’analyse et
de détection de modèles dans les données collectées par
les systèmes d’apprentissage, et utilisées pour soutenir
l’expérience d’apprentissage.
 7 HISTOIRE ET
DÉVELOPPEMENT
Le développement du web 2.0, au début des années 2000, a mis en
évidence les possibilités de collecter des quantités massives de
données produites par les utilisateurs de ces services.

Ce phénomène n’a pas épargné le monde de l’éducation et de la

formation, et ces domaines ont été également fortement digitalisés
durant cette décennie. Avec la disponibilité de bases de données
massives issues de systèmes d’éducation, les travaux de recherche
visant à exploiter ces données se sont multipliés, avec pour objectif
d’améliorer les systèmes, permettre aux éducateurs de mieux évaluer
les processus d’apprentissage, et aux apprenants d’être plus efficaces
dans leur démarche d’apprentissage.
Plusieurs communautés de recherche se distinguent dans le domaine :

INTERNATIONAL EDUCATIONAL DATA MING SOCIETY

http://www.educationaldatamining.org/

Vise à développer les méthodes d’exploration des données issues des systèmes
éducatifs, pour mieux comprendre les apprenants, et les systèmes au sein
desquels ils apprennent.

SOCIETY FOR LEARNING ANALYTICS RESEARCH

http://www.solaresearch.org/

Réseau interdisciplinaire de chercheurs internationaux explorant le rôle et

l’impact des méthodes d’analyse avancées (Analytics) sur l’enseignement,
l’apprentissage, la formation et le développement.

INTERNATIONAL ARTIFICIAL INTELLIGENCE IN

EDUCATION SOCIETY
http://iaied.org/about/

Communauté internationale à la frontière des domaines des sciences

informatiques, de l’éducation et de la psychologie, elle fait la promotion
de travaux de recherche rigoureux et du développement d’environnements
d’apprentissage interactifs et adaptatifs.

Le domaine des Learning Analytics, très populaire, est aujourd'hui abordé dans des
sommets internationaux (WISE, Forum Économique Mondial de Davos, etc.). L'émergence
des MOOC, qui ont permis de collecter des quantités de données encore jamais vues dans
le domaine de l’apprentissage, ont fait sortir ces approches des laboratoires de recherche,
pour investir le monde de l’industrie.

L’objectivation de l’apprentissage est un enjeu reconnu depuis longtemps. Les résultats

d’évaluations, les notations et les classements ont fourni le fondement de cette objectivation,
et ont permis, avec un relatif succès, d’explorer les avantages de l’individualisation de
l’apprentissage.

La digitalisation apporte une toute nouvelle dimension, en permettant de collecter et traiter

massivement, et de manière systématique et égalitaire, des données liées non seulement
à l’acquisition des connaissances, mais également au comportement des utilisateurs face
au système. Cette analyse renforcera considérablement les capacités d’objectivation de
l’apprentissage, et constituera une base très prometteuse pour la mise en œuvre de son
individualisation.
 9 OBJECTIFS ET
MISE EN OEUVRE
La mise en œuvre de Learning Analytics vise in fine à améliorer l’efficacité
des dispositifs de formation. Cette efficacité peut être définie de
différentes manières. Chaque partie prenante a d’ailleurs souvent sa
propre définition, en fonction de son domaine d’intervention :

Responsable de formation Chief Financial Officer

Chief Learning Officer Chief Executive Officer

 LE RESPONSABLE DE FORMATION pourra par exemple chercher
à améliorer la portée de ses dispositifs, et à obtenir les meilleures
évaluations possibles à l’issue de ceux-ci.

LE CHIEF LEARNING OFFICER voudra démontrer l’impact de son plan de

formation sur l’acquisition, par les collaborateurs, des outils nécessaires
à la tenue de leur poste de travail, et d’une manière générale, sur
l’élargissement des compétences dans l’entreprise.

LE CHIEF FINANCIAL OFFICER cherchera à optimiser le ROI des

dépenses liées à la formation.

LE CHIEF EXECUTIVE OFFICER cherchera à maximiser la performance

opérationnelle de ses collaborateurs, notamment grâce à la mise en
œuvre d’actions de formation.

Quelle que soit l’approche retenue pour évaluer l’impact des dispositifs de formation sur la
marche de l’entreprise, et mesurer l’efficacité correspondante, il est nécessaire de mettre
en évidence comment ces dispositifs améliorent (ou non) les compétences et savoir-faire
utiles à la réalisation des missions de l’entreprise, et comment ils impactent les indicateurs
de performances (notamment financier).

Cette approche dépasse le cadre strict des Learning Analytics, mais, toujours dans le cadre
d’approches « data driven », il est possible de modéliser, notamment grâce aux données
collectées par le système global d’information de l’entreprise, les liens de causes à effets
entre formation et performance.

Dans la suite du document, l’efficacité des dispositifs de formation pourra donc être
interprétée selon les parties prenantes concernées.
 11 ADAPTIVE
LEARNING
Les Learning Analytics ont une application évidente : l’industrialisation
massive de l’individualisation de la formation (adaptive learning).

Sans automatisation, l’individualisation de la formation en ligne

ou blended est impensable. Les méthodes présentées dans la suite
permettent d’analyser, et de comprendre, de manière automatique, les
spécificités de chaque apprenant.

Sur cette base, l’adaptation automatisée des dispositifs en fonction de

leurs besoins, de leurs acquis et de leur contexte devient possible.
LEARNING ANALYTICS - QUELLES
APPLICATIONS POUR LE E-LEARNING
Fournir des mesures de performance des dispositifs de formation est une nécessité pour
les responsables de formation. Sans elles, ces responsables n’ont aucun moyen de vérifier
l’atteinte des objectifs. Mais les techniques d’analyse aujourd’hui disponibles permettent
d’aller plus loin, et d’envisager de nouvelles applications, au service de la qualité et de
l’efficacité des dispositifs de formation. Quelques exemples, détaillés dans les pages
suivantes, illustrent ces possibilités.

LMS for Learning Communities

 13 AMÉLIORER
L'EFFICACITÉ
DES DISPOSITIFS
D'APPRENTISSAGE
Les fonctionnalités de reporting et d’analyse des LMS disponibles
sur le marché fournissent les indicateurs permettant de suivre le
bon déroulement des dispositifs déployés, ou d’identifier ceux qui
présentent des anomalies : taux de connexion limité, progression
inférieure aux prévisions, complétion insuffisante, etc.
Les responsables de formation, après avoir constaté ces problèmes,
doivent en trouver l’origine. Cette analyse nécessite une expertise
poussée en matière de dispositif en ligne, et les causes peuvent parfois
être délicates à identifier.

De plus, le constat arrive souvent trop tard pour réagir de manière

réactive et permettre au dispositif de se dérouler de manière optimale.
Les responsables de formation ont-ils les moyens de réagir plus
rapidement, voire d’anticiper ses problèmes ?
Des techniques existent pour renforcer l’identification de ces problèmes.
Nous pouvons citer les mécanismes de détection d’anomalies en
apprentissage statistique, utilisés par exemple dans le monde bancaire
pour détecter les fraudes.
Dans notre cas, la plate-forme peut
apprendre à détecter des comportements
qui ne sont pas conformes à ceux attendus
ou observés jusque là. Une mauvaise
réponse systématique à une question d’un
quizz est un exemple de comportement
non conforme. Si le système est capable
d’alerter rapidement le responsable de
formation, celui-ci sera en mesure de
corriger la question et permettra aux
apprenants de poursuivre leur formation
dans de meilleures conditions.
Un contenu systématiquement ignoré
constitue également un comportement non
conforme. Le responsable de formation,
alerté rapidement, pourra analyser les
causes et modifier son dispositif pour
s’assurer que les ressources incluses sont
toutes pertinentes.
 15 PERSONNALISER
LES DISPOSITIFS
D'APPRENTISSAGE
La personnalisation des dispositifs de formation est une des clés
pour en renforcer l’efficacité. Il est illusoire de penser que chaque
utilisateur d’un dispositif e-learning va suivre le déroulement de la
même manière.

Pour mettre en œuvre cette personnalisation, les plates-formes ont

diversifié les formats des contenus diffusés (modules interactifs,
vidéos, courtes, fichiers pdf, quiz, mini-jeux, etc.), pour permettre aux
apprenants de choisir ceux qui leur conviennent le mieux.

Ces plates-formes sont également disponibles sur des canaux

différents (interfaces web, applications mobiles, etc.), pour permettre
d’y accéder le plus facilement possible et en toute circonstance.

Enfin, des notifications peuvent informer les apprenants de leurs

échéances, des contenus les plus populaires, éventuellement d’une
sélection mise en avant par un expert ou responsable de la formation.
Est-ce suffisant ? Comment peut-on garantir que l’apprenant va
consulter le contenu le plus approprié, dans le contexte de son
utilisation, et ainsi garantir une efficacité maximale ?
L’apprentissage automatique des
préférences de l’utilisateur est une réponse
à cette problématique. Cet apprentissage
peut avoir lieu à différents niveaux :
Formats e-learning les plus efficaces en
fonction du contexte d’utilisation (heure et
lieu d’utilisation), de l’avancement dans la
formation, des activités déjà réalisées, etc.
Canal d’utilisation (web, mobile) favori
en fonction du contexte d’utilisation, de
l’historique d’utilisation, de l’avancement
dans le dispositif, etc.
Ces nouvelles informations permettent de
personnaliser le dispositif de formation
pour chaque utilisateur. Ces mécanismes
pourront adapter la liste des modules
mis en avant (une vidéo courte mise
en avant le matin durant les horaires
de trajet domicile-travail), ou rendus
obligatoires. Ils pourront également
générer des notifications personnalisées à
des moments clés (si l’utilisateur consulte
régulièrement la plate-forme vers 17h,
celle-ci peut générer une notification à
cette heure de la journée pour systématiser
cette habitude).
Cette approche ne cherche pas à définir
des règles qui pourraient s’appliquer à
une catégorie d’utilisateurs, et préciser
comment adapter les dispositifs de
formations en fonction de ces règles. A
l’inverse, elle cherche à évaluer l’influence
des différents paramètres (format
pédagogique, heure et lieu d’utilisation,
rythme, historique et séquences
pédagogiques mises en œuvre, réponses
aux quiz) sur les choix de l’utilisateur pour
« prédire » ses choix futurs.
 17
DÉTECTER LE
COMPORTEMENT DES
UTILISATEURS FACE
À LA PLATEFORME
D'APPRENTISSAGE

L’isolement des utilisateurs de plates-formes e-learning est l’un des

principaux reproches qui a été formulé à l’encontre de ces dispositifs.
A la différence des formations présentielles, il est difficile de savoir, en
temps-réel, ce que ressent l’apprenant.

Un formateur présentiel est en mesure d’adapter son style ou son

contenu en fonction du feedback immédiat qu’il peut obtenir de la part
des stagiaires. Si l’un des stagiaires s’ennuie, ou décroche, le formateur
peut intervenir pour modifier ce comportement, et améliorer l’efficacité
de sa formation auprès de cet apprenant.

Comment déterminer le comportement, voir l’état d’esprit d’un

utilisateur de plate-forme e-learning, en temps-réel ? Que peut-on
faire si l’utilisateur se comporte d’une manière qui n’est pas dirigée
vers l’apprentissage ?
L’analyse des interactions de l’utilisateur
avec l’interface de la plate-forme peut
renseigner sur son comportement. Des
modèles de détection de comportement
permettent de déterminer, de manière
fiable, lorsque l’utilisateur joue avec le
système (stratégie de progression au sein
du dispositif sans apprentissage), lorsqu’il
utilise le système pour autre chose que de
l’apprentissage, ou enfin quand l’utilisateur
parcourt le contenu pédagogique trop
vite pour que l’apprentissage soit efficace.

L’analyse de ces interactions peut

également permettre de déterminer l’état
d’esprit de l’apprenant : est-il engagé
dans son expérience d’apprentissage ?
Est-il frustré, s’ennuie-t-il ?

Sur la base de cette connaissance, il est

plus facile d’imaginer des mécanismes
d’interventions automatisées pour
permettre à l’apprenant de se remettre
dans une situation où l’apprentissage
pourra être mené de manière plus efficace.
 19
ÉVALUER L'EFFICACITÉ
DES ÉCHANGES
COLLABORATIFS ET
IDENTIFIER LES MEMBRES
INFLUENTS DU RÉSEAU

Social learning, apprentissage informel ou collaboratif… Ces

approches ont enrichi les dispositifs de formation à distance depuis
plusieurs années. Les échanges entre pairs, le partage d’expérience, la
recherche d’aide auprès d’une communauté sont autant de pratiques
sources d’apprentissage.

Des méthodologies d’animation ont été développées pour assurer

l’efficacité de ces espaces d’échanges et d’apprentissage collaboratif.
Cependant, ces méthodologies ne sont pas particulièrement outillées.
Comment peut-on s’assurer que ces espaces vont réellement permettre
de développer l’efficacité des dispositifs de formation, et comment
capitaliser sur la valeur créée au sein des réseaux sociaux ?

Les techniques d’analyse de réseaux sociaux et de langage naturel

fournissent les outils pour identifier les structures porteuses de valeur au
sein des interactions d’un réseau social. En s’appuyant sur les éléments
mis en lumière par ces techniques, le « Learning community manager
» disposera d’une vision précise de l’activité au sein du réseau social.

A la manière d’un formateur en salle, capable de repérer les éléments

moteurs d’une formation, ou de développer une conversation en
aparté, pour en faire bénéficier toute la classe, le formateur en ligne
pourra disposer d’un tableau de bord lui permettant de repérer les
conversations en ligne pouvant être développées et partagées, ou
bien identifier les apprenants influents et renforcer sa méthodologie
d’animation en s’appuyant sur eux.
LES TECHNIQUES UTILISÉES
Les travaux de recherche menés depuis l’émergence de cette discipline ont permis de
mettre au point un nombre important de techniques et d’algorithmes. Nous présenterons ici
les principales approches, sans rentrer dans des considérations techniques trop détaillées.

LMS for Learning Communities

 21 FOUILLE DE
DONNÉES
(DATA MINING)
Les techniques de Data mining sont à la base de l’exploration des
grands volumes de données. Ces approches, appliquées aux données
d’apprentissage, permettent de mettre en évidence des caractéristiques
propres à ce domaine.
 INFÉRENCE DE CONNAISSANCES
Les travaux sur les algorithmes
d’inférence de connaissances
sont probablement à l’origine de
l’émergence des disciplines de
Learning Analytics et Educational Data
Mining.
L’objectif de ces algorithmes est
de mesurer ce qu’un apprenant
connaît à un instant donné, et qui
est significatif dans son expérience
d’apprentissage en cours. En d’autres
termes, on mesure l’acquisition de
connaissances au cours du temps, et
non pas la capacité à démontrer la
connaissance (on peut démontrer une
connaissance en devinant, par chance,
ou au contraire, on peut échouer à
démontrer une connaissance bien
qu’elle soit acquise).
Les principaux algorithmes d’inférence
de connaissances sont :
DÉCOUVERTE DES STRUCTURES
DE CONNAISSANCES
Ces méthodes fournissent des modèles
pour découvrir automatiquement
les relations entre item de formation
(contenus au sein d’un dispositif de
formation) et domaine de connaissance,
avec une qualité acceptable. Ce
mapping peut être utile pour vérifier
la bonne utilisation des ressources de
Bayesian Knowledge Tracing
(BKT) : la plus ancienne, cette
approche mesure l’acquisition
d’une connaissance spécifique au
cours du temps, et non pas d’un
ensemble de connaissances
Performance Factor Analysis
(PFA) : adresse certaines limitations
de BKT, permet de mesurer
l’acquisition de plusieurs
connaissances en même temps, et
est plus souple dans son
paramétrage, mais en contrepartie,
son interprétation est plus difficile
Item Response Theory (IRT) :
principalement utilisé dans les
systèmes d’évaluation, et moins
dans les systèmes d’apprentissage,
car une de ses hypothèses de base
est qu’aucun apprentissage
n’intervient entre les items mesurés
(cas des évaluations et pas des
formations)
formation, et associé aux techniques
d’inférences de connaissance, vérifier
la performance du dispositif.
Les principales méthodes appliquées à
ce problème sont les approches basées
sur les Q-matrix et les techniques de «
Learning Factor Analysis ».
23 CLUSTERING -
MODÉLISATION
DES STYLES
D'APPRENTISSAGE
L’objectif de cette approche est d’identifier automatiquement les
différents comportements d’apprentissage des apprenants, et
d’associer ces comportements à des catégories non déterminées par
avance, mais apprises par le système.

Cette approche permet de s’affranchir d’une étape préalable

d’identification ou de modélisation manuelle, et s’adapte aux variations
observées entre bases d’apprenants.

La modélisation des styles d’apprentissage n’est pas une fin en soi, mais
peut être utilisée comme étape préliminaire à d’autres traitements,
comme par exemple la recommandation personnalisée de contenus,
l’adaptation personnalisée de dispositifs, ou la recommandation de
membres dans le réseau social (cf. ci-dessous).

Les principales techniques utilisées sont les techniques classiques de

clustering, et en particulier :
Les approches basées sur les centroïdes, qui représentent le centre
de chaque groupe. Les algorithmes comme celui des k-moyennes
cherchent à optimiser la position des centroïdes pour minimiser la
distance des points du jeu de données au centre qui leur est attribué.
Les approches basées sur une estimation des distributions de
probabilité des données. Les clusters sont considérés comme des
objets appartenant à la même distribution. La principale technique est
connue sous le nom de modèle de mélange gaussien.
Les approches basées sur l’estimation des densités. Les clusters
sont définis comme les ensembles de points de plus grande densité
que le reste du jeu de données.
24 ANALYSE
PRÉDICTIVE
L’analyse prédictive permet de faire des hypothèses sur les
évènements futurs en s’appuyant sur l’observation des faits passés.
L’hypothèse principale est que la capture des relations entre variables
explicatives et variables expliquées, issues des observations passées,
permettra de prédire les futures variables expliquées, avant de
les observer.

Une des principales applications est la recommandation : prédire les

choix futurs d’un utilisateur pour les lui suggérer. Netflix et Amazon
sont deux entreprises très médiatisées, qui utilisent ces approches
pour développer leur modèle d’affaire.
Ce mécanisme est tout à fait applicable au domaine de la formation.
 RECOMMANDATION
DE CONTENUS E-LEARNING
Plusieurs approches sont possibles
pour proposer du e-learning : des
dispositifs structurés et cadencés
peuvent être prescrits aux apprenants.
Ceux-ci suivent une chronologie
déterminée, et consultent les
ressources sélectionnées par le
concepteur. Les apprenants peuvent
également avoir accès à une
bibliothèque de contenus en libre
service. Dans ce cas, le principal outil
mis à disposition pour identifier les
contenus pertinents est le moteur de
recherche intégré.
Lorsque le volume de contenus
est important, et considérant le
phénomène de la « longue traine »,
de nombreux contenus risquent de
ne jamais être consultés (les pages de
RECOMMANDATION SOCIALE
Grâce au développement du social
learning, de nouveaux types de
données sont générés et collectés par
les systèmes d’apprentissage. On peut
notamment citer les relations créées
entre les membres, les discussions et
commentaires, les « like », les contenus
partagés, etc.
Le succès d’un réseau social passe
par l’engagement de ses membres.
Une animation éditoriale bien conçue
peut susciter l’intérêt des membres et
les inciter à consulter les publications
et contribuer au réseau social. Mais
des méthodes automatiques peuvent
aussi être appliquées en complément.
résultats au delà de la deuxième sont
très rarement consultées).
Un mécanisme de recommandation,
prenant en compte non seulement
la similarité des items recherchés,
mais également la similarité de
l’historique de consultation des
autres apprenants, peut identifier des
contenus pertinents à mettre en avant,
et ainsi individualiser la sélection de
contenus proposés à un apprenant.
Les deux principales approches sont
la recommandation basée sur les
contenus, et le filtrage collaboratif,
qui s’intéresse au lien entre utilisateurs
et items. Des systèmes hybrides
combinant les deux approches
ont souvent montré des résultats
significativement meilleurs.
Les mécanismes de recommandation
sociale sont similaires aux
recommandations de contenus,
mais s’appuient sur des données
spécifiques, organisées autour du
graphe du réseau social. Le graphe est
la structure de données qui représente
les connexions entre les différents
objets du réseau : membres, contenus,
discussions, activités sociales, etc.
Ces méthodes permettent de
déterminer les objets pertinents à
soumettre aux membres du réseau :
d’autres membres à suivre, des
discussions pertinentes, des contenus
partagés, etc.
26 ANALYSE
DES RÉSEAUX
SOCIAUX
Une bonne compréhension de l’activité et de la dynamique du réseau
social permet de mieux piloter celui-ci. La nature particulière des
données gérées par le réseau et organisées autour du graphe, implique
de définir de nouvelles mesures adaptées.
 MÉTRIQUES ET MESURES
La théorie de l’analyse des réseaux
sociaux s’est développée depuis de
nombreuses années. Mais depuis
l’apparition des grands réseaux
sociaux publics comme Facebook
ou Twitter, ces outils ont connu une
nouvelle popularité.
Plusieurs définitions et statistiques
spécifiques aux réseaux sociaux sont
utilisées :
Une composante d’un réseau est un
ensemble de nœuds entièrement
connectés, c’est à dire qu’il existe un
chemin entre tous les couples de
nœuds de l’ensemble
DÉTECTION DE COMMUNAUTÉS
Des groupes se forment naturellement
au sein des réseaux sociaux.
L’analyse de ces groupes, qu’on
appelle communautés dans le cadre
de réseaux sociaux en ligne, est
particulièrement instructive pour
comprendre la dynamique du réseau,
et dans le cas particulier des réseaux
d’apprentissage, comment les
apprenants l’utilisent pour renforcer
leurs formations.
Le diamètre d’un réseau (ou de sa
plus grande composante en cas de
réseau déconnecté) est le maximum
des plus courts chemins entre chaque
couple de nœuds du réseau
Le degré d’un nœud est le nombre
de voisins de ce nœud
Ces définitions ont permis de définir
les mesures propres aux réseaux
sociaux, et en particulier les notions de
centralité. Ces notions caractérisent
localement les réseaux sociaux, et
déterminent les éléments importants
de ceux-ci, comme les influenceurs, les
intermédiaires.
Les principales techniques de
détection de communautés se basent
sur le calcul de l’intermédiarité
(betweenness) d’une connexion.
Une valeur importante de cette
mesure suggère que la connexion
relie deux communautés différentes.
En appliquant un seuil à la valeur
de l’intermédiarité des connexions
du réseau, nous obtenons ainsi
une segmentation du réseau en
communautés.
28 ANALYSE TEXTUELLE
ET DU LANGAGE
NATUREL

L’analyse automatisée des contributions des membres du réseau social

nécessite une approche particulière, basée sur des techniques de
traitement du langage naturel.

Les techniques spécifiques mises en œuvre dans ce cadre peuvent

être :
Classification des sujets et « tagging » automatique – probablement
l’une des applications les plus populaires de ce domaine, elle permet
d’associer à chaque contribution un ou plusieurs labels, issus d’une
taxonomie centralisée ou proposée par les apprenants. Cet
enrichissement de données peut être utilisé par la suite pour améliorer
la recherche de contenus ou les briques de recommandations sociales
par exemple.
Résumé automatique des discussions – permet d’extraire les
informations pertinentes d’une discussion et créer une représentation
visuelle condensée de celle-ci, pour par exemple faciliter le travail d’un
modérateur ou d’un formateur chargé d’animer la communauté.
Analyse des sentiments et des opinions – permet d’identifier les
sentiments clés exprimés au sein des discussions portées par le réseau
social. L’identification de ces sentiments fournira au responsable
formation une connaissance poussée de la perception qu’ont les
apprenants des dispositifs de formation et des contenus pédagogiques
mis à disposition.
QUELS BÉNÉFICES ET
POUR QUELS ACTEURS ?
La mise en place d’une approche d’optimisation et d’amélioration continue, basée sur
l’analyse des données d’apprentissage en ligne, a de multiples bénéfices, pour l’ensemble
des acteurs.

LMS for Learning Communities

30 BÉNÉFICES POUR
L'APPRENANT

Les apprenants seront les premiers bénéficiaires d’une telle approche.

Les nouveaux usages que permettrait une approche orientée data
fourniraient aux apprenants les avantages suivants :
Suivre des dispositifs de formation fortement personnalisés, adaptés
à leurs besoins en temps-réel, et bénéficier d’un « sur-mesure » à
grande échelle
Apprendre face à un système capable de détecter les déficits
d’engagement, et qui s’adapte à ces états pour remettre l’apprenant
en situation d’apprentissage
Ces avantages visent tous le même objectif pour l’apprenant :
optimiser l’acquisition et la rétention des connaissances, et in fine
améliorer sa performance opérationnelle.
 31 BÉNÉFICES
POUR LE
RESPONSABLE
FORMATION
L’évaluation des dispositifs de formation en ligne reste
un sujet difficilement traité. Les méthodes classiques
d’évaluation des formations e-learning sont généralement
effectuées après le déroulement de celles-ci, et peu
d’indicateurs pertinents permettent au responsable de
formation de réagir rapidement, si un problème se présente.

La mise en place de méthodes d’analyse en continu des

données générées lors du déroulement des dispositifs de
formation pourra fournir aux responsables de formation
les moyens d’évaluer et de suivre la qualité des séquences
d’apprentissage au sein des dispositifs, au fur et à mesure
de l’avancement de celles-ci. En cas d’anomalie détectée et
caractérisée, le RF sera en mesure de comprendre l’origine
du problème et d’apporter une réponse rapide et efficace,
permettant ainsi aux apprenants de poursuivre leur dispositif
dans les meilleures conditions.

Enfin, ces mécanismes de suivi en temps-réel fournissent

l’environnement idéal à l’expérimentation et la mesure
d’efficacité de nouvelles approches pédagogiques, testées
à grande échelle.
32 BÉNÉFICES
POUR LE CHIEF
LEARNING
OFFICER
Comment démontrer et mesurer l’apport de la formation sur la valeur
créée par l’entreprise ? Répondre à cette question permettrait de
montrer à quel point la formation peut être source de profits.

Une analyse croisée du développement des compétences

apportées par la formation, et de l’évolution de la performance
individuelle et globale, dessinera une image précise des
liens entre formation et création de valeur. Cette approche
fournira un nouveau moyen d’évaluer le ROI de la formation.

L’usage des techniques d’analyse et de modélisation ne s’arrête pas

là. En abordant la question de la performance opérationnelle, tous les
domaines de l’entreprise sont concernés. L’organisation des entreprises
modernes rend l’analyse des impacts de chaque fonction complexe,
comme pour la mise en évidence des relations de cause à effet.

La promesse des techniques d’analytics réside ici : mettre en évidence

les signaux cachés qui permettront de développer la création de valeur.
NOUS CONTACTER :

360LEARNING
TEL : 0811 465 717
7 RUE DE SURÈNE
75008 PARIS
CONTACT@360LEARNING.COM
WWW.360LEARNING.COM

CROSSVIA
TEL : 06 30 54 53 49
99BIS, AVENUE DU GÉNÉRAL LECLERC
75014 PARIS
ANTOINE.ZILIANI@CROSSVIA.COM
WWW.CROSSVIA.COM

LMS for Learning Communities