Knewton est une entreprise qui offre des services de formation en ligne adaptatifs. Pour adapter leurs contenus en fonction des usagers, ils accumulent des données sur chaque étudiant, beaucoup de données.
Mais ils sont bien conscients que toutes les données n’ont pas la même valeur ni la même portée. Par exemple, légalement, les données personnelles sont mieux encadrées que les données d’évaluation ou d’administration. Les données de progression ont une valeur considérable en éducation mais marginale par ailleurs. Etc.
L’organisation de grandes quantités de données demande de bien faire la différence entre les types de données. Voici les cinq types de données massives qui sont les plus importantes selon Knewton
- Les données d’identité
Qui sont les étudiants, quels sont leurs privilèges d’accès et leurs droits administratifs
- Les données d’interaction des usagers
Ces données comprennent les mesures de l’engagement, le taux de clics, les pages vues, le taux de rebond. Ils servent évidemment à optimiser ce qui est proposé.
- Données déduites des comportements collectifs
Quelle performance un contenu enregistre t’il dans un groupe ou un sous-groupe ? Quel changement positif dans la progression des étudiants quand tel genre d’étudiants interagit avec tel contenu ? À quel point une question évalue t’elle correctement ce qu’elle est supposée évaluer ? Ces données permettent d’augmenter l’efficacité mais ne sont pas facile à produire. Elles peuvent avoir une grande valeur.
- Données à la grandeur du système
Les listes d’inscrits, les notes, les rapports disciplinaires, les présences sont des exemples de données communes à tous. Ces données sont toujours délicates à utiliser et sont considérées avec circonspection.
- Données déduites des comportements individuels
Qu’est-ce qu’un étudiant sait exactement, avec quel degré de maîtrise ? Est-ce qu’une réponse manquée l'est en raison d’un manque de maîtrise, d'un oubli, d'une distraction ou simplement d'une question mal foutue ou un mélange de tout ça ? Quelle est la probabilité de succès d’un étudiant au prochain examen et que peut-il faire dès maintenant pour l’augmenter ? Ces données sont d'un grand intérêt pour l'étudiant.
Il n’existe aucun système idéal de traitement de ces informations. Cela dépend des priorités du moment, de la taille de l’institution et de bien d’autres facteurs différents pour chaque institution. Une institution engagée dans une démarche de qualité ne regardera pas les mêmes données qu'une autre concentrée sur ses relations avec les étudiants.
Cependant, il est sage de garder à l’esprit qu’ultimement ces données sont celles des étudiants, l’institution n’en est que le dépositaire, et qu’elles ne doivent ne servir qu’à favoriser leur apprentissage, directement ou indirectement.
Illustration : robuart - ShutterStock
Source :
Big Data in Education: The 5 Types That Matter
Jose Ferreira - 2013 - Knewton
http://www.knewton.com/blog/ceo-jose-ferreira/big-data-in-education/
http://publicservicesalliance.org/wp-content/uploads/2013/07/Big-Data-in-Education-The-5-Types-That-Matter-Knewton-Blog.pdf
Voir plus d'articles de cet auteur