Learning Analytics pour la compréhension des processus d'apprentissage dans les environnements d'apprentissage en ligne
Auteur / Autrice : | Charlotte Larmuseau |
Direction : | Luigi Lancieri, Fien Depaepe |
Type : | Thèse de doctorat |
Discipline(s) : | Informatique et applications |
Date : | Soutenance le 30/11/2020 |
Etablissement(s) : | Université de Lille (2018-2021) en cotutelle avec KU Leuven (1970-....) |
Ecole(s) doctorale(s) : | École doctorale Sciences pour l'ingénieur (Lille) |
Partenaire(s) de recherche : | Laboratoire : Centre de Recherche en Informatique, Signal et Automatique de Lille - Centre de Recherche en Informatique- Signal et Automatique de Lille - UMR 9189 / CRIStAL |
Jury : | Président / Présidente : Wim Van den Noortgate |
Examinateurs / Examinatrices : Annelies Raes, Jean Heutte, Wim Van den Noortgate | |
Rapporteurs / Rapporteuses : Johan Van Braak, Pierre Beust |
Mots clés
Mots clés contrôlés
Mots clés libres
Résumé
L’éducation change en termes de ce qui est appris et de contexte dans lequel l'apprentissage a lieu. Cela peut être en grande partie lié aux exigences en constante évolution du marché du travail actuel. En outre, la disponibilité des technologies de l'information a modifié les limites traditionnelles de l'éducation en matière de temps, d'espace et d'accès à l'information. Du point de vue de la pédagogie, la combinaison de ces deux phénomènes constitue un grand défi pour les chercheurs et les pédagogues qui doivent mettre en œuvre une pédagogie qui réponde aux exigences du contexte actuel de l'apprentissage (Ng, 2015). Le modèle de conception pédagogique à quatre composantes (modèle 4C/ID; van Merriënboer et al., 2002) est un modèle de conception pédagogique basé sur la recherche qui s'est avéré efficace pour promouvoir l’ apprentissage complexe. Néanmoins, offrir un environnement d'apprentissage en ligne basé sur un modèle de conception pédagogique basé sur la recherche n'est pas nécessairement une garantie de son efficacité. Comme l'apprenant est un agent actif dans le processus d'apprentissage en ligne, l'efficacité des environnements d'apprentissage dépend largement des caractéristiques cognitives et motivationnelles-affectives de l'étudiant. Afin d'étudier les caractéristiques qui peuvent influencer l'efficacité d'un cours en ligne basé sur les 4C/ID et la manière dont l'efficacité peut être facilitée, le projet de recherche actuel a été divisé en deux pistes de recherche. Sur la base de trois études, la première piste de recherche a examiné l'influence des caractéristiques cognitives et motivationnelles-affectives des étudiants sur l'efficacité des environnements d'apprentissage en ligne. Plus particulièrement, les études 1 et 2 ont examiné l'influence de l'acceptation de la technologie par les étudiants et la perception de la qualité de l'enseignement par les étudiants. En outre, l'étude 3 a examiné l'influence des connaissances antérieures et des caractéristiques motivationnelles des élèves sur les différentes utilisations des composantes et les résultats de l'apprentissage. Les résultats des études 1 et 2 révèlent l'importance de l'acceptation des technologies par les étudiants et de la perception de la qualité de l'enseignement sur respectivement la quantité et la qualité de l'utilisation et les résultats d'apprentissage des étudiants. En outre, les résultats de l'étude 3 indiquent que (1) les connaissances antérieures et la motivation intrinsèque des étudiants peuvent influencer les différences d'utilisation et que (2) les connaissances antérieures des étudiants et les différences d'utilisation des composantes influencent positivement les résultats d'apprentissage des étudiants. Par conséquent, la piste de recherche 1 indique que les différences individuelles peuvent influencer l'efficacité d'un environnement d'apprentissage en ligne. Néanmoins, des recherches antérieures indiquent que l'influence des différences individuelles peut être modéré en alignant l'environnement d'apprentissage sur les besoins d'apprentissage des étudiants. Afin d'aligner le cours en ligne sur les besoins d'apprentissage des étudiants, nous devrions être en mesure de détecter le processus d'apprentissage au cours de l'apprentissage complexe en ligne. Par conséquent, la deuxième piste de la recherche a examiné dans deux études si des données physiologiques liées à la peau (études 4 et 5) et les données physiologiques cardiovasculaires (étude 5) peuvent être utilisées pour évaluer la charge cognitive pendant le processus de résolution de problèmes en ligne. Les résultats de l'étude 4 révèlent que les changements de charge cognitive peuvent être détectés par l'EDA lorsque les différences de charge cognitive sont élevées. Les résultats de l'étude 5 semblent indiquer que la surcharge cognitive induit un stress qui a été évalué via la température de la peau et la fréquence cardiaque.