Personnalisation des MOOC par la réutilisation de Ressources Éducatives Libres - Thèse de Hiba Hajri

Ressources éducatives libres pour MOOC augmenté

La thèse d’Hiba Hajri s’inscrit dans l’exploration du monde de l’Open Education. L'écucation ouverte ou Open Education caractérise un mouvement visant à ouvrir l’accès à une éducation de qualité à toute personne. Avec Internet, les concepteurs de ressources offrent librement leurs ressources, les REL « Ressources éducative libre ».

À partir des années 90 des organisations éducatives puis à compter de 2002, l’UNESCO, s’efforcent d’organiser et diffuser ces ressources dont le format va d’un texte à une vidéo en passant par des modules complets en ligne. La déclaration de «Cape Town Open Education Declaration» a spécifié les stratégies et les principes à suivre pour faciliter le développement de l'éducation ouverte. Parmi les trois stratégies proposées, deux d’entre elles encouragent à la production et au partage des REL :

Encourager les enseignants et les apprenants à s’engager dans ce mouvement en leur proposant le soutien nécessaire pour créer et utiliser des REL.
Promouvoir la diffusion des REL sous des licence libre.
Faire de l’éducation libre une priorité pour les gouvernements, les écoles et les universités

Un protocole technique (les LOD (Level of details) des données ouvertes et liées permettent des accès standardisés à partir d’entrepôt de ressources. Les MOOC en tant qu’EIAH (environnements informatiques pour l’apprentissage humain) sont potentiellement intéressés par ces ressources. En effet la caractéristique des MOOC est d’accueillir une variété de publics particulièrement hétérogènes. La solution proposée par les MOOC ne correspond donc pas à chaque besoin. La recherche sur la personnalisation des EIAH et l’usage de ressources éducatives libres est donc un champ potentiellement intéressant pour l’éducation.

La thèse cherche à identifier les situations pour lesquelles l’usage de REL permettrait de combler des lacunes et de répondre à une variété de questions telles que :

Comment sont détectées les lacunes de l’apprenant ? À quels stades du MOOC est déclenché le processus de recommandation pour un apprenant ?
Quelles sont les informations sur l’apprenant à prendre en considération au moment du calcul des recommandations pour qu’elles soient adaptées à ce dernier ? Comment capturer ces informations ?
Quelles sont les spécificités du MOOC à prendre en considération au moment du calcul des recommandations de REL recommandées pour qu’elles s’intègrent dans le MOOC et le complètent ?
Quels sont les critères à respecter par les REL à recommander pour prendre en considération ces spécificités ? Comment changent ces critères selon le stade du MOOC dans lequel est déclenché le processus de recommandation pour l’apprenant?

La thèse est organisée en 3 parties : état de l’art, contribution et évaluation.

Dans l’état de l’art la thèse rappelle les avantages des REL sur d’autres ressources, mais aussi la variété des descriptions par l’application des technologies du web sémantique.

La question de la personnalisation des MOOC est abordé. Dans un premier temps une présentation est faite des Environnement informatiques pour l’apprentissage humain (EIAH), et la façon dont la personnalisation opère de même que la manière dont les recommandations sont formulées. Puis le cas spécifique des MOOC (XMOOC ou CMOOC) comme déclinaison des EIAH. Une variété de recommandations peut être opérée selon l’angle adopté (participant, ressources, parcours, architecture du MOOC) :

Le type de personnalisation

adaptation de parcours ou recommandation;
recommandation de ressources du MOOC ou de ressources externes;
type de ressources recommandées (des vidéos, des MOOCs, etc.);
modélisation des caractéristiques de l’apprenant à la base des recommandations;
techniques adoptées pour capturer les informations d’un apprenant particulier;
caractéristiques utilisées pour modéliser l’apprenant ou les connaissances;
implémentation d’une approche de recommandation;
évaluation de la pertinence des approches de recommandations (la thèse observe peu d’évaluation).

Un des éléments propres aux REL réside dans la façon spécifique de chaque concepteur de les rendre accessibles. Il s’agirait d’interroger chaque entrepôt avec des requêtes spécifiques, car les descriptions des REL respectent des standards propres aux concepteurs de bases de données.

Dans la contribution, la thèse développe le système de recommandation de ressources MORS (MOOC-based Open Educational Resources Recommender System). Le but des recommandations fournies par MORS est de remédier à des lacunes détectées chez les apprenants afin de les aider à profiter au mieux du contenu du MOOC. Les recommandations sont calculées dynamiquement pour la situation de chaque apprenant dans des stades différents du MOOC en prenant en compte simultanément les spécificités de l’apprenant et celles du MOOC qu’il est en train de suivre.

La solution MORS s’appuie sur

Le profil du MOOC à partir des données de sa conception;
Le profil de l’apprenant à partir des données d’inscription;
Le calcul de recommandation qui se déroule selon un protocole en 4 étapes :
1. Questionnaire préalable au démarrage puis questionnaires à la fin de chaque section;
2. Détection des lacunes;
3. Lancement d’une requête pour interroger des bases de données externes au MOOC;
4. Raffinement des recommandations en fonction des historiques accumulés.
Proposition hiérarchisée de ressources;
Évaluation de l’effet des recommandations sur l’apprenant grâce à un test de connaissances et mise à jour de son profil si nécessaire.

Les ressources recommandées respectent des critères pour l’apprenant et le MOOC

Critères apprenants

La ressource correspond aux préférences de l’apprenant et en particulier à son style d’apprentissage;
La ressource respecte le niveau de connaissances de l’apprenant;
La ressource est destinée à un public cible qui maîtrise des langues connues par l’apprenant.

Critères MOOC

La granularité des ressources recommandées est compatible avec la granularité des ressources existant déjà dans le cours;
La durée d’apprentissage nécessaire pour assimiler le contenu de la ressource recommandée est compatible avec les durées d’apprentissage des ressources du MOOC;
Le niveau des connaissances, apporté par la ressource dans la notion pour laquelle la recommandation a été déclenchée, doit respecter ce qui est prédéfini par le créateur du cours;
Le public ciblé par la ressource est compatible avec le public ciblé par le MOOC.

La thèse identifie les principaux fournisseurs de REL tels que

Certains de ces fournisseurs de ressources proposent plus de 37 000 références avec un étiquetage particulièrement bien renseignées, d’autres sont plus ou moins bien entretenus et offrent une vision lacunaire. La démonstration de la thèse s’appuie sur les requêtes SPARQL pour accéder aux métadonnées et tester son modèle sur la plateforme MOOC open Edx

Dans la partie évaluation l’auteur de la thèse s’efforce d’évaluer l’algorithme de recommandation utilisé et la pertinence des recommandations faites à l’apprenant. Une des difficultés rencontrées est que les entrepôts de descriptions de REL changent dynamiquement. Il est donc difficile de comparer les ressources proposées par la solution avec toutes les REL décrites dans les entrepôts. Par ailleurs la littérature propose peu de solutions pour évaluer la qualité de recommandation. L’évaluation consiste à noter la ressource sur un échelle de 1 à 5

Du point de vue de l’organisateur de MOOC :

la granularité est en adéquation avec le contenu du MOOC;
la durée d’apprentissage est plus ou moins en adéquation avec les spécificités du MOOC;
le niveau de connaissance apporté par la ressource dans la notion en question est en adéquation le niveau censé être apporté par le MOOC.

Du point de vue de l’apprenant

la ressource est lue ou moins agréable à suivre et correspond à ses habitudes d’apprentissage;
La ressource est plus ou moins facile à suivre.

Il est aussi demandé à l’apprenant de choisir une ressource à suivre dans la liste des REL qui lui sont proposées pour chacune des trois notions pour étudier le choix de l’apprenant et le comparer avec son style d’apprentissage et pour détecter ce qui l’incite à choisir plutôt une ressource qu’une autre.

Pour un échantillon vérifiant la qualité du module de recommandation, 3 experts consultés sur 4 approuvent le choix du module de recommandation et 60% des apprenants font de même (23% estiment au contraire ne pas avoir de temps pour explorer de nouvelles ressources, 14% estiment que c’est même une mauvaise idée).

La thèse finit sur une série d’améliorations techniques à apporter à son modèle de recommandation de REL pour un MOOC et conclue à l’intérêt de cette approche tout en signalant les difficultés d’hétérogénéité des façons de qualifier les REL dans les bases de données.

Source

Télécharger la thèse https://www.theses.fr/2018SACLC046

Cape Town Open Education Declaration https://www.capetowndeclaration.org/

Base de Ressources En Ligne