L'analyse des traces dans un environnement OpenEdX : validation des profils d'utilisateurs et d'un modèle prédictif

La persévérance dans les cours en ligne reste une préoccupation des différents établissements postsecondaires (Dussarp, 2015). Le cas des MOOC représente une situation particulière des cours en ligne, avec un taux d'abandon encore plus élevé (Jordan, 2015). L'exploitation des traces informatiques a donné lieu à des approches innovantes en éducation, comme le Academic Analytics, le Educational Data Mining et le Learning Analytics. Le Learning Analytic permet une nouvelle approche pour identifier les étudiants « à risque », c'est-à-dire ceux dont le pronostic de réussite semble douteux, et pour introduire des interventions visant à améliorer les pratiques d'encadrement, d'enseignement ou d'apprentissage. Dans le présent projet, nous examinerons les spécificités nécessaires pour la transformation des données sur OpenEdX, afin d'en arriver à un modèle prédictif de la persévérance. Nous tenterons de mettre en place des modèles d'analyse, en tentant de reproduire le pouvoir prédictif d'un modèle équivalent à celui réalisé dans les analyses préliminaires. À la lumière de ces résultats, des hypothèses seront présentées sur les moyens à mettre en place pour favoriser l'engagement et la persévérance des apprenants.