xCALE

Le projet ANR xCALE se propose de développer des modèles et des outils pour mesurer et soutenir l’autorégulation des apprentissages dans des cours en ligne, dans une perspective de développement de l’autonomie des apprenants. Dans le cadre de la phase exploratoire de ce projet, nous organisons une journée d’études le lundi 13 décembre 2021 pour mieux cerner les enjeux du projet .

La matinée, ouverte à tous, nous permettra de présenter le projet et de profiter de l’éclairage de plusieurs chercheuses abordant des problématiques centrales du projet xCALE. 

L'après-midi sera réservée aux chercheurs participant au projet pour travailler sur les premières expérimentations du projet. 

Vous êtes donc cordialement invités à participer à la matinée, soit en visio, soit en venant nous rencontrer à Brest, Rennes ou Nantes. Pour des facilités d’organisation, nous vous demandons de vous inscrire ici. (informations pour nous rejoindre par retour de mail) https://evento.renater.fr/survey/journee-d-etudes-xcale-bo8xr9y7

Programme prévisionnel

- 8:45 Café virtuel d’accueil 

- 9:00 Présentation du projet xCALE - Jean-Marie Gilliot (Lab-STICC - IMT Atlantique)

- 9:30 Décrire et comprendre les effets du passage brutal à l'enseignement à distance sur les pratiques d'apprentissage - Bernadette Charlier (Centre de Didactique Universitaire - Université de Fribourg - Suisse)

- 10:15 Pause

- 10:30  LASER: Supporting Self-regulated Learning in Blended Learning Environments -  Mar Perez Sanagustin (IRIT - Université de Toulouse)

- 11:15 Analyser le comportement humain lors d'activités de programmation à partir de traces  Marielle Leonard (NOCE - Université de Lille)

- 12:00 Fin de la matinée

Après midi réservée aux membres du projet - ateliers de travail

Résumé des présentations

• Décrire et comprendre les effets du passage brutal à l'enseignement à distance sur les pratiques d'apprentissage - Bernadette Charlier
  Cette intervention présente les résultats d'une recherche qualitative exploratoire (n=19) analysant les transformations des pratiques d'apprentissage telles que vécues par les apprenants de chaque niveau d'enseignement, du primaire à l'université, lors du passage forcé à l'enseignement à distance dans le canton de Fribourg en Suisse. Le cadre théorique se fonde sur le modèle systémique d’évaluation des dispositifs de formation de (Charlier, Cosnefroy, Jézégou et Lameul, 2015) pour comprendre les transformations de pratiques d’apprentissage émergeant de l’interaction entre chaque apprenant et son environnement d’apprentissage. L'approche de Goodyear (2020) définissant une pratique comme une forme d'activité humaine dans laquelle les individus et les objets qu'ils emploient sont distribués selon des arrangements caractéristiques dans un projet particulier (Goodyear, 2020, p.4) est adoptée pour une analyse en « Zooming in » (détail de la pratique) et « Zooming out » (mise en relation avec des caractéristiques individuelles et des environnements).  Ces arrangements sont décrits et analysés à l'aide d'un système de catégories décrivant une pratique d'apprentissage et la représentant visuellement au moyen de la méthode MEPA (Modélisation des Environnements Personnels d’Apprentissage de Felder). Cette démarche permet de comparer les pratiques de différents apprenants ou les pratiques d'un même apprenant dans le temps. Les transformations ainsi décrites sont liées aux changements dans la conception de l'environnement d'apprentissage décidés par les enseignants et à leur représentation par les apprenants. Au-delà de la diversité des pratiques d'apprentissage, les résultats de la recherche soulignent comment un passage rapide d'un environnement d'apprentissage à un autre peut être, selon les compétences d’autorégulation des étudiants, soit un risque conduisant à l'appauvrissement des pratiques d'apprentissage, soit une opportunité pour développer de nouvelles pratiques et projets d'apprentissage. En conclusion, les apports de cette recherche en termes de méthodologie et des pistes pour soutenir la gestion des transitions dans les environnements d'apprentissage seront discutés.à définir
• LASER: Supporting Self-regulated Learning in Blended Learning Environments -  Mar Perez Sanagustin
  LASER (Learning Analytics Solution for Srl in BL EnviRonments) is an ANR JCJC project that investigates Learning Analytics (LA) technologies and techniques combined with qualitative methods to better understand and support students’ self-regulated learning (SRL) strategies, and their relationship with performance in Blended Learning (BL) scenarios. In this presentation, I will present some of the work in which LASER is based as well as the methodological approaches that will follow to combine trace data with analysis with theoretical models from the educational sciences. Finally, I will discuss how this project contributes with novel empirical data on the strategies developed by students in BL scenarios and how this could relate with the xCALE.
• Analyser le comportement humain lors d'activités de programmation à partir de traces  Marielle Leonard
  À l’école primaire et au collège, l’initiation à la programmation informatique avec le langage visuel Scratch fait partie du programme scolaire depuis 2016. Lors de la conception d’un programme pour résoudre un problème donné, les élèves sont rapidement confrontés à des notions algorithmiques telles que la boucle. Comment appréhendent-ils ces notions ? Quelles sont les difficultés rencontrées ?
  Analyser l’activité d’élèves de CM1 à la 3ème lors de leur participation au concours national de programmation Algorea organisé par l’association France-ioi vise à identifier les stratégies de résolution et les difficultés rencontrées lors de problèmes de programmation. À cette fin, des données sont collectées à plusieurs échelles : enregistrements vidéos de passages individuels du concours Algorea, enregistrement des traces d'activité sur la plateforme à l'échelle de classes, et taux de réussite des mêmes problèmes de programmation à l'échelle nationale.
  Le but est de construire des indicateurs qui reflètent les stratégies de résolution et les difficultés rencontrées par les élèves puis de passer à l'échelle cette identification de stratégies de résolution des problèmes de programmation en langage Scratch. Ces travaux sont menés dans le cadre du projet Interreg Teach Transition qui vise à mettre en place une formation transfrontalière aux compétences numériques à destination des enseignants et formateurs.

This WP will aim to define a precise setup of the project’s roadmap along scientific, development, and experimental aspects, and derive specifications among different WPs. This setup will be guided by a comprehensive list of use cases. This WP will initiate work of the first iteration.

Task 1.1: Experimental protocol specifications

A methodology will be defined, dedicated tools specified to measure and analyse awareness and evolution of self-regulation among learners. Success indicator: independence between the measure of the protocol and those defined in use cases.

Task 1.2: Use cases specifications

A provision of use cases will be produced that will cover the project’s objectives. A first use case will be selected to initiate first iteration planning. Success indicator: A comprehensive list of use cases, providing uniform progression among scientific issues and software development in line with project objectives, with a consensus for the first use case to be implemented.

Task 1.3: Breakdown of specifications among WPs

This will ensure clear objectives for each WP, and required coordination. Success indicator: Clear distribution and dependencies across WPs

This WP will aim to define skills and SRL support at pedagogical level, to develop corresponding open learner models (OLM), and interactions according to models outputs and educational scenarios.

Task 2.1: Pedagogical Setup

At each iteration, didactic settings to provide related support will be defined. Development and adaptation of pedagogical resources will be ensured in cooperation with pedagogical staff. Success indicator: Educational scenario emphasizes specific support for current iteration, and provides clear experimental context.

Task 2.2: Interactions design

According to pedagogical setup, visualisations, automated interactions and dedicated interpretations will be designed. Success indicator: Full specification of interactions according to models outputs and educational scenarios.

This WP will aim to define models for knowledge and skills learning, and Self-Regulated Learning, providing interpretable indicators, triggers and recommendations, as a basic set for designing interactions.

Task 3.1: Bayesian network design

Bayesian networks will aim to integrate learning data from the platform in order to provide accurate measures of cognitive and meta-cognitive learning. Success indicators: Accuracy and performance of the model will be monitored

Task 3.2: Model interface design

Designing appropriate indicators, triggers and recommendations to support interactions defined in specifications will enable model integration with pedagogical support.

This WP will be devoted to platform development. The same platform will be integrated and used in all experimental settings.

Task 4.1: Data management and access

Specific developments will be dedicated to make needed data available and manageable by further developments. Success indicator: Data availability according to use case specifications.

Task 4.2: Interface development

Special attention is needed for interface design, to fully incorporate educational scenarios in the platform and to enable fruitful interactions with users. Success indicator: Man-Machine Interface usability indicators will be monitored

Task 4.3: Integration

This task will integrate developments resulting from the WPs 2 and 3 to make them operational in our testing grounds (WP5). During the initial iteration, a specific period of time will be allocated to this task. Success indicator: Full interaction according to use case specifications.

This WP will be devoted to test field experiments. At every iteration, results analysis will be shared among project’s partners. Use cases & specification updates and the next iteration planning will be established collaboratively with all partners,

Task 5.1: Experimentation setup

Definition of experimental protocols and related specific tools will be defined, according to iteration objectives. Success indicator: qualitative measure protocols available to confirm quantitative measurements

Task 5.2: Experimentation on test fields

Measurement protocols will be conducted on defined test fields. related data will be collected and analysed. Success Indicator: Sufficient data available.

Task 5.3: Use cases & specifications updates

According to experimental results, and other WPs progress, use cases specifications for next iterations will be updated. Success indicators: WPs progress monitored and acknowledged. Partners consensus on roadmap.