Analyse de l’apprentissage : définition et comment se lancer

L’analyse de l’apprentissage (learning analytics, LA) permet de prendre des décisions fondées sur les données pour personnaliser les parcours de formation, repérer les points de blocage, intervenir à temps et améliorer les résultats.

Imaginez un système capable de détecter automatiquement à quel moment un étudiant a besoin d’aide sur des parties clés d’un cours.

C’est, entre autres, ce que permet l’analyse de l’apprentissage en combinant recherche en éducation, conception centrée sur l’humain et analyse de données.

Le résultat ? Une transformation profonde de notre façon d’apprendre et d’enseigner.

Dans cet article, vous comprendrez ce qu’est exactement l’analyse de l’apprentissage, comment elle est utilisée dans différents contextes et comment commencer à l’intégrer à vos stratégies.

Qu’est-ce que l’analyse de l’apprentissage ?

L’analyse de l’apprentissage est une discipline qui collecte, mesure, analyse et restitue les informations produites par les processus éducatifs (des notes jusqu’aux modes d’interaction sur les plateformes numériques) dans le but d’optimiser l’apprentissage.

Autrement dit, il s’agit d’obtenir une compréhension fine de l’écosystème éducatif grâce à la recherche, à la conception centrée sur l’humain et à l’analyse de données, afin d’engager des améliorations fondées sur des preuves et de favoriser la réussite des étudiants.

Grâce à cet ensemble de techniques, vous pouvez anticiper le comportement des apprenants, personnaliser leur apprentissage et améliorer la conception pédagogique des ressources.

L’analyse de l’apprentissage s’appuie sur l’analyse des réseaux sociaux (SNA). Elle en a adopté et adapté les outils pour interpréter les réseaux d’interaction numérique, qu’elle complète par des données contextuelles, comme l’expliquent Oleksandra Poquet et Srecko Joksimovic dans leur article Cacophony of Networks in Learning Analytics, publié dans le Handbook of Learning Analytics de la Society for Learning Analytics Research (SoLAR).

Cela a permis d’approfondir l’étude des processus sociaux et cognitifs dans les environnements éducatifs numériques.

Les applications de l’analyse de l’apprentissage

L’analyse de l’apprentissage couvre un large éventail d’applications, notamment :

• Elle permet de repérer tôt les situations à risque chez les étudiants.
• Elle analyse et améliore les supports pédagogiques.
• Elle facilite le retour d’information automatisé, avec un étayage pédagogique intelligent et adapté, grâce à des solutions comme le traitement automatique du langage naturel et l’analyse du discours.
• Elle approfondit l’étude des interactions sociales et de la construction des connaissances dans les environnements d’apprentissage collaboratifs et personnels.
• Elle permet de développer des modèles éducatifs riches pour la prise de décision, grâce à l’analyse de grands volumes de données et de méthodes.

Les techniques informatiques de l’analyse de l’apprentissage

Les méthodes d’analyse actuelles s’organisent autour de trois approches informatiques :

1. L’analyse de réseaux. Elle mesure les relations entre étudiants, mais aussi entre les étudiants et les ressources proposées. Vous obtenez ainsi des informations précieuses sur les comportements et les modes de collaboration.
2. L’analyse de processus. Elle porte sur la dynamique temporelle des interactions et des activités cognitives des apprenants. On peut y parvenir grâce à la fouille de séquences ou aux modèles de Markov cachés (HMM), qui analysent l’évolution de l’état d’un processus dans le temps.
3. L’analyse de contenu. L’une de ses stratégies centrales est le traitement automatique du langage naturel (TALN), qui permet d’évaluer la qualité du discours, d’identifier des thèmes et d’apprécier la cohésion sémantique. Ces méthodes sont essentielles pour évaluer les processus et donner un retour.

Les méthodes avancées combinent ces trois approches pour maximiser les résultats.

Quel lien entre analyse prédictive et apprentissage automatique ?

L’analyse prédictive et l’apprentissage automatique sont étroitement liés, sans être la même chose. L’analyse prédictive formule des prévisions sur des résultats futurs à partir de données historiques et actuelles, au moyen de techniques comme la fouille de données. L’apprentissage automatique (ML), lui, est un ensemble d’algorithmes qui améliorent automatiquement les prédictions, c’est-à-dire sans avoir été programmés spécifiquement à cette fin.

Disons que l’analyse prédictive est l’objectif (par exemple, prévoir le risque de décrochage) et que le ML est l’un des moyens d’y parvenir. C’est pourquoi on peut faire de l’analyse prédictive sans ML, par exemple au moyen de l’analyse de séries temporelles, même si c’est rare dans les systèmes avancés.

La pile technologique essentielle de l’analyse de l’apprentissage

La technologie nécessaire à l’analyse de l’apprentissage comprend généralement ces types de solutions :

• Couche d’ingestion et de collecte des données. Des technologies qui permettent de recueillir de grands flux de données en temps réel à partir de différentes sources, comme des portails d’apprentissage ou des ressources éducatives externes. Apache Kafka ou un Learning Record Store (LRS) en sont des exemples.
• Systèmes de gestion de l’apprentissage (LMS). Ils facilitent la gestion globale des programmes de formation à distance, avec le suivi de toutes les activités et évaluations. Moodle, Canvas et Blackboard sont quelques exemples de ce type de référentiel central des interactions de l’étudiant.
• Cadres de traitement et de modélisation des données. Ils aident à réaliser des analyses prédictives, à produire des rapports à partir de jeux de données et à faciliter l’apprentissage automatique. On retrouve ici Apache Kafka, ainsi que d’autres solutions comme Google Dataflow.
• Analyse et visualisation. Elles regroupent différentes solutions de tableaux de bord qui capturent, traitent, analysent et présentent les données éducatives. Autrement dit, elles transforment les données en informations exploitables et visuellement attrayantes, et peuvent créer des alertes précoces. Des outils de business intelligence comme Power BI de Microsoft, Google Data Studio ou Tableau peuvent vous aider.
• Diffusion des contenus. Ce sont différents types d’outils centrés sur la manière dont l’étudiant reçoit l’information. Les systèmes les plus innovants permettent de créer des cours interactifs avec l’intelligence artificielle, la réalité augmentée et des expériences immersives, comme ClassVR ou CoSpaces. Vous pouvez aussi utiliser des plateformes de microlearning pour proposer des leçons courtes et dynamiques, comme EdApp ou Axonify, ou adapter votre propre LMS.
• Outils auteur. Indispensables pour concevoir, évaluer et améliorer l’expérience d’apprentissage. Articulate 360, Adobe Captivate ou iSpring Suite font partie des options solides à explorer.

L’analyse de l’apprentissage avancée : du descriptif au prescriptif

L’évolution de l’analyse de l’apprentissage a entraîné un changement de perspective : on est passé d’une approche purement descriptive et réactive à une approche prescriptive et donc proactive.

Perspective descriptive et perspective prescriptive

L’analyse descriptive révèle les tendances des résultats passés et aide les organisations et les établissements à comprendre des aspects comme les taux de participation, l’implication des apprenants et l’atteinte ou non des objectifs fixés.

Parmi les interactions des étudiants avec les systèmes d’apprentissage généralement mesurées dans cette approche figurent le temps passé en ligne, la fréquence des connexions, les supports lus et les tests réalisés.

L’analyse prescriptive, en revanche, se concentre sur la recommandation de stratégies concrètes pour optimiser l’apprentissage, souvent avec l’aide de l’automatisation par des algorithmes.

Par exemple, si un étudiant ne s’est pas connecté au LMS depuis un certain temps, il peut recevoir un message personnalisé qui l’encourage à le faire.

L’évolution de l’analyse de l’apprentissage permet ainsi non seulement d’anticiper des comportements, mais aussi de suggérer des actions précises.

L’analyse de données sera-t-elle remplacée par l’IA ?

Non, l’IA ne remplacera pas l’analyse de données : elle élargit les possibilités de l’analyse de l’apprentissage en la faisant passer du descriptif au prescriptif.

Cet outil puissant, qui révolutionne tous les secteurs, permet d’automatiser des processus et de détecter des schémas complexes qui, autrement, demanderaient beaucoup de ressources.

Ce qui est incontestable, c’est qu’avec l’arrivée de l’IA, le jugement humain et l’analyse pédagogique restent irremplaçables.

Comment se lancer dans l’analyse de l’apprentissage : mise en œuvre étape par étape

Comme nous l’avons dit, l’analyse de l’apprentissage vise à optimiser l’apprentissage et l’enseignement grâce à la collecte, à l’analyse et à l’interprétation de données.

Mais pour qu’elle fonctionne vraiment, il faut une planification soignée qui couvre les aspects techniques, éthiques et organisationnels.

Dans les sections suivantes, nous vous proposons un guide de base pour comprendre ce qu’implique la mise en place de cette démarche d’analyse dans votre projet éducatif.

Étape 1. Constituez une équipe pluridisciplinaire

Idéalement, la première étape consiste à former une équipe qui associe toutes les parties prenantes susceptibles d’être concernées ou impliquées dans le processus.

Intégrez donc à l’équipe des enseignants, des technologues, des experts en analyse de données et des représentants des étudiants. Leur mission est claire : définir les objectifs, le périmètre et la stratégie d’analyse de l’apprentissage.

Dans cette première phase, en plus de réfléchir aux objectifs à atteindre, d’identifier les usages et d’annoncer les résultats attendus, vous devez prendre en compte les enjeux éthiques et de confidentialité.

Il peut aussi être nécessaire de former l’équipe pour éviter l’échec, la frustration ou le manque d’implication.

Étape 2. Définissez les objectifs

Les objectifs sont les fondations du processus, et sa réussite en dépend largement. Pour vous orienter, nous vous conseillons de toujours fonder vos objectifs sur les critères SMART : des objectifs spécifiques, mesurables, atteignables, réalistes et temporellement définis.

Avec ces caractéristiques en tête, vous pouvez viser des objectifs comme :

• Améliorer la rétention des apprenants grâce à des techniques qui repèrent les signes précoces de décrochage.
• Personnaliser l’accompagnement des étudiants à risque grâce à des alertes.
• Évaluer l’efficacité de vos contenus, activités et stratégies.

De bons objectifs vous permettront d’évaluer l’impact et l’utilité de votre système d’analyse.

Étape 3. Identifiez et collectez les données

Autre étape importante pour mettre en place un système d’analyse de l’apprentissage : déterminer les données dont vous disposez et celles qui sont pertinentes pour atteindre vos objectifs. C’est la pierre angulaire du projet, car la qualité des résultats dépend des données.

Selon le projet, elles peuvent provenir de diverses sources, comme :

• Le système de gestion de l’apprentissage (LMS).
• Des applications de collaboration externes.
• Des plateformes de contenus multimédias.
• Des données administratives et démographiques.
• Des enquêtes et des observations qualitatives sur l’expérience et la satisfaction des étudiants.

Lors de la collecte des données, soyez très attentif à la confidentialité et au respect de la réglementation en vigueur. Vous devez notamment prévoir des mesures d’anonymisation ou de pseudonymisation pour protéger les étudiants, ainsi que des solutions de sécurité numérique, pour ne citer que deux exemples de mesures recommandées.

Il peut être nécessaire de réaliser des documents formels comme une analyse d’impact relative à la protection des données (AIPD).

Étape 4. Configurez le système

L’étape suivante porte sur la configuration du système, qui consiste à :

• Choisir les technologies de stockage et de traitement des données (y compris, par exemple, les plateformes d’analyse à utiliser ou les formats de sortie pour la visualisation).
• Concevoir les modèles d’analyse nécessaires, comme la fouille de données ou des modèles prédictifs, entre autres possibilités qui dépendront des besoins de chaque projet.
• Mettre en place des tableaux de bord et des rapports facilement accessibles et utilisables par les enseignants, les étudiants et les administrateurs.

N’oubliez pas qu’une approche centrée sur l’humain doit primer tout au long du processus. En outre, l’information doit être de grande qualité et favoriser des décisions éclairées et sans biais.

---

---

Étape 5. Lancez un projet pilote

Une fois la conception terminée et validée, lancez un projet pilote.

Cette étape préalable au déploiement global vous permettra de valider les aspects techniques et méthodologiques du projet dans un environnement maîtrisé.

Grâce à ce test, vous pourrez détecter les erreurs et les limites, et évaluer des aspects importants comme l’ergonomie, l’utilité ou la pertinence des données recueillies.

Dans le même esprit, n’oubliez pas de prendre en compte les retours des utilisateurs clés. Avec toutes ces informations, vous pourrez ajuster les protocoles et les ressources.

Étape 6. Déployez à grande échelle

Retenez le conseil sur lequel les experts s’accordent généralement : déployez le système de manière progressive et maîtrisée. Sans cela, vous ne pourrez pas garantir sa bonne adaptation ni sa continuité.

Il est important de planifier la formation continue des utilisateurs du système et de définir clairement les rôles et les responsabilités pour sa bonne mise en œuvre, sa maintenance et son suivi continu.

À ce stade, plusieurs facteurs entrent en jeu : de bonnes qualités de leadership et le soutien de l’institution.

Étape 7. Mettez en place une méthode d’évaluation continue

L’efficacité d’un système d’analyse de l’apprentissage repose sur sa capacité à s’adapter à des circonstances changeantes et à s’améliorer avec le temps.

Nous vous recommandons donc de mettre en place un cycle d’évaluation continue qui permette d’actualiser systématiquement le projet grâce à des mesures périodiques, des mises à jour techniques, des revues juridiques et éthiques, et la publication des résultats.

De bons indicateurs clés de performance (KPI), qui permettent de mesurer et de piloter la réussite au regard des objectifs fixés, sont une ressource précieuse.

En voici quelques-uns :

• Qualité des supports pédagogiques.
• Compréhension des supports par les apprenants.
• Évaluation fondée sur la performance.
• Satisfaction à l’égard de l’expérience.
• Taux de réussite et d’abandon.

L’essentiel est de les adapter aux besoins du système.

Bonus : liste de vérification pour mettre en place l’analyse de l’apprentissage

Pour commencer à mettre en place l’analyse de l’apprentissage dans votre projet éducatif, voici une liste de vérification simple pour les premières étapes :

Liste de vérification pour mettre en place l’analyse de l’apprentissage	Description
Définissez vos objectifs	Que voulez-vous obtenir ? Améliorer la rétention, mesurer l’efficacité pédagogique, etc. ?
Analysez vos données	Vérifiez quelles données votre LMS collecte et déterminez celles que vous devez recueillir.
Choisissez un programme pilote	Commencez par un petit cours ou une petite unité.
Sélectionnez les bons outils	Comparez plusieurs plateformes en tenant compte de facteurs comme le coût, la facilité d’intégration et l’ergonomie.
Définissez des indicateurs de réussite clairs	Par exemple : obtenir 10 % de participation en plus.
Vérifiez la confidentialité	Assurez-vous de respecter le RGPD, la FERPA ou les autres réglementations applicables.
Anticipez le passage à l’échelle	Si le projet pilote fonctionne, commencez à préparer la feuille de route du déploiement.

Confidentialité et cadre éthique de l’analyse de l’apprentissage

La confidentialité et le cadre éthique sont deux sujets qui suscitent souvent des inquiétudes dans l’analyse de l’apprentissage. Ils sont d’ailleurs essentiels pour garantir un usage responsable et équitable des données.

Dans tous les cas, la conception des solutions d’analyse de l’apprentissage doit être centrée sur l’humain et associer toutes les parties prenantes (étudiants, enseignants, établissements et autres) tout au long du processus, de la création à la mise en œuvre.

Cette démarche doit intégrer des principes universels de pratiques loyales en matière d’information, comme :

• Reconnaître l’identité contextuelle et évolutive de l’étudiant.
• Garantir la transparence dans la gestion des données des utilisateurs.
• Prévoir des processus participatifs pour que les parties prenantes puissent influer sur la création, la sélection et l’amélioration des outils.
• Tenir compte de l’impact visuel et faire de l’équité un objectif pour éviter les écarts et les biais dans les algorithmes.

À cet égard, le cadre de la Federal Trade Commission américaine (FTC), Privacy By Design and the New Privacy Framework, se distingue, car il propose de bonnes pratiques pour protéger la vie privée dès la conception et le développement de produits et de services. L’appliquer à l’analyse de l’apprentissage renforce une approche éthique et responsable, et favorise une culture de la confidentialité intégrée.

Les bénéfices et les effets de l’analyse de l’apprentissage

Les bénéfices de l’analyse de l’apprentissage ont un impact positif sur l’ensemble de la communauté éducative.

Les avantages de l’analyse de l’apprentissage pour les organisations

Dans les organisations, elle améliore la prise de décision fondée sur des preuves, en aidant à identifier les parties d’un cours ou d’un programme les plus efficaces ou les types de supports qui donnent les meilleurs résultats.

Par exemple, un enseignant peut penser qu’ajouter des vidéos à chaque unité améliorera la compréhension et l’engagement des apprenants. Mais en analysant leur comportement, il s’aperçoit que beaucoup ne les ouvrent pas et que la plupart ne les regardent pas jusqu’au bout.

Face à ces faits, le formateur constate que son hypothèse n’a pas fonctionné et qu’il doit continuer à concevoir d’autres types d’activités et de contenus pour améliorer les résultats des apprenants.

À ce bénéfice s’ajoute l’analyse prédictive, qui donne aux organisations les moyens d’anticiper les événements et les résultats futurs.

Tout cela se traduit par des économies grâce à un apprentissage plus efficace et par une meilleure culture de collaboration entre les équipes pédagogiques, qui peuvent fonder leurs décisions sur des données empiriques pour définir stratégies et contenus.

L’impact de l’analyse de l’apprentissage sur les étudiants

L’impact positif de l’analyse de l’apprentissage sur les étudiants repose sur des bénéfices comme ceux-ci :

• Plus d’engagement et de collaboration. Comme l’analyse de l’apprentissage permet d’identifier et d’analyser les comportements d’implication et de désengagement, elle détecte tôt les schémas qui pèsent sur les résultats. On peut alors prendre les mesures correctives nécessaires pour améliorer les résultats des stratégies pédagogiques.
• Un coup de pouce à la personnalisation et à l’apprentissage adaptatif. L’apprentissage personnalisé facilite l’adaptation des stratégies aux besoins de chaque étudiant grâce à des algorithmes capables de recommander des activités, des actions ou des ressources en fonction de ses résultats et de ses préférences. Cette adaptation aide aussi les apprenants à prendre des décisions éclairées sur leur propre parcours, ce qui renforce leur autonomie.
• Un retour personnalisé. Un retour opportun et pertinent, fondé sur les données académiques et comportementales des étudiants, aide à améliorer leurs résultats, à consolider leurs acquis et à identifier les axes d’amélioration.
• Une meilleure inclusion. Les systèmes d’analyse permettent d’identifier de manière proactive les étudiants à risque avant que leur situation ne s’aggrave, grâce à l’analyse de facteurs comme la participation ou les modes d’activité.
• Le développement de compétences stratégiques. L’analyse de l’apprentissage favorise l’acquisition progressive de stratégies efficaces qui aident à développer des compétences comme la collaboration, la communication, la créativité et l’esprit critique.
• Moins de biais. Comme cette démarche s’appuie sur des informations objectives, elle aide à détecter et à corriger les biais liés au jugement humain.

Tous ces bénéfices s’inscrivent dans le paradigme human-in-the-loop (l’humain dans la boucle), qui souligne l’importance de la prise de décision humaine en éducation.

C’est pourquoi nous parlons d’autonomisation : l’analyse de l’apprentissage donne aux enseignants, aux établissements et aux étudiants les moyens de participer activement, preuves à l’appui, à l’évolution des processus éducatifs.

Comment maximiser les bénéfices de l’analyse de l’apprentissage avec la surveillance en ligne ?

Cette approche se complète naturellement avec les plans SMOWL de Smowltech, qui respectent l’intégrité académique, la vie privée et l’accessibilité, pour une supervision éthique et flexible des examens en ligne.

Ils s’intègrent en outre facilement aux plateformes LMS et vous permettent d’ajuster le niveau de supervision et de suivi.

En combinant l’analyse des données d’apprentissage et une supervision intelligente, vous apporterez des bénéfices clés à vos étudiants :

• Créer de la confiance et de la crédibilité sans être intrusif, en protégeant et en améliorant l’expérience de l’étudiant et en préservant l’intégrité des évaluations en ligne.
• Protéger la vie privée et l’autonomie de l’étudiant grâce à des contrôles évolutifs et sur mesure, de la simple supervision par webcam à la détection avancée par intelligence artificielle.
• Favoriser une éducation de qualité, équitable et durable en facilitant l’essor de l’apprentissage numérique et en levant les barrières physiques.

Vous voulez voir par vous-même comment fonctionnent nos solutions de surveillance en ligne ? Demandez une démo gratuite et nous vous montrerons comment nous pouvons faire avancer votre projet éducatif.

Outils et ressources pratiques pour aller plus loin

L’un des grands avantages de la numérisation de l’éducation est la quantité de ressources disponibles pour continuer à explorer les bénéfices de l’analyse de l’apprentissage.

En voici quelques-unes pour commencer :

• Learning Analytics Center of Excellence (LACE). Un centre de l’Université du Wisconsin à Madison qui soutient les pratiques éducatives fondées sur les données.
• Penn Center for Learning Analytics. Un espace de l’Université de Pennsylvanie qui combine des méthodes à grande et à petite échelle pour appliquer l’analyse de l’apprentissage dans une approche pluridisciplinaire.
• Learning Analytics 101, NYU Steinhardt. Un projet intéressant de l’Université de New York qui sert de guide d’introduction structuré pour comprendre les fondements, les méthodes et les défis de l’analyse de l’apprentissage.