Ressources et parcours pour l’apprentissage du langage Python

Ressources et parcours pour l’apprentissage du langage Python

Le champ de la visualisation et la navigation

Nous introduisons ici la notion de visualisation de l’information et son utilité à travers les graphes. Avant de donner des exemples d’outils de visualisation des graphes, nous montrons l’intérêt de ces techniques de visualisation pour l’aide à la navigation et plus généralement pour les EIAH. 

La visualisation de l’information et la navigation dans les graphes

La question de la recherche ou de la sélection de l’information devient d’autant plus importante que la quantité d’information croît. La visualisation interactive des graphes peut résoudre certains problèmes d’accès et de présentation surtout si le graphe devient de plus en plus volumineux. Elle permet également de mieux identifier les dépendances entre les nœuds. Différentes techniques de visualisation et mécanismes de navigation et d’interaction sousjacents existent (Herman, Melançon, & Marshall, 2000). L’exploration de réseaux complexes peut se faire à l’aide de mécanisme de visualisation dynamique comme le suggère Visual Complexity47 . Si la navigation dans les graphes permet de visualiser l’ensemble du graphe structurel, elle doit permettre en particulier de faire des opérations d’agrandissement/réduction, de déplacement panoramique et de focalisation sur une zone de prédilection consistant à mettre l’accent sur une région ou un sous-ensemble de nœuds. Toutes ces opérations doivent être garanties avec une certaine facilité de navigation ou navigabilité pour l’utilisateur. Bien qu’il existe de nombreux outils de visualisation de graphes, nous ne nous intéressons qu’à ceux qui sont interactifs (autorisant les opérations citées plus haut pour s’adapter au profil de l’utilisateur et à sa quête), navigables (servant de support pour la navigation dans notre ensemble de ressources). Pour ce qui est des différentes mises en formes (graph layout), on peut retenir celles qui se basent sur : – les lois des forces (Force Directed) : tous les nœuds sont en interaction selon la loi physique des forces. La visualisation peut être statique ou animée, le mouvement permettant de mieux appréhender les dépendances complexes, – les arbres hyperboliques (HyperTree), – les graphes radiaux (Rgraph) come illustré dans la Figure 13, – ainsi que les arbres à tiroirs (Treemap visible sur la Figure 14) Figure 13 : graphes radiaux On peut citer comme exemple le site http://newsmap.jp/ qui utilise cette disposition tout en focalisant les thématiques prioritaires par ordre de grandeur. Figure 14 : Treemaps 2. La visualisation de l’information et l’aide à la navigation dans les EIAH Une question peut se poser dès lors : dans quelle mesure peut-on appliquer ces techniques de visualisation dans le champ des ressources d’apprentissage ? Le champ de la visualisation de l’information a déjà été introduit dans les EIAH, notamment sur des questions de visualisation des relations entre les objets d’apprentissage (Catteau et al., 2009b; Catteau et al., 2007), sur les thématiques de visualisation de profil d’apprenant (Ginon & Jean Daubias, 2012) ; (Jean-Daubias, Ginon, & Lefevre, 2011), voire sur des questions d’aide à l’accès et à la recherche de ressources d’apprentissage déposées dans des réservoirs Certains travaux soulignent les limites de l’accès et de la recherche des ressources par des formulaires (Klerxk et al., 2005) et proposent des stratégies basées sur une visualisation et une navigation interactive. Certaines recherches ont également utilisé les graphes dynamiques pour l’apprentissage et le développement du matériel pédagogique (Hadzilacos, Kalles, Karaiskakis, & Pouliopoulou, 2009). En ce qui concerne la présente recherche, nous comptons utiliser les types de visualisation ForceDirected, HyperTree et RGraph. D’autres études ont montré qu’il y avait un apport de la visualisation des graphes dans la représentation et la fouille de données (Auber et al., 2007). Plus spécifiquement, la visualisation interactive aide l’utilisateur à interagir sur la carte et à comprendre la structure du graphe à travers sa navigation (Seifi, Guillaume, Latapy, & Le Grand, 2012). Nous estimons alors que ce genre de visualisation interactive, par rapport à une visualisation figée ou statique, peut aider l’utilisateur à choisir la ressource et à mieux naviguer dans un graphe de ressources, sans forcément avoir besoin de connaître leur intitulé pour les exploiter. Cette proposition constitue une alternative à une présentation linéaire (type tables des matières) qui ne peut faire état de la richesse des relations entre les différentes ressource ou à la recherche par mots-clés qui, dans le cas d’un débutant en programmation par exemple, nécessite de connaître le vocabulaire alors qu’il est justement en cours d’apprentissage. Par ailleurs, le nombre des concepts, mots-clés et donc ressources à référencer est tel, qu’une présentation exhaustive s’accomode mal des espaces restreints qu’offrent les écrans numériques. 3. Quelques outils et interfaces de visualisation de graphes Nous avons étudié quelques bibliothèques et outils pour la visualisation de graphes dynamiques. Nous dégageons les principales caractéristiques dans le Tableau 1.  Graphviz, framework PEAR La classe Image_Graphviz permet la création et la visualisation (côté serveur PHP) de graphes orientés et non orientés s’appuyant sur les outils Graphviz d’AT&T. Toutefois, les possibilités d’interaction dynamique (glisser, déposer) ne sont pas directement gérées côté serveur.  Arbor.js Il s’agit d’une visualisation avancée de graphes (Figure 15) gérant simultanément l’animation et l’interactivité. http://arborjs.org/ Elle utilise la libraire JQuery et les « web workers » permettant l’exécution de scripts JavaScript concurrents (un peu comme les multi-threads) Figure 15 : Arbor.js  Canviz JS renderer for Graphviz graphs http://code.google.com/p/canviz/ : Canviz (Figure 16) est une librairie JavaScript (rendu xdot) servant à représenter les graphes de type Graphviz dans un navigateur web. Permettant la génération et l’envoi d’images Bitmap, le serveur a besoin uniquement des données xdot, ce qui est plus rapide que de générer des images bitmaps. L’utilisateur peut ajuster la taille sans faire appel au serveur. Néanmoins certaines fonctionnalités non encore gérées pourraient être utiles : – les interactions avec le mouvement de la souris (mouse-over and mouse-out) permettant le changement d’attributs (couleur, taille, etc…) sur des portions du graphe – les animations décrivant le changement d’états dans le graphe – une interface déplaçable (à la manière de GoogleMaps) pour l’exploration de grands graphes. Figure 16 : Canviz  Flare Flare est une librairie ActionScript (pour le lecteur Flash) permettant une visualisation et une navigation interactive.  JavaScript Canvas Hyperbolic Tree Conçu pour les arbres hyperboliques, il sert à afficher un flot important de données interreliées. Ce projet a été intégré avec JavaScript InfoVis Toolkit.  JavaScript InfoVis Toolkit est un outil pour l’agencement de graphes gérant plusieurs cas d’utilisations.  JS Graph It l’intérêt de cette libraire en JavaScript, est l’utilisation rapide de la représentation (Figure 17) sans l’ajout de code JavaScript supplémentaire.  Dhoston Springy Spring.js est un graphe basé sur l’algorithme des forces https://github.com/markusgattol/springy Figure 17 : Js-graph.it Parmi les autres projets similaires existants, nous pouvons citer :  jsPlumb : plug-in en JQuery pour la création de graphes interconnectés ;  NodeBox Python Graph Visualization ;  Jsvis http://www.jsviz.org/blog/ http://caitlingannon.com/2007/09/21/jsvis-javascriptvisualization-software/;  OpenJacob draw2D http://www.draw2d.org/draw2d/ (en JavaScript);  http://prefuse.org/ (en swing Java) ;  http://www.graphdracula.net/ (en JavaScript) ;  http://www.anchormodeling.com/modeler/ En ce qui concerne le site Pearltrees48, il ne s’agit pas véritablement d’une libraire de visualisation mais plutôt d’un site qui permet de partager des signets liés à des contenus web. La particularité de ce site réside dans la navigation qui se fait selon des arbres à perles (pearltrees). Nous avons estimé judicieux de citer cette plateforme pour cet aspect de navigation dynamique. Figure 18 : Pearltrees Le survol d’une « perle » affiche la page principale du site cible (cf. Figure 18). Le clic sur l’un des nœuds (perle) fait apparaître les sous-nœuds. L’utilisateur peut créer soit une perle (signet) soit un arbre à perle regroupant un ensemble de perles. La sélection de l’un des arbres à perles fait disparaître les autres perles et ne garde que les perles qui y sont contenues. La possibilité de se déplacer et de zoomer dans cette arborescence (par drag and drop) facilite la visualisation de l’ensemble mais permet également d’avoir une vision locale parfois nécessaire. Voici à présent un comparatif de quelques outils étudiés (Tableau 1) identifiés les plus adéquats à notre cas de recherche : Outil/solution/ librairie Technologie utilisée Installation et intégration (1 à 5) Interactivité (1 à 5) Possibilité de chargement d’un fichier externe pour le graphe (oui/non) Richesse de la modalité des visualisations (1 à 5) JS Graph It JavaScript 1 3 Non 1 Flare ActionScript/Flash 1 4 Non 4 PEAR/ Image_Graphviz PHP 2 1 Oui 1 Canviz JavaScript 1 1 Oui 1 NodeBox Python (support MacOs X) 2 3 Non 2 Prefuse Java(Swing) 2 3 Non 3 Arbor JavaScript/ web workers 1 4 Non 3 JIT JavaScript 2 4 Oui 4 Tableau 1 : comparatif de quelques bibliothèques de visualisation dynamique La valeur à 1 désigne la note la plus basse, tandis que la valeur 5 désigne la note la plus haute. Le graphe devant être recalculable dynamiquement, le fait de pouvoir charger sa structure dans un fichier externe rend la tâche plus simple. Parmi les trois candidats restants (PEAR/Image_Graphviz, Canviz et JIT), JIT est celui qui offre les meilleures performances en termes d’interactivité et de richesse de mode de visualisation. C’est donc l’outil JIT que  nous retiendrons comme élément de base à notre système de visualisation et de navigation. Le point que nous avons estimé déterminant hormis les plutôt bonnes performances, les richesses des bibliothèques correspondantes, est que la documentation est massive et il existe même une communauté (sous forme de Google groups) qui permette d’interagir. Ceci est primordial pour pouvoir l’exploiter au maximum (voir dans la partie 2, la section II du chapitre 4). III. Les traces d’interactions Nous définissons en premier lieu le concept de trace, nous explicitons la notion d’indicateurs ensuite, les objectifs et les enjeux correspondants. Nous illustrerons nos propos à l’aide de travaux plus récents comme ceux effectués sur les traces modélisés et l’expérience tracée.

La notion de trace en EIAH

Il n’y a pas une unique façon de définir la trace mais la plupart des définitions s’accordent à faire intervenir la notion temporelle des activités de l’apprenant. Ainsi selon (Djouad, Mille, Reffay, & Benmohammed, 2010), « une trace est une collection d’observés temporellement situés.» Pour (Cram, Jouvin, & Mille, 2007) la trace d’interactions serait « tout objet informatique dans lequel s’accumulent des données à propos des interactions entre un système informatique et son utilisateur ». La trace peut être catégorisée de plusieurs manières dépendant du cycle où elle intervient. Il est utile ici de mentionner que le cycle de l’évolution de la trace peut être arbitraire et modulable selon les besoins des acteurs impliqués (concepteur, tuteur ou apprenant). Ce cycle peut prendre racine dans l’étape de collecte, où l’on désigne généralement ces traces comme brutes ou premières et qui sont non directement exploitables). 

Traces et indicateurs en EIAH

Ces traces sont éventuellement transformées selon certains modèles (par exemple M-Trace) ou encore selon des indicateurs prédéfinis (orientés tâche ou non), selon l’approche FORMID (Guéraud, Adam, Pernin, Calvary, & David, 2004), pour être analysées et exploitées par la suite, ou encore à partir d’indicateurs portant sur la qualité générale de la production de l’apprenant, par exemple sur les codes sources soumis, s’il s’agit de programmation (HOP3X). Outre les questions relatives à leurs utilisations et exploitations, il convient de mentionner des défis à relever par rapport à l’exploitation des traces dans des environnements technologiques plus récents tels que le Cloud (Chaabouni, Miled, & Laroussi, 2013). 3. Objectifs et finalités Dans la littérature des EIAH, le recours aux mécanismes de traces peut avoir comme finalité la régulation ou l’auto-régulation de l’apprentissage (Heraud, Marty, France, & Carron, 2005), la modélisation et le profilage de l’apprenant, la personnalisation et l’adaptation de l’apprentissage (Brusilovsky, 1999)(Brusilovsky, 2001) ou encore la réingénierie des EIAH (Choquet & Iksal, 2007a). Certaines Plateformes comme PSCL DataShop  encore plus récemment UnderTracks51 ont pour but de partager et de proposer un accès aux corpus des traces aux chercheurs en EIAH. Une des approches d’analyse des traces et de sa mise en œuvre c’est l’utilisation de l’approche par indicateurs. 4. Traces primitives et traces modélisées Généralement, il est communément admis que le cycle de fonctionnement d’un EIAH, passe par la conception (1), le déploiement ou l’installation (2), l’exécution(3) et l‘analyse (4). C’est dans cette dernière étape qu’il peut parfois nécessiter de transformer les traces et les éléments contextuels, on parle alors de traces modélisée à partir d’une trace brute ou primitive. Le modèle de traitement de traces CSE (Pernin, 2005) se base sur (1) la Collecte des traces primaires issues d’une situation d’apprentissage, (2) la Structuration des traces et le calcul d’indicateurs pédagogiques, (3) l’Exploitation des indicateurs et (4) la Régulation (ou adaptation) en fonction du feedback retourné. Quant aux indicateurs pédagogiques, ils visent à assister le tuteur dans la régulation et la réingénierie de son scénario pédagogique. D’autres systèmes, tel que le système à base de Traces (SBT) exploitent les traces modélisées (Djouad, Settouti, Prié, Reffay, & Mille, 2010) et opèrent des transformations de fusion, de sélection ou encore de réécriture comme dans la Figure 19. Une trace modélisée dans un SBT, comme présentée dans (Djouad, Mille, Reffay, & Benmohamed, 2009) est décrite par un modèle de trace et d’instance de ce modèle, où chaque instance est située dans le temps. Selon (Clauzel, Sehaba, & Prié, 2009) une trace modélisée est associée à un modèle de trace. Celui-ci peut être considéré comme une ontologie formelle décrivant le vocabulaire de la trace. Une des exploitations de la trace modélisée est visible sur l’approche MUSETTE (Modéliser les Utilisations et les Tâches pour Tracer l’Expérience) (Prié, 2006). Figure 19 : transformation de M-traces (Djouad et al., 2009) 51 https://undertracks.imag.fr/

 Indicateurs sur les traces

Les indicateurs d’analyse des interactions peuvent être définies selon (Dimitracopoulou, 2004) comme des « variables interprétées prenant en compte l’activité de l’apprenant, le profil des apprenants (si l’activité le permet) et le contexte d’interaction ». L’ingénierie des indicateurs vise à classifier ceux-ci selon leurs types : cognitifs, sociaux et affectif, ou selon leur niveau de calcul (haut ou bas niveau) dépendant du degré de leur interprétabilité. Ainsi, un clic peut être peu significatif en termes de connaissances utiles. À l’opposé, une trace renseignant sur l’ouverture de tel item peut être plus parlante. D’autres classifications, peuvent concerner, la fenêtre d’observation par exemple selon que l’on cherche à tirer des informations selon une session complète, ou bien selon une sonde temporelle précise ou encore par contenu (ou par exercice). L’aspect de réutilisation et de capitalisation des indicateurs a également été traité notamment avec les patrons d’indicateurs utilisant par exemple le langage UTL (Choquet & Iksal, 2007b). 6. L’expérience tracée et l’acquisition dynamique de connaissances L’analyse de traces vise, dans sa globalité, à donner du sens aux modalités utilisées par l’apprenant dans l’environnement d’apprentissage, et si le contexte le nécessite, à son interaction avec les autres apprenants ou le(s) tuteur(s). Ceci dit, certaines approches existantes d’acquisition des connaissances (comme le raisonnement à partir de cas) fixent les éléments à étudier d’une manière parfois statique ; et il pourrait s’avérer que ce genre d’orientation connaît des limites en termes d’évolutivité (par exemple pour certains indicateurs rentrant en jeu). Considérés comme une extension à cela, d’autres approches suggèrent la prise en compte simultanée de plusieurs points de vue conjugués sur une situation d’activité dynamique s’appuyant sur un raisonnement à partir de l’expérience tracée (Mille, 2006). 7. Les traces déclaratives Les traces ne sont généralement pas directement exploitables, c’est pour cela qu’on parle de trace brute ou première; si bien que, souvent, on adapte et reformule cette trace à l’aide d’un certain nombre d’étapes intermédiaires pour pouvoir l’utiliser. Dès lors, nous aurons une trace modélisée qui définit quels concepts sont représentés selon des indicateurs bien déterminés. Par ailleurs, au-delà des traces d’interactions informatiques (ou d’activités), qui sont générées, d’une façon volontaire ou involontaire, par l’interaction de l’utilisateur avec le système, nous pouvons introduire les traces déclaratives. Ces types de traces sont engendrés directement par les utilisateurs et sont la conséquence de ce qu’ils laissent volontairement(Ji, Michel, Lavoué, & George, 2013). Un exemple de traces est les réponses à certains questionnaires, entretiens, participations aux forum ou blogs, etc… 8. Liens entre traces d’activité et traces déclaratives Il est parfois utile d’essayer de comprendre pourquoi telle action a été menée ou choisie. Seulement, si l’on ne dispose que de traces d’interactions, certes ayant l’avantage d’être plus  objectives et plus fiables sur la nature des actions entreprises, il est plus difficile de connaître la raison qui pousse un utilisateur à agir d’une manière spécifique. Si l’on cherche à faire la correspondance entre l’ensemble de traces que peut laisser l’utilisateur y compris les traces volontaires, il est alors peut être judicieux de parler d’identité numérique. Selon (Merzeau, 2009, 2010), le « digital user » serait un récepteur de « message », un utilisateur d’outils et un consommateur de services et de produits ainsi qu’un producteur de ressources et donc cette identité serait une collection de traces. En ce qui concerne notre orientation, nous combinons ces deux types de traces dans l’analyse de certains comportements des utilisateurs.

Table des matières

REMERCIEMENTS
TABLE DES MATIERES
TABLE DES ILLUSTRATIONS
TABLEAUX
TABLE DES ALGORITHMES
INTRODUCTION GENERALE
1. Motivations, problématique et objectifs de recherche
2. Le contexte de l’apprentissage du langage de programmation Python
3. Méthodologie et déroulement.
4. Contributions
5. Organisation du mémoire
PARTIE I : ANCRAGES THÉORIQUES, REVUES DE LA LITTÉRATURE ET POSITIONNEMENT
DES TRAVAUX
INTRODUCTION DE LA PARTIE I
CHAPITRE 1 : LES RESSOURCES NUMERIQUES ET LES PARCOURS D’APPRENTISSAGE
I. INTRODUCTION
II. L’OBJET D’APPRENTISSAGE : DIFFERENTES DENOMINATIONS MAIS DES OBJECTIFS CONVERGENTS
III. PROPRIETES DES RESSOURCES D’APPRENTISSAGE ET LEUR INDEXATION .
1. Quelques propriétés des ressources d’apprentissage numériques
2. L’indexation de ressources d’apprentissage
IV. MODELES DE DESCRIPTION DES RESSOURCES D’APPRENTISSAGE BASES SUR LA HIERARCHIE ET LA GRANULARITE
1. Le modèle CISCO
2. Le modèle de Heiwy et Ducateau
3. Le modèle SCORM
4. Le modèle Learnativity
5. Le modèle de Verbert et Duval
VI. L’EVALUATION DES OBJETS D’APPRENTISSAGE
VII. DES RESSOURCES D’APPRENTISSAGE VERS DES PARCOURS D’APPRENTISSAGE
1. La notion de parcours d’apprentissage
2. La scénarisation pédagogique
3. Le graphe des épistèmes comme ressources et parcours pour le langage Python
VIII. CONCLUSION
CHAPITRE 2 : LES ENVIRONNEMENTS D’ACCES ET D’EDITION DE RESSOURCES
NUMERIQUES D’APPRENTISSAGE
I. INTRODUCTION
II. LES ENVIRONNEMENTS D’ACCES AUX RESSOURCES
1. Les entrepôts de ressources d’apprentissage et les environnements généralistes : centraliser les
ressources pour faciliter l’accès
2. Les LMS
3. Les environnements dédiés à l’apprentissage de la programmation
III. LA CONCEPTION ET L’EDITION COLLABORATIVE DE RESSOURCES
1. L’édition collaborative de modèles
2. Le Cas MediaWiki
3. Quelques outils de travail collaboratif (CSCW) et outils-auteurs pour la création de ressources
4. Services pour l’accès aux ressources et activités collaboratives
5. Plateformes pour l’accès et la création de ressources d’apprentissage
IV. CONCLUSION
CHAPITRE 3 : VISUALISATION, NAVIGATION DANS LES RESSOURCES ET TRAÇAGE D’ACTIVITES
I. INTRODUCTION
II. LE CHAMP DE LA VISUALISATION ET LA NAVIGATION
1. La visualisation de l’information et la navigation dans les graphes
2. La visualisation de l’information et l’aide à la navigation dans les EIAH 44
3. Quelques outils et interfaces de visualisation de graphes
III. LES TRACES D’INTERACTIONS
1. La notion de trace en EIAH
2. Traces et indicateurs en EIAH
3. Objectifs et finalités
4. Traces primitives et traces modélisées
5. Indicateurs sur les traces
6. L’expérience tracée et l’acquisition dynamique de connaissances
7. Les traces déclaratives
8. Liens entre traces d’activité et traces déclaratives
IV. CONCLUSION
CHAPITRE 4 : PERSONNALISATION ET HYPERMEDIA ADAPTATIFS
I. INTRODUCTION
II. GENESE : DE LA VERSATILITE, L’ADAPTABILITE A LA PERSONNALISATION
III. PROFIL, MODELE D’UTILISATEUR ET MODELE D’APPRENANT
IV. TECHNIQUES D’ADAPTATION DES HYPERMEDIAS
1. Les techniques de présentation adaptative
2. Les techniques de navigation et de support adaptatifs
V. SYSTEMES HYPERMEDIA ADAPTATIFS
1. Tendances de l’adaptation : le web sémantique et la recommandation
2. Suivi et personnalisation des objets d’apprentissage et des parcours
VI. CONCLUSION
CHAPITRE 5 : LA FOUILLE DE DONNEES EN EDUCATION
I. INTRODUCTION
II. TECHNIQUES ET ALGORITHMES COMMUNS EN FOUILLE DE DONNEES EN EDUCATION
1. Apprentissage supervisé
2. Apprentissage non supervisé
III. QUELLES ANALYSES SONT NECESSAIRES ET QUE RECHERCHER ?
IV. OUTILS ET PLATEFORMES SPECIFIQUES POUR LA FOUILLE DE DONNEES EN EDUCATION
V. TENDANCES ET PERSPECTIVES SUR LA FOUILLE DE DONNEES EDUCATIVES
VI. CONCLUSION
CONCLUSION DE LA PARTIE I
PARTIE II : D’UN GRAPHE STATIQUE DES ÉPISTÈMES VERS UN HYPERMÉDIA ÉPISTÈMIQUE
ADAPTATIF
INTRODUCTION DE LA PARTIE II
CHAPITRE 1 : APPROCHE GENERALE ET GLOBALE : ENTRE EDITION ET NAVIGATION
I. INTRODUCTION
II. UN CYCLE DE VIE DES RESSOURCES BASE SUR L’ARTICULATION ENTRE LES ACTIVITES D’EDITION ET DE NAVIGATION : UNE RELATION NON TRIVIALE
1. Points de cadrage et contraintes
2. Pourquoi lier édition et navigation ?
3. Comment lier ces activités ?
4. Modélisation générale
III. LES APPORTS VISEES DE CETTE APPROCHE8
IV. CONCLUSION
CHAPITRE 2 : LE GRAPHE DES EPISTEMES : LE SYSTEME NERVEUX DES RESSOURCES ET
DES PARCOURS
I. INTRODUCTION
RESSOURCES ET PARCOURS POUR L’APPRENTISSAGE DU LANGAGE PYTHON : AIDE À LA NAVIGATION INDIVIDUALISÉE DANS UN HYPERMÉDIA ÉPISTÉMIQUE À PARTIR DE TRACES
II. DESCRIPTION DU GRAPHE DES EPISTEMES
1. Objectifs et motivations
2. La plateforme France-IOI
3. Graphe des concepts et des prérequis
III. ADAPTATION DU GRAPHE DES EPISTEMES POUR LE CAS FRANCE-IOI
IV. CONCLUSION
CHAPITRE 3 : CONCEPTION COLLABORATIVE, NAVIGATION DYNAMIQUE ET MODELISATION DES TRAJECTOIRES
I. INTRODUCTION
II. MODELISATION DU PROCESSUS COLLABORATIF
1. Du modèle de conception à l’édition de micro-ressources
2. Modèle de l’apprenant, de la tâche et du domaine
3. Modélisation des états d’une unité
4. Modèle de rafraîchissement du graphe des unités selon l’influence des parcours antérieurs
5. Mécanismes automatiques de mise à jour
III. MODELISATION DES TRAJECTOIRES
1. Définitions
2. Comment mesurer et évaluer les trajectoires ?
3. Modélisation des trajectoires avec des réseaux sémantiques
IV. INSTANCIATION DE LA DEPENDANCE ENTRE EDITION ET NAVIGATION
V. CONCLUSION
CHAPITRE 4 : ARCHITECTURE GENERALE DES PROTOTYPES
I. INTRODUCTION
II. UN OUTIL DE VISUALISATION COMME PIVOT A LA NAVIGATION DYNAMIQUE
1. Objectifs
2. Intégration d’un outil de visualisation
3. Test d’outils de visualisation des graphes
III. UNE MISE EN APPLICATION DES EPISTEMES SUR CLOUDSCORM
IV. PROTOTYPE PRECEPTOR
1. Fonctionnalités et utilisateurs concernés
2. Traces liées à l’édition et à la navigation
3. Choix de l’implémentation
4. Accès aux fonctionnalités
V. PROTOTYPE HIPPY
1. Modèles de données et éléments d’implémentation
2. Navigation dans l’hypermédia épistémique
3. Mise en place de l’évaluation épistémique individualisée
VI. CONCLUSION
CHAPITRE 5 : VERS DES PROCESSUS UNIFIES D’ANALYSE DE DONNEES EN EDUCATION
I. INTRODUCTION
II. SELECTION, MODIFICATION ET INTERROGATION DE DONNEES SUR DES REQUETES SIMPLES ET CROISEES
1. Requêtes sur les macro-trajectoires
2. Requêtes sur les micro-trajectoires
3. Requêtes sur les trajectoires épistémiques
III. VISUALISATION ET EXPLOITATION DE DONNEES PAR DES OUTILS DE FOUILLE DE DONNEES
1. Importation de données issues de tables
2. Adaptation des données
3. Application des algorithmes de fouille
IV. CROISEMENT DE DONNEES ISSUES DE TRACES ET D’UN QUESTIONNAIRE : VERS LA MISE EN RELATION DES DONNEES DECLARATIVES ET OBJECTIVES
V. CONCLUSION
CONCLUSION PARTIE II
PARTIE III : MISE À L’EPREUVE,EXPERIMENTATION ET RESULTATS
INTRODUCTION DE LA PARTIE III
CHAPITRE 1 : ANALYSE COMPARATIVE D’ALGORITHMES DE VISUALISATION
I. INTRODUCTION
II. PROTOCOLE ET METHODOLOGIE SUIVIS
III. MESURES DES TEMPS D’EXECUTION
IV. COMPARATIFS ET RESULTATS
V. CONCLUSION
CHAPITRE 2 : TERRAIN ET EXPERIMENTATION DE L’HYPERMEDIA EPISTEMIQUE HIPPY
I. INTRODUCTION
II. TERRAIN EXPERIMENTAL
III. METHODOLOGIE
1. Hypothèses de départ
2. Scénarios et tâches
3. Utilisabilité et utilité en EIAH
4. Moyens et mise en œuvre
5. Contexte et étapes de l’expérimentation
IV. CONCLUSION
CHAPITRE 3 : RESULTATS ET EVALUATIONS
I. INTRODUCTION
II. EVALUATION ANALYTIQUE AVEC LES CRITERES IHM
III. RESULTATS IDENTIFIES A PARTIR DES TRACES
1. Données générales sur les trajectoires
2. Résultats des algorithmes de fouille
3. Constats et discussion
4. Une première mise à jour des ressources à partir des données de navigation
IV. RESULTATS DU QUESTIONNAIRE
1. Un questionnaire destiné aux apprenants
V. COMBINAISON DE RESULTATS ISSUS DU QUESTIONNAIRE AVEC LES DONNEES SUR LES TRACES
VI. CONCLUSION
CONCLUSION PARTIE III
CONCLUSION GENERALE
INDEX
REFERENCES BIBLIOGRAPHIQUES
ANNEXES
I. MODÈLE DE DONNÉES POUR LE GRAPHE DES ÉPISTÈMES SOUS DHOSTON SPRINGY
II. MODÈLE DE DONNÉES SOUS JSON (ADAPTÉ AU FRAMEWORK JIT)
III. FICHIER IMSMANIFEST.XML (ARCHIVE SCORM)
IV. QUELQUES FICHIERS ZEND FRAMEWORK (MODELS, VIEWS ET CONTROLLERS)
1. Configuration
2. Organisation d’une application
3. Quelques fichiers de l’application PRECEPTOR
V. MODÈLE DE TRAJECTOIRES EN RDF
VI. FICHIERS PHP DU PROTOTYPE HIPPY
1. Extraits du Fichier Episteme.inc.php
VII. EXEMPLE DE PROCESSUS D’ANALYSE EN XML (GÉNÉRÉ PAR RAPIDMINER) 5
1. Weka Hierarchical Clusetring
VIII. QUESTIONNAIRE
RESUME
ABSTRACT

projet fin d'etudeTélécharger le document complet

Télécharger aussi :

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *