Définition du E-Learning

Définition du E-Learning

Aperçu historique

Une longue histoire a précédé ce qu’on regroupe aujourd’hui sous la notion du «ELearning ». Il s’agit de la dernière forme de l’Enseignement à Distance (EAD). L’enseignement à distance ou l’apprentissage à distance se compose de techniques et méthodes permettant l’accès aux programmes éducatifs pour les étudiants qui sont séparés par le temps et l’espace. Les systèmes de E-Learning souffre du manque de la relation élèveenseignant (une à une). Il existe plusieurs moyens pour assurer l’enseignement à distance: la correspondance sur papier, des cassettes vidéo éducatives, éducation par ordinateur (enseignement multimédia, utilisation d’Internet pour l’éducation sur le Web), etc. Où trois phases de développement sont distinguées (qui sont tousses des formes de développement de l’enseignement traditionnel):

première phase :
Connu sous le nom d’enseignement par correspondance ; l’enseignement dans cette phase est basée sur la diffusion du contenu de cours élaborée par l’enseignant suivant sa propre logique qui s’impose à tous les apprenants. Le rythme de l’enseignement et lui aussi imposé par l’organisation de la formation.

Seconde phase :
Caractérisé par le développement de l’enseignement assisté par ordinateur (EAO), basée sur l’approche « behavioriste » ; qui a cherché à se dégager de cette programmation linéaire et uniforme en proposant des parcours différent pour les élèves en fonctions des résultats de tests.

Troisième phase :
Fondé sur l’approche constructiviste (le savoir ou la connaissance est construite par l’apprenant). Cette phase se caractérise par l’introduction d’une plus grande variété de technologies dont notamment le développement d’Internet. C’est une mixture entre l’enseignement à distance et l’enseignement présentiel (traditionnelle) connu sous le nom « blended learning ». Il essaye de cumuler les avantages des deux formules. Avec le E-Learning c’est différent, il y’a une personnalisation des parcours pédagogiques en fonction des résultats de tests et des conseils du tuteur.

Définition du E-Learning

Aujourd’hui, il y’a beaucoup de termes utilisés pour désigner l’éducation basée sur le Web comme l’E-Learning, E-formation, l’enseignement en ligne, web-based Learning, webbased training, web-based instruction, etc. Nous retenons la définition proposée par le Conseil Européen (2001), qui considère que le E-Learning est : « un ensemble de concepts, de méthodes, et d’outils utilisant les nouvelles technologies multimédias et de l’Internet, pour améliorer la qualité de l’apprentissage en favorisant l’accès à des ressources et des services, ainsi que les échanges et la collaboration éventuellement à distance ».

Le E-Learning est donc née pour permettre au apprenants de se former sans se déplacer dans un lieu de formation, et sans s’inquiéter du temps de début ou de fin de formation puisque le formateur ne sera pas présent physiquement. Cependant, dans ce nouveau mode de transmission et d’acquisition du savoir, concernant aussi bien des formations académiques que professionnelles, la relation directe enseignant/apprenant (face à face) est remplacée par une relation médiatisée par un support et un ensemble de techniques. Le principe consiste alors à remplacer les anciennes méthodes temps/place/contenu de l’apprentissage par des processus d’apprentissage rapides/ouverts/personnalisés.

Cependant, le domaine du E-Learning est vu comme un processus d’apprentissage, où la pratique pédagogique se focalise davantage sur l’apprenant, en mettant à sa disposition des dispositifs de formation en ligne et interactifs. La formation est adaptée aux besoins et au niveau de l’apprenant, en lui proposant un environnement où il peut progresser à son rythme et bénéficier d’un suivi personnalisé .

Acteurs du E-Learning 

Nous présentons dans cette section les acteurs du E-Learning. Nous nous intéressons à ceux qui interviennent dans la phase d’utilisation d’un dispositif de formation en ligne.

L’apprenant : est une personne engagée et active dans un processus d’acquisition ou de perfectionnement des connaissances et de leur mise en œuvre. Il peut, consulter en ligne ou télécharger les contenus pédagogiques, participer à des activités d’apprentissage en ligne (activités individuelles ou collaboratives), échanger des données, effectuer des exercices, s’auto-évaluer et transmettre des travaux à son tuteur pour les corriger.

Le tuteur : aide à faire progresser les apprenants en mettant davantage au premier plan les fonctions d’évaluation, de suivi « Tracking » et d’accompagnement, pour atteindre un objectif d’apprentissage, plutôt que la capacité à transférer une expertise. Il communique et interagit avec eux, en jouant un rôle d’administrateur dans le cadre d’une activité collective. Ses rôles consistent alors à gérer les communications.

Il facilite l’apprentissage et gère les apprenants et les environnements. Donc son rôle est de suivre l’évolution du travail de l’apprenant et de l’assister. La qualité du suivi d’un tuteur permet d’assurer au mieux l’encadrement d’un apprenant et ainsi maintenir sa motivation afin de réduire les risques d’abandon au cours de la formation.

L’administrateur : chargé d’entretenir l’environnement technique c’est à dire assure l’installation et la maintenance du système, gère les droits d’accès, crée des liens vers d’autres systèmes et ressources externes (dossiers administratifs, catalogues, ressources pédagogiques, etc.).

Datamining

C’est quoi la fouille de données

La fouille de données se rapporte au processus de trouver les « patterns » intéressants dans les données qui ne sont pas explicitement une partie des données. [3] D’après Han et Kamber [4], le terme datamining se réfère à l’extraction de connaissances à partir de grandes quantités de données. Le data mining est un domaine récent qui se situe à l’intersection des statistiques, de l’apprentissage automatique et des bases de données. Le datamining (exploration de données) est un terme ambiguë qui a été employé pour se rapporter au processus de trouver des informations intéressantes dans de grands dépôts des données. Plus avec précision, la limite se rapporte à l’application des algorithmes spéciaux dans un processus établi sur des principes sains de nombreuses disciplines comprenant des statistiques, l’intelligence artificielle, l’apprentissage automatique, la science de base de données, et de recherche documentaire .

Les plateformes générales de datamining

Il y a beaucoup d’outils généraux d’exploitation de données qui fournissent des algorithmes d’exploitation, le filtrage et des techniques de visualisation. Quelques exemples d’outil commercial et scolaire sont DBMiner, Clementine, Intelligent Miner, Weka, etc.

WEKA :
Weka est une collection d’algorithmes d’apprentissage automatique pour des tâches d’exploitation de données. Les algorithmes peuvent être appliqués directement à un ensemble de données ou s’appeler de vos propres codes Java. Weka contient des outils pour le prétraitement de données, la classification, la régression, le clustering, et la visualisation. Il est également bien adapté pour développer de nouvelles solutions d’apprentissage automatique.

CLEMENTINE :
Clémentine rend facile de découvrir des perspicacités dans vos données. Son interface graphique simple met la puissance de l’exploitation de données dans les mains des clients de l’entreprise et augmente la productivité d’analyste.

TANAGRA :
Un logiciel de data mining gratuit pour l’enseignement et la recherche.

DBMiner :
DBMiner est spécialisé dans le domaine économique. Il utilise des processus intelligents et automatisés pour analyser de grands volumes de données détaillées des bases de données relationnelles, des entrepôts de données et des données de Web avec la facilité d’utilisation exceptionnelle et la souplesse élevée. En encapsulant des technique de data mining, vous pouvez présenter vos produits ou services aux clients.

L’application des techniques de data mining dans les systèmes éducatif

La fouille de données dans le domaine d’éducation est une discipline naissante, qui s’intéresse aux développements des méthodes d’explorations des données éducatives (seulement). On les utilise pour bien comprendre l’apprenant ou l’étudiant, et l’environnement d’apprentissage. On applique les techniques de data mining dans les systèmes éducatifs afin d’améliorer l’apprentissage, cela peut être considérée comme une technique d’évaluation continue. [6] Par examen la façon dont les élèves utilisent le système est un moyen d’évaluer l’apprentissage d’une manière continue et aide l’éducateur à améliorer le matériel pédagogique [7]. Les techniques de data mining peuvent découvrir des informations utiles qui peuvent être utilisées dans l’évaluation continue pour aider les éducateurs à prendre des décisions lors de la conception ou de la modification d’environnement ou de l’approche pédagogique. L’application de data mining dans les systèmes éducatifs est un processus itératif de l’hypothèse du cycle de formation, d’essai et de raffinement . Data mining doit entrer dans la boucle du système et doit guider, faciliter et améliorer l’apprentissage. Non seulement transformer les données brutes en connaissances, mais aussi le filtrage de connaissances significatives pour la prise de décision.  les éducateurs et les responsables universitaires sont en charge de la conception, la planification, la construction et la maintenance des systèmes d’enseignement. Les élèves utilisent et interagis avec eux à partir de toutes les informations disponibles sur les plates-formes. Donc, les différents techniques de data mining peuvent être appliquées afin de découvrir des connaissances utiles qui contribue à améliorer le E-Learning.

Table des matières

INTRODUCTION
Chapitre 1 E-Learning
1 Introduction
2 Définition du E-Learning
2-1 Aperçu historique
2-2 Définition du E-Learning
3 Acteur du E-Learning
4 Data mining
4 – 1 C’est quoi la fouille de données
4 – 2 Les plateformes générales de datamining
5 L’application des techniques de data mining dans les systèmes éducatif
6 Les plates-formes
7 Les plates-formes éducatives
8 Les systèmes d’éducation: les données et les objectifs
8 – 1 Les salles de classe (Enseignement traditionnel)
8 – 2 Enseignement à distance
8-2-1 Limite des fichiers Log
8-2-2 Les solutions proposées
8-2-3 Particular Web-Based courses
8-2-4 Well_known learning content management systems (LCMS)
8-2-5 Adaptative and Intelligent Web-based educational systems (AIWBES)
9 Le prétraitement des données
10 L’application des techniques de data mining dans les systèmes éducatifs
10-1 Statistiques et visualisation
10-2 Web mining
10-2-1 Clustering and classification
10-2-2 Fouille par les régles associatives
11 Travaux réalisées : les techniques de data mining dans les systèmes éducatifs
11-1 Particular web-based courses
11-1-1 Clustering and classification
11-1-2 Fouille par les régles associatives
11-1-3 Text mining
11-2 Well-know learning content management systems
11-2-1 Clustering and classification
11-2-2 Fouille par les régles associatives
11-2-3 Text mining
11-3 Adaptive and intelligent web-based educational systems
11-3-1 Clustering and classification
11-3-2 Les systèmes adaptatives et intélligents
11-3-3 Text mining
12 Conclusion et travail futur
Chapitre 2 Style d’Apprentissage
1 Introduction
2 Définition du style d’apprentissage
3 Historique du style d’apprentissage
3-1 L’origine du style d’apprentissage
3-2 Du style cognitif au style d’apprentissage
4 Les styles d’apprentissage comme expression d’une pédagogie différenciée
5 Le modèle de Kolb
5-1 Test d’évaluation des styles d’apprentissage de Kolb
5-2 L’apprentissage expérientiel et ses composantes
5-2-1 Le mode EC (expérience concrète, implication)
5-2-2 Le mode OR (observation réfléchie, analyse)
5-2-3 Le mode CA (conceptualisation abstraite, synthèse)
5-2-4 Le mode EA (expérimentation active, application)
5-3 Le questionnaire et son interprétation
5-4 Description des 4 styles de kolb
5-4-1 Le profil du divergeur
5-4-2 Le profil de l’assimilateur
5-4-3 Le profil du convergeur
5-4-4 Le profil de l’adaptateur
6 Conclusion
Chapitre 3 Colonies de Fourmis
1 Introduction
2 Généralités sur les fourmis
2-1 L’intelligence collective des fourmis
2-1-1 La communication
2-1-2 La division du travail
2-1-3 La construction du nid
2-1-4 La quête de nourriture
2-2 Capacités individuelles des fourmis
3 Définition des fourmis Artificielle
4 Historique
5 Les algorithmes de fourmis artificielles pour l’optimisation combinatoire
5-1 Inspiration biologique
5-2 Les expériences sur les fourmis réelles
5-3 L’algorithme Ant System (AS)
5-4 Ant Colony System « ACS »
5-5 Max-Min Ant System
5-6 Domaines d’application
6 Les algorithmes de fourmis artificielles pour la classification
6-1 Inspiration biologique
6-2 Modèles du tri du couvain et application à la classification de données
6-3 Modèle de Lumer et Faieta
6-4 L’algorithme AntClass
7 Autres domaines d’application
8 Autres sources d’inspiration
9 Conclusion
CONCLUSION

Lire le rapport complet