En ce début d’année 2022, encore marqué par la crise du COVID et son variant Omicron, j’ai souhaité me prêter à un exercice de style aussi léger que périlleux : analyser la crise sous l’angle des données, et voir s’il y a des leçons à en tirer pour d’autres domaines, comme celui du Digital Learning. Le constat est sans appel. J’identifie au moins 8 leçons évidentes que l’on peut ériger en véritables commandements. De quoi inspirer, je l’espère, vos résolutions pour 2022.
1. Sans donnée, modeste tu resteras
Février 2020. Les scientifiques se succèdent sur les plateaux des chaînes d’info. Faute de données fiables sur le COVID 19, certains promettent une grippette pendant que d’autres prédisent l’apocalypse. Tous sont pourtant de grands spécialistes. Mais en l’absence de données objectives, ils n’ont d’autres choix que de faire des hypothèses, qui trop souvent se transformeront en convictions. Cette situation se répètera à chaque nouveau variant, à chaque incertitude, à chaque fois que les données manqueront. Moralité : même les plus grands experts ont besoin de données objectives pour faire correctement leur métier.
Les experts du Digital Learning n’échappent pas à cette règle. Face à la multiplication des outils, concevoir un dispositif pédagogique efficace est devenu un vrai défi. Chacun s’appuie sur ses compétences et son intuition, mais l’efficacité d’un dispositif est difficilement prédictible. S’appuyer sur les données pour valider une stratégie pédagogique semble donc indispensable.
2. Des données qualifiées tu collecteras
Mars 2020. Le COVID est bien là et les chiffres sur la mortalité commencent à tomber. Puis une nouvelle polémique enfle : la mortalité serait surévaluée ! Comment est-ce possible ? Dans certains cas, la cause du décès ne serait pas clairement établie et un test positif au COVID suffirait à faire grossir les statistiques. Passons sur le bienfondé de cette polémique (et de toutes les autres). La leçon ici est qu’une statistique simple en apparence peut manquer de subtilité pour décrire une réalité.
En Digital Learning, les premières données qui monopolisent l’attention sont généralement les évaluations des apprenants. Là aussi, il faut s’interroger sur la pertinence des données disponibles. Lorsqu’une évaluation se résume à une donnée binaire (réussite ou échec) ou à une simple note, quelle information qualifiée peut-on en extraire ? Quelle leçon peut-on en tirer ? Etablir une évaluation pertinente est tout un art…
3. Anticiper tu essaieras
Avril 2020. Les chiffres du COVID sont égrenés quotidiennement et pourtant, il reste très dur d’anticiper l’évolution de l’épidémie. La mortalité est un indicateur ex-post et les données d’admission à l’hôpital arrivent trop tard pour préparer les services. Il faudra attendre des semaines pour disposer de tests PCR et pour généraliser les dépistages. Les données ainsi recueillies permettront d’anticiper l’arrivée des nouvelles vagues de plusieurs semaines. Moralité : pour pouvoir anticiper, il est parfois nécessaire de développer de nouveaux « capteurs » de données.
En Digital Learning aussi il est important de ne pas se limiter aux indicateurs de résultat. Des indicateurs précoces comme l’assiduité ou le niveau d’implication permettent de compléter le tableau. Bien sûr ces données sont moins fiables (tout comme les tests de dépistage), mais elles mettent en évidence des signaux faibles, qui interprétés avec précaution, peuvent alerter sur un décrochage.
4. De prédire l’avenir tu te garderas
Juin 2020. La 1ère vague est passée et les prédictions vont bon train : fin de l’épidémie, nouvelle vague ? Des données à la boule de cristal, il n’y a qu’un pas ! Des modèles informatiques ont bien été développés afin de simuler l’évolution de la pandémie. Mais ces modèles dépendent de paramètres d’entrée qui sont eux aussi incertains. Les modèles sont utiles pour tester différents scénarios (optimistes vs pessimistes) et s’y préparer. Mais ils ne sont en rien un outil de prédiction fiable.
Dans le Digital Learning, nombre d’éditeurs font miroiter l’utilisation de l’IA pour développer des modèles prédictifs censés prévenir les échecs. Ces promesses doivent être prises avec beaucoup de recul. Les modèles prédictifs sont sensibles aux événements externes et aux contextes instables. De même qu’aucun modèle COVID n’intégrait l’arrivée des nouveaux variants, aucun modèle Digital Learning n’intègre les événements personnels ou professionnels qui impactent la vie d’e l’apprenant.
5. Intelligibles les données tu rendras
Novembre 2020. Guillaume Rozier, un ingénieur de 24 ans, fait son apparition dans les médias pour parler de son site CovidTracker. L’idée est simple mais géniale : compiler les données publiques sur la pandémie pour les rendre lisibles et compréhensibles par tous. Ce travail sera d’une utilité incontestable pour les décideurs, les médias, mais aussi les citoyens. Moralité : les données sont parfois là, à portée de main. Il n’y a qu’à les valoriser.
En Digital Learning, on dispose bien souvent de plus de données qu’on ne l’imagine. Vos plateformes préférées peuvent renfermer de précieuses informations qui reflètent les actions des apprenants : navigation, collaboration, recherche, etc. Autant de données qui sont la plupart du temps inexploitées. On peut en apprendre beaucoup avec quelques efforts d’extraction et de visualisation.
6. Des stratégies tu expérimenteras
Janvier 2021. Confinement ou pas confinement ? Couvre-feu, gestes barrière, stratégie vaccinale… Tout le monde a un avis sur ce qu’il faudrait faire face à la 3ème vague. Mais la vérité est que l’on manque toujours de recul. A défaut de certitude, la seule option reste d’expérimenter des stratégies. Bien sûr, c’est déroutant car on navigue à vue. Mais l’essentiel est de surveiller les données pour évaluer l’effet des mesures prises, d’en tirer des leçons et d’être réactif.
Les concepteurs de dispositifs pédagogiques connaissent eux aussi le syndrome de la page blanche. Lorsqu’un nouveau projet démarre, il faut parfois sortir des sentiers battus sans avoir de certitude sur la pertinence des choix. L’utilisation des données peut alors être intégrée à la démarche de conception, de manière à pouvoir tirer très vite les leçons des premières expérimentations.
7. Les systèmes tu décloisonneras
Avril 2021. Ça y est, les vaccins sont là. Reste à prendre rendez-vous. Guillaume Rozier récidive. Face à la prolifération des plateformes de prise de rendez-vous, il fédère les données et propose un guichet unique pour trouver un créneau. C’est ViteMaDose et encore une fois, il fallait y penser. En décloisonnant les données issues de plusieurs systèmes, il propose un service vraiment utile.
En Digital Learning aussi les systèmes se multiplient. Le LMS comme seul et unique outil a vécu. On va aujourd’hui vers une collection d’outils au service de la formation, un vrai écosystème. Mais bien souvent, chaque outil génère et exploite ses propres données, indépendamment des autres. En cassant ces silos de données, grâce notamment au standard xAPI, on peut développer des services utiles.
8. Patience et persévérance tu cultiveras
Décembre 2021. Un nouveau variant du nom d’Omicron inquiète. L’histoire se répète. On manque de données, les prédictions hasardeuses se succèdent, puis les chiffres tombent : plus contagieux et moins dangereux. On adapte la stratégie jusqu’au prochain variant. Un éternel recommencement et une inlassable quête de données.
En Digital Learning aussi l’exploitation des données est un long voyage. On en connait le début mais pas la fin. C’est un processus continu qui accompagne vos démarches de conception. Les Learning Data se traitent sous l’angle de l’innovation permanente.
D’autres articles vous attendent sur notre tout nouveau site dédié aux données d’apprentissage.
