Cas d'étude
Scénario d'analyse
| Scénario d'analyse | Langue | Créé le | Créé par | Scénario |
|---|---|---|---|---|
| Identifier des types d'apprenants | FR / | 16 oct. 2017 | Antoine Pigeau | Open Class Room Création de profil des utilisateurs du site web Open Class Room et prédiction de performance des utilisateurs Open Class Room Antoine Pigeau Les problématiques du projet sont les suivantes : 1. comment détecter en début de cours qu’un utilisateur risque d’échouer ? 2. quels sont les processus d’apprentissages courants pour un cours donné ? 3. quelles sont les caractéristiques liées aux processus des apprenants ayant réussis le cours ? 4. quels modèles permettent une bonne qualité des prédictions des performances des étudiants ? Analyser les méthodes de parcours d'un cours en ligne Open Class Room, afin de déterminer les profils des différents types d'apprenants. Prédiction des performances des étudiants à l'aide d'approches basées séquence et de méthodes de classification. Les données ont été fournies par Open Class Room : - 12 cours en ligne - la forme des données est un click stream des utilisateurs - la durée d'enregistrement s'étale de 2014 à 2016 - le nombre d'étudiants varient entre 10 000 et quelques centaines suivant les cours - aucune trace d'enseignant n'est fournie Les cours sont composés de page HTML et d'exercices. 4 versions ont été fournies. Les données ont été collectées à partir des logs des utilisateurs.Création de profils utilisateurs et prédiction de performance des étudiants.
une analyse séquentielle des données, basée sur des approches de pattern mining et de process mining, l'objectif étant de rechercher des éventuelles différences sur la manière dont les apprenants parcourent un cours. / la mise en place de scripts d'apprentissages sur différents modèles. Les modèles de régression logistique, Support Vector Machine, Adaboost, réseaux de neurones denses et réseaux de neurones récurrents ont été comparés ;
une analyse visuelle des indicateurs sur différents profils d'apprenants (abandon, premium/non premium, succès/échec, …) ;
Aucun tableau de bord n'a été produit sur la phase de la prédiction de la performance des utilisateurs. |
| Mesurer l'évolution des apprenants au cours du temps | EN / | 13 déc. 2017 | Antoine Pigeau | OpenClassrooms Anticipating drop-out among MOOC learners at early stages of their interaction with the course. Alya Itani The main objective of this work constitutes the following: * Spot at learners that are at-risk of dropping upon early stages of their interaction with the course (example: after the end of the second chapter). * Identify possible reasons for this dropout (poor MOOC design, over or under qualification, digital illiteracy etc..). * Undergo the necessary intervention (automatic or personalized) to prevent and decrease drop-out rates among learners. What are the best ways of achieving an accurate and early prediction of learners' dropout? How to identify the incorporated reasons for learners drop-out? What are the most convenient means of intervention to prevent possible drop-out from happening?
Dataset includes 10 courses: - Animez une communauté Twitter, - Apprenez à coder avec JavaScript, - Apprenez à créer votre site web avec HTML5 et CSS3, - Comprendre le Web, - Continuez avec Ruby on Rails, - Découvrez les bases de la gestion de projet, - Développez une application mobile multi-plateforme avec Ionic, - Prenez en main Bootstrap, - Programmez vos premiers montages avec Arduino, - Utilisez des API REST dans vos projets web. 1 year of collected data (October 2015 to October 2016) Number of total learners in all 10 courses: 203541 The analysis is complete and can be tested for real-time validation by OpenClassrooms. |