Durant la dernière décennie, la prise de décision guidée par les données (data-driven decision making, aussi connue sous le nom de data-based decision making, evidence-based decision making, data-mining) a été utilisée dans de nombreux secteurs d’activités et a entrainé une amélioration des performances que Kaufman, Graham, Picciano, Popham et Wiley (2014) qualifient de spectaculaire. Il semble toutefois que le milieu de l’éducation accuse un certain retard dans ce domaine : Long et Siemens (2011) qualifient l’utilisation des données par le domaine de l’enseignement supérieur comme étant inefficace, notamment parce que les données sont utilisées à long terme (par exemple, en examinant les données sur l’abandon scolaire sur une base annuelle), ce qui diminue les opportunités d’interventions. De plus, souligne Broadfoot (2007), l'évaluation pédagogique, a soutenu la tendance irrésistible à valoriser ce qui est mesurable plutôt que de mesurer ce qui est valorisé. Les données doivent être croisées : différentes sources, différentes données, différentes interprétations menant aux interventions les plus appropriées. Johnson (2002) propose d’ailleurs « to use data as a lens through which to examine counterproductive and unequal school practices » (p. xiii). Et bien que l’analyse des données informe, elle ne remplace pas l'expertise, l'intuition, et le jugement des éducateurs compétents. 


C’est dans ce contexte que nous aborderons l’utilisation des données d’apprentissage (learning analytics). Bernhardt (2004) a identifié quatre types de données qui peuvent être utilisées en éducation : 1) des données démographiques (pour comprendre le contexte), 2) des perceptions (pour saisir la façon dont les différents acteurs se sentent, y compris les étudiants, et pister sur les interventions possibles pour améliorer la situation), 3) les données sur l’apprentissage des apprenants (pour analyser la performance des apprenants à des évaluations), et 4) les données sur les processus en classe (pour décrire les changements de processus en classe qui surviennent au cours du temps). 



C’est grâce au croisement de ces données, illustré dans un diagramme de Venn où chaque intersection informe sur un aspect, qu’il est possible d’analyser les données selon différents angles. L’intersection des quatre composantes permet de cibler des actions, de processus et de programmes qui répondent le mieux aux besoins d'apprentissage de tous les apprenants. 

Nous présenterons en français le modèle de Bernhardt (2006) : les dix niveaux d’analyse seront couverts et des exemples concrets et contextualisés seront proposés. 



Référence 



Archambault, J., et Dumais, F. (2010). Des données pour diriger : utiliser ou produire des données et prendre des décisions. Une recension de la littérature scientifique et professionnelle. Université de Montréal et Programme de soutien à l’école montréalaise (MELS). 

Archambault, J., et Dumais, F. (2012). Des données pour diriger. Utiliser ou produire des données et prendre des décisions. Montréal : Une école montréalaise pour tous (MELS). 



Bernhardt, V.L. (2004). Data analysis for continuous school improvement (2e ed.). Larchmont, NY: Eye on Education, Inc. 

Bernhardt, V. L. (2006). Using data to improve student learning in school districts. Larchmont, NY: Eye on Education, Inc. 



Broadfoot, P. (2007). An Introduction to assessment. Continuum Intl Pud Group. 192 p. 



Johnson, R.S. (2002). Using data to close the achievement gap - How to measure equity in our schools. Thousand Oaks, CA: Corwin Press. 



Kaufman, T. E., Graham, C. R., Picciano, A. G., Popham J. A., et Wiley, D. (2014). Data-Driven Decision Making in the K-12 Classroom. Dans J. M. Spector, M. D. Merrill, J Elen et M. J. Bishop (dir.), Handbook of research on educational communications and technology (3e éd., p. 337-346). New York : Springer. 



Long, P. & Siemens, G. (2011). Penetrating the Fog. Analytics in Learning and Education. EDUCAUSE Review. Repéré à http://net.educause.edu/ir/library/pdf/ELI7079.pdf