Extraction et prétraitement des logs Moodle pour des analyses temporelles

Titre de la contribution: Tutoriel sur l'extraction et le prétraitement des logs Moodle pour des analyses temporelles 

Auteurs: Yves Noël et Daniela Rotelli 

Thématique retenue: Autre, Learning Analytics 

Format de présentation souhaité: Atelier (1h30) 

Public visé: Développeur/administrateur, autre (analyste de données éducatives) 

Niveau: Avancé 

Accroche courte pour le programme: Lancez vous dans la récolte de traces d’apprentissage pour des Learning Analytics. Suivez le trajet d’une action Moodle. 

Résumé de la contribution: Les logs sont des enregistrements de ce qui s'est passé sur une plateforme. Ils décrivent non seulement une action, mais aussi quand elle a eu lieu, où et sur quoi elle a été appliquée et par qui. Dans le cas de Moodle, les logs sont stockés dans la base de données, accessible aux seuls administrateurs de la plateforme. Il est toutefois possible, pour un enseignant, de consulter les logs qui concernent son cours grâce à l’outil “Journal”. Cependant leur consultation en ligne est laborieuse et leur téléchargement sous forme de fichiers plats limité en taille, ce qui peut se révéler bloquant pour des cours avec beaucoup d’inscrits. De plus, il est impossible de repérer avec cette stratégie, lorsqu’un utilisateur passe d’un cours à un autre ou à tout autre page en dehors de son cours (comme par exemple le tableau de bord). Le standard xAPI est largement utilisé pour décrire des activités sur des plateformes d’apprentissage. Cette normalisation permet des traitements et analyses des données d’apprentissages (learning analytics) relativement indépendamment de la plateforme qui les a émis. Ces données xAPI sont généralement stockées dans une base de données non relationnelle spécialement conçue pour cela : le Learning Record Storage (LRS). Un plugin a été développé pour transformer les logs Moodle stockés dans la base de données en enregistrements xAPI pseudonymisés (en option), et les envoyer vers un LRS. Une fois ces enregistrements ou traces stockées sur un LRS, il est possible d'utiliser, comme déjà décrit dans la littérature, des méthodes d'exploration de données pour identifier des modèles de comportement des étudiants. De nombreuses études se sont concentrées sur le temps consacré à une tâche d'apprentissage et l’utilisent comme indicateur pour modéliser le comportement de l'apprenant dans une situation d'apprentissage, prédire les performances et/ou prévenir l'abandon. Or, les seules informations temporelles contenues dans les logs Moodle sont des horodatages Unix (timestamp), qui indiquent l'heure à laquelle un événement s'est produit. Habituellement, la durée d'un événement est calculée comme la différence entre deux enregistrements consécutifs, en supposant qu'un log enregistre systématiquement l'heure de début de l'action. Cependant, dans Moodle, les logs sont enregistrés à différents moments des actions de l'utilisateur, et pas seulement à leur début. L'interprétation correcte des données d'enregistrement pour reconstruire la durée présente donc une certaine complexité. Une interprétation trop simpliste des données issues de logs d'apprentissage aurait pour conséquences des durées erronées qui mènerait à des conclusions potentiellement biaisées sur le processus d'apprentissage. Cet atelier a pour but de présenter le système de logs de Moodle et leur transformation en statements xAPI. Nous aborderons ensuite en pratique, via des exemples, les problèmes liés à la reconstruction des durées mentionnés plus haut. 

Précisez ce que votre contribution va apporter à la communauté Moodle: L’atelier permettra aux participants d’être directement opérationnels pour mener des analyses temporelles de traces d’apprentissage sur Moodle ; ceci en appliquant pas à pas les méthodes abordées lors de l’atelier : récupération des données brutes, pré-traitement et enfin analyse. Les participants profiteront de l’atelier pour éviter les écueils qui pourraient leur faire perdre beaucoup de temps voire conduire vers une interprétation erronée. Le dispositif présenté ainsi que le plugin associé permet à des tiers autorisés (non administrateur ni enseignant) de mener des analyses de cohortes, notamment grâce à l’option de pseudonymisation. Il facilite, par exemple, la participation de spécialistes de l'analyse de données à des projets d’ingénierie pédagogique. Il permet aux établissements souhaitant mettre en place un dispositif de Learning Analytics, de démarrer et peut être de lancer une communauté à ce sujet. Plus généralement, cet atelier permet de faire un pas en direction de l'open data pour l’éducation. 

En quoi le contenu de votre contribution est-il original?: C’est la première fois, à notre connaissance, qu’un atelier propose de suivre des actions d’utilisateurs “du clic au notebook Jupyter” via la formation du statement xAPI, l’enregistrement sur un LRS et l’interrogation à partir d’un notebook python (pymongo). Le calcul des durées en distinguant les enregistrements en début ou fin d’action et aussi novateur selon nous. 

5 mots clés pour illustrer votre contribution: xAPI, LRS, log, collecte des données, préparation des données, analyse des données