Sommaire
Les Learning Analytics à l’ère de la LXP :
1. Collecte 📖
2. Traitement et enrichissement 🛠️
3. Analyse 🔬
4. Visualisation 📈
Les Learning Analytics, c’est quoi ?
Les Learning Analytics, c’est tirer parti d’un cadre de collecte, de traitement, d’enrichissement, d’analyse et de visualisation systématique des données générées par un écosystème d’apprentissage pour répondre à des problématiques d’entreprise concrètes en matière d’apprentissage.
Il est important de garder cette définition en tête. Elle insiste sur le fait que les Learning Analytics ne sont qu’un outil, un service d’aide à la décision.
Elle implique donc d’identifier des problématiques d’entreprises et des questions précises sur ses apprenants avant de se lancer dans la visualisation de données. De plus, il faudra souvent prendre du recul sur l’interprétation que l’on peut avoir de ces données afin d’éviter des corrélations trop hâtives.
En effet, les Learning Analytics n’englobent pas seulement un cadre technique. C’est aussi tout un système de pensée autour de la donnée, de connaissances spécifiques à l’organisation et son environnement d’apprentissage. Le tout, pour remplir le but fondamental du Learning Analytics, améliorer l’écosystème d’apprentissage d’une organisation.
Dans cet article, nous vous donnerons une solide vue d’ensemble de la discipline ainsi que quelques astuces pour vous lancer.
Avant de pouvoir s’intéresser aux Learning Analytics à proprement parler, il faut déjà parler un peu des données que nous générons en e-learning et comment l’implémentation de la norme xAPI apporte de nouvelles possibilités.
1. Collecte de données 📥
Si vous n’êtes pas familiers avec xAPI et le Learning Record Store (LRS) nous vous conseillons de consulter notre article à ce sujet.
En bref, les données xAPI sont stockées sous la forme « Utilisateur + Verbe + Objet » dans ce que l’on appelle un LRS, sorte de base de données géante des données learning d’une entreprise.
Ce format est particulièrement intéressant car il permet avant tout d’avoir une nomenclature (syntaxe) commune à l’intégralité de votre écosystème d’apprentissage. En effet, qui n’a pas déjà eu le problème de tenter de consolider des reportings issus de différentes plateformes (langues, vos LMS…) où dans un cas la formation est « complétée » dans l’autre « terminée » dans l’autre « réalisée », bref un casse-tête…
Bien qu’il soit possible de faire des Learning Analytics sans avoir implémenté la norme xAPI et un LRS, cette implémentation améliore tellement la quantité (capture de l’apprentissage informel, mots-clés tapés dans une recherche…) et qualité des données pour un coût modéré qu’il serait dommage de pas s’y intéresser.
2. Traitement et enrichissement 🛠️
La base de données LRS répond fondamentalement à la question « Qui fait Quoi ? ».
Et à ces données xAPI peuvent donc venir s’ajouter des bases de données annexes qui peuvent aider à approfondir l’analyse. Particulièrement, d’autres bases de données peuvent nous permettre d’en savoir plus sur le « Qui » et sur le « Quoi ».
Par exemple, si votre solution inclut des profils d’utilisateurs, vous pouvez la connecter à votre annuaire de salariés. Ou encore avoir une base de données reliant les objets de digital learning à des compétences. On parle alors de data lake RH, projets que nous voyons émerger en interne dans plusieurs grands groupes et gérés par l’IT mais qui sont souvent difficiles à l’allumage car les interlocuteurs IT internes ne disposent pas des connaissances sur xAPI et les éditeurs traditionnels de LMS n’offrent pas ce type de service à leurs clients.
Pour les plus avancés, selon votre écosystème, vous pouvez incorporer le flux de clic des utilisateurs dans vos applications, leurs données de géolocalisation, ou encore plus intéressant croiser ces données learning, à des données business (issues d’un CRM ou autre). Ainsi il est possible d’avoir la corrélation entre population formée et augmentation du chiffre d’affaires par exemple.
Dans nos travaux de recherche actuels chez Bealink, nous tentons d’aller encore plus loin vis-à-vis du contenu digital (articles, videos, contenus e-learning…) via des techniques dites de Natural Language Processing pour automatiser la génération des métadonnées nécessaires à l’enrichissement des données du catalogue de formation.
Bref, vous l’avez déjà compris, et au risque de nous répéter sur cette étape de traitement et d’enrichissement des données du digital learning, celle-ci ne peut être faite qu’en dehors d’une plateforme type LMS.
3. Analyse 🔬
Maintenant que nous y voyons plus clair dans nos données et nos différentes sources de données, voyons ce que nous pouvons en tirer.
Nous pouvons analyser les données collectées, traitées et enrichies à plusieurs niveaux.
4. Visualisation 📈
Notamment pour ce qui est analyse descriptive, une bonne visualisation est indispensable.
Une solution de Learning Analytics packagée vous fournira sa propre visualisation. Il en existe quelques-unes sur le marché mais le problème c’est que ces solutions sont bien souvent liées au LRS qui va avec. Ils vendent les deux d’un coup, (LRS et Learning Analytics) et qu’il est bien compliqué de croiser des données business par exemple. Un data scientist, un consultant, ou bien encore nos équipes pourront vous aider à créer vos propres modèles de visualisation. Ce, sur votre propre LRS grâce à un outil nous avons développé et que nous mettons à votre disposition gratuitement, LRSDump.
Voici un exemple d’une visualisation des données de connexions d’un de nos clients. On y voit clairement le pic d’usage (noir) des solutions digitales en période de COVID. La visualisation est sous Power BI (outil de Microsoft) souvent intégré à vos suites Office 365.
Vous en savez désormais plus sur les Learning Analytics ; et vous vous rendrez sûrement compte du potentiel qu’ils ont pour améliorer de manière continue et automatique votre écosystème d’apprentissage.
Pour passer à l’action, nous recommandons fortement d’avoir dans votre stack de technos learning un LRS.
Ensuite, pour débuter et si vous n’avez pas d’exigences particulières, vous pouvez vous tourner vers des solutions packagées pour l’analytique.
Pour des solutions plus personnalisées et performantes, vous pouvez vous tourner vers un data scientist. Votre IT interne, une société de conseil ou certains éditeurs de e-learning comme Bealink sont également compétents dans le domaine. Ils vous aideront à construire ce fameux cadre d’analyse dont nous parlons tout au long de cet article.
Ensuite, il en va de vous de déterminer les bonnes questions à se poser sur votre stratégie learning. On ne se forme jamais histoire de se former. Il y a toujours un but derrière (compliance, employabilité, augmentation de salaire, avantage compétitif, mobilité interne, innovation, rétention des talents, productivité, augmentation du chiffre d’affaire…). Vous commencerez toutefois à obtenir les outils qui légitimeront votre discours sur l’importance de conserver une stratégie learning ambitieuse.