by denisb

Etudes collectées en 2016

February 15, 2017 in Data, Example, News by denisb

Quelques études collectées en 2016

by denisb

EC-TEL 2016 (1 démo)

September 29, 2016 in Data, Process, UnderTracks by denisb

La plateforme UnderTracks a été présentée à EC-TEL 2016. (Pdf support de la démonstration) :

Partie 1 : les données

 

Partie 2 : les processus d’analyse

 

Partie 3 : Avantage d’avoir Données, Opérateurs et Processus d’analyse ensemble

 

 

Voir également : 2 papiers acceptés à EC-Tel

EC-TEL 2016 (2 papiers)

May 25, 2016 in Operateur, UnderTracks, Visualisation by mandran nadine

Les opérateurs d’analyse de données et les visualisations présentes sur Orange-Undertracks ont contribué à la rédaction de deux full-papers acceptés à EC-TEL 2016.

Dessus, P., Cosnefroy, O., & Luengo, V. (2016). “Keep your eyes on ‘em all!”: A mobile eye-tracking analysis of teachers’ sensitivity to students. In M. Sharples, K. Verbert, & T. Klobučar (Eds.), Proc. 11th European Conf. on Technology Enhanced Learning (EC-TEL 2016). Lyon.

Vermeulen M., Mandran N.,  Labat J.M. (2016). Chronicle of a scenario graph: from expected to observed learning path. In M. Sharples, K. Verbert, & T. Klobučar (Eds.), Proc. 11th European Conf. on Technology Enhanced Learning (EC-TEL 2016). Lyon.

 

Voir également : 1 démo acceptée à EC-Tel

 

 

Tamago et Convecs

February 12, 2016 in Communication, Data, News, Operateur, Uncategorized by mandran nadine

tamago

Les traces produites avec le jeu sérieux  Tamago Cours (E.Sanchez IFE Lyon) seront réutilisées par l’équipe  Convecs (Inria).   Les travaux de l’équipe Convecs devraient permettre d’identifier des comportements des joueurs à partir des traces du jeux construites  grâce au modèle de la théorie des situations didactiques (Brousseau 1998, Margolinas 1995).

Interfaces plus conviviales

January 20, 2016 in Data, News, Operateur, Process, Uncategorized, UnderTracks by mandran nadine

Pour faciliter la lisibilité des informations disponibles sur Undertracks, les interfaces ont été modifiées, pour les studies, les operators, les process. Voir la page des  operators.

 

 

Expressions régulières & Patterns

September 23, 2015 in News, Operateur by mandran nadine

Des nouveaux opérateurs sont présents sur Undertracks-Orange. Ils permettent de rechercher des patterns à partir   d’expressions régulières,  de les nommer et de les représenter graphiquement.

Légende de l’illustration   “Exemple avec les données de Tamago_Cours 2014 :

Une ligne représente une séquence de travail d’un étudiant. Un bâton est une action présente dans les traces. Les couleurs traduisent les différentes actions.

La ligne au dessus représente des patterns d’actions qui indique qu’une suite d’actions d’un étudiant était une bonne ou une mauvaise suite d’actions pour la réussite de la tâche.

La ligne du dessous représente les actions initiales faites par l’étudiant.

 

Processus utilisé :

process_expreg

Nouvelles études sur Undertracks

September 1, 2015 in Data, Example by mandran nadine

  • Les annotations des vidéos issues de l’observation des enseignants (Math et Sciences expérimentales) dans le cadre du projet ADDI (Accompagnement de Décisions Didactiques dans un Environnement Informatique)
  • Les traces de l’expérimentation 2015 sur le jeu sérieux TAMAGO (IFE Lyon). 184 étudiants de l’ENS, 86 groupes. Le processus d’analyse conduit sur les données de l’expérience de 2014 a été réutilisé et amélioré.
  • Les réponses au QCM des étudiants de la Première Année Communes des Etudes de Santé (PACES) Grenoble et les résultats au concours. 1800 étudiants.
  • Les traces des utilisateurs des mooc MOOCAZ–  http://moocinfo.net/tag/moocaz/ et EFAN – http://www.mooc.fr/eFAN.html
  • Les résultats d’évaluation de corrections de copies (à la main & automatique avec Algo+) d’une étude en cours sur l’évaluation.

Formation Undertracks Orange

June 30, 2015 in Data, Support by mandran nadine

Le 30 juin 2015, une formation sur les opérateurs Undertracks Orange a été organisée. Elle a rassemblé 10 personnes de 4 équipes du laboratoire (PRIMA, MeTAH, PIMLIG, IIHM). Voir la démonstration en vidéo.

 

by denisb

Programmer un opérateur

June 23, 2015 in Example, Operateur, UnderTracks by denisb

Programmer un opérateur n’est pas si difficile, ni long (enfin !… cela dépend aussi de l’opérateur en question, et il faut être un minimum à l’aise avec Python).

 

Une démo :

 

 

Et si vous voulez partager votre opérateur avec la communauté, c’est possible (comme pour les données, Undeetracks est prévu pour cela) : aller ici

 

Pour info, le fichier base pour la vidéo (ou sa version actuelle) est sur la forge : https://forge.imag.fr/scm/viewvc.php/trunk/fat_client/operator/Management/Edit/OWUTFun/OWUTFun.py?root=undertracks&sortdir=down&view=log

la version courante (de ce jour) est : https://forge.imag.fr/frs/download.php/674/OWUTFun.py

by denisb

Modélisation des données

March 24, 2015 in Data, Support by denisb

Le modèle de données d’Undertracks est issu d’un travail de modélisation entrepris par les membres d’une équipe multi-disciplinaire :

  • en informatique
  • en didactique des sciences expérimentales
  • en statistique et analyse des données

travaillant ensemble dans le domaine des EIAH. Le cœur du modèle correspond à la notion de log : liste d’évènements observés (comprenant la date de chaque observation, l’agent concerné par cette observation, l’action et le contexte décrivant l’observation). Associés à ce cœur dynamique, se trouvent des descriptions statiques des dimensions évoquées dans le log (agent, action, contexte). L’implémentation en terme de base de données donne un modèle en 4 tables :

  • une table de log
  • une table agent (optionnelle, mais qui, si elle existe, est liée par un attribut à la table de log)
  • une table action (optionnelle, mais qui, si elle existe, est liée par un attribut à la table de log)
  • une table contexte (optionnelle, mais qui, si elle existe, est liée par un attribut à la table de log)

L’ensemble forme les évènements d’une étude.

DiagrammeUTEtoile

Cette modélisation peut faire penser à une modélisation sous la forme d’un schéma en étoile dans une approche décisionnelle. La table centrale, la table des faits serait la table des Logs, et les dimensions d’analyses seraient :

  • les utilisateurs
  • les actions
  • les contextes

Du fait de la structure de la table des logs, une dimension temporelle implicite peut aussi être prise en compte.

Les pratiques en modélisation dans le domaine du décisionnel laissent imaginer l’association de plusieurs études pour réaliser une galaxie (constellation).

DiagrammeUTGalaxie

Dans notre cas, il n’est pas envisagé de flocon (description hiérarchique d’une dimension à travers une arborescence de tables ). C’est un choix cohérent avec une utilisation “simple” d’UnderTracks.

Dans un perspective BI (décisionnelle), une visualisation standard 2D des données proposerait :

  • Drill Up – Drill Down (agrégation – détail selon une dimension)
  • Rotate (choix des 2 dimensions)
  • Slicing – Scoping (sélection selon une valeur donnée d’une dimension)

mais, c’est une autre histoire, pour plus tard …