Le Learning Analytics (analytique de l’apprentissage) est la mesure, la collecte, l’analyse et la restitution des données relatives aux apprenants et à leurs contextes. L’objectif n’est pas la surveillance, mais la compréhension et l’optimisation des processus d’apprentissage et des environnements dans lesquels ils se déroulent.
Selon la définition officielle de la Society for Learning Analytics Research (SoLAR) : « Learning Analytics is the measurement, collection, analysis and reporting of data about learners and their contexts, for purposes of understanding and optimising learning and the environments in which it occurs. »
Si la formation était un match de football :
- L’évaluation classique (un examen final), c’est le score final à la fin du match : on sait qui a gagné, mais on ne sait pas pourquoi.
- Le Learning Analytics, c’est l’ensemble des capteurs et caméras qui filment le match en temps réel : nombre de passes, distance parcourue par chaque joueur, zones du terrain les plus fréquentées, moments de fatigue. L’entraîneur (le formateur) utilise ces données pour ajuster la tactique en direct, faire entrer un remplaçant au bon moment, et préparer de meilleurs entraînements pour le prochain match.
Les 4 piliers du Learning Analytics
Le processus repose sur une chaîne de valeur en 4 étapes :
- Mesure & Collecte : Capturer les traces numériques (clics, temps passé, résultats de quiz, participations aux forums, connexions).
- Stockage & Structuration : Centraliser ces données hétérogènes dans un entrepôt (LRS – Learning Record Store) en utilisant des standards comme xAPI.
- Analyse & Modélisation : Appliquer des méthodes statistiques, de la data visualisation, ou de l’IA (Machine Learning) pour identifier des patterns (ex: « les apprenants qui participent au forum avant J+3 réussissent 2x mieux »).
- Restitution & Action : Présenter les insights sous forme de tableaux de bord (dashboards) actionnables pour les apprenants, les formateurs ou les décideurs, et déclencher des interventions (alertes de décrochage, recommandations de contenu).
Les outils du Learning Analytics (par catégorie)
1. Les standards de collecte (La « plomberie » des données)
Sans standard, les données restent prisonnières de chaque outil.
- xAPI (Experience API / Tin Can API) : Le standard moderne. Il permet de tracker n’importe quelle expérience d’apprentissage (formelle ou informelle) avec la structure « Noun / Verb / Object » (ex: « Stéphane / a complété / le module RGPD »). Il remplace le vieux SCORM.
- Caliper Analytics (IMS Global) : Un framework de télémétrie qui standardise les événements d’apprentissage pour qu’ils soient interopérables entre les outils.
2. Les LRS (Learning Record Store)
C’est le « coffre-fort » des données d’apprentissage. Il reçoit, stocke et partage les statements xAPI.
- Learning Locker : Le LRS open-source de référence. Très utilisé dans le monde académique et corporate.
- Watershed LRS : Une solution commerciale très puissante, orientée entreprise, avec des outils de visualisation intégrés.
- SCORM Cloud (Rustici Software) : Propose un LRS en plus de son moteur de déploiement de contenus.
3. Les tableaux de bord et outils de visualisation
- Jupyter Notebooks / R Studio : Pour les data scientists de l’éducation qui veulent faire des analyses statistiques poussées ou du Machine Learning sur les données d’apprentissage.
- Tableau / Power BI : Pour créer des dashboards interactifs et esthétiques à partir des données exportées du LRS.
- Jisc Analytics (UK) : Un service complet qui propose des tableaux de bord pré-construits pour l’enseignement supérieur (analytique de réussite, de bien-être, d’employabilité).
4. Les LMS avec analytique intégrée
La plupart des LMS modernes intègrent des couches de LA « prêtes à l’emploi » :
- Moodle + Plugins : Les plugins Learner Analytics ou Configurable Reports permettent de créer des tableaux de bord personnalisés.
- Canvas (Instructure) : Intègre des outils comme « New Analytics » qui visualisent la progression des étudiants par rapport à la moyenne de la classe.
- Blackboard / Brightspace (D2L) : Proposent des systèmes d’alerte précoce (Early Warning Systems) pour identifier les étudiants à risque de décrochage.
5. Les outils d’IA appliquée au LA (Predictive Analytics)
- Civitas Learning : Spécialisé dans la prédiction de la réussite et du décrochage dans l’enseignement supérieur américain.
- Coursys / Gradescope : Utilisent l’IA pour analyser les patterns de soumission et de notation.