Au Frank Porter Graham Child Development Institute (FPG), un institut de recherche de l’Université de Caroline du Nord-Chapel Hill, toutes nos données sur les activités des apprenants sont rassemblées sous la forme de déclarations xAPI signalées à notre magasin de documents d’apprentissage (LRS). Dans cette étude de cas, nous décrirons comment xAPI prend en charge notre stratégie de conception pédagogique et ce que nous avons appris en cours de route.
À propos du FPG et des apprenants qu’il dessert
Notre Institut est un cadre organisationnel sous lequel existent de nombreux projets différents financés par des subventions. Les sujets de recherche comprennent l’intervention sur l’autisme, l’inclusion des enfants handicapés dans les milieux éducatifs, la mise en œuvre et la mise à l’échelle, pour n’en nommer que quelques-uns. Presque chaque projet s’engage dans un certain type de développement professionnel ou d’assistance technique pour les professionnels de la communauté tels que les praticiens, les éducateurs ou les administrateurs. Les objectifs de formation comprennent généralement un changement de comportement.
Défis du FPG
Nous sommes confrontés à plusieurs défis qui peuvent être reconnaissables aux équipes d’apprentissage et de développement dans d’autres contextes:
Les publics sont externes et variés. Les projets ne partagent ni audience ni données. De plus, chaque projet a sa propre présence sur le site Web. Dans certains cas, les apprenants ne sont pas déjà connus de l’Institut (auto-inscription). Dans ce contexte, un LMS ne convenait pas.
Comment nous l’avons résolu: Au sein de notre écosystème d’apprentissage, les expériences d’apprentissage en ligne sont portables: elles peuvent vivre sur n’importe quel site Web de projet et toujours faire rapport à notre LRS.
Une évaluation significative nécessite beaucoup plus de données que ce que nous pouvons obtenir de SCORM. Pour être utiles dans un environnement de recherche, les données sur les activités des apprenants doivent être conceptuellement significatives, reflétant des choix spécifiques des apprenants dans le cadre d’interactions personnalisées. Les données SCORM, ou même les xAPI prêts à l’emploi de Storyline, n’offrent pas ce niveau d’informations.
Comment nous l’avons résolu: En utilisant des instructions xAPI, nous adaptons les données d’activité de l’apprenant collectées aux besoins de chaque projet, créant des variables significatives.
Cette personnalisation offre une grande liberté et capacité à mettre en œuvre une stratégie pédagogique, conduisant à des produits et processus de formation bien conçus. Les variables d’activité de l’apprenant personnalisées peuvent être corrélées avec les résultats de la formation et de la recherche pour évaluer l’efficacité non seulement de chaque leçon et module, mais aussi de chaque interaction au sein de chaque module. Les données d’efficacité qui en résultent encouragent l’évolution et sont attrayantes pour les bailleurs de fonds potentiels, ce qui permet aux projets de meilleures opportunités d’accéder aux fonds dont ils ont besoin pour soutenir ou augmenter leurs équipes de recherche.
La longueur et le coût de la prestation de la formation sur place dirigée par un instructeur étaient lourds. De nombreux projets FPG souhaitent réduire les frais de déplacement associés à l’enseignement sur site. Pour ce faire, les instructions sur site doivent être plus efficaces dans un laps de temps plus court.
Comment nous l’avons résolu: Les données personnalisées possibles avec xAPI nous permettent de mettre en œuvre une conception d’apprentissage mixte stratégique.
Les leçons sur site utilisent des données robustes et personnalisées capturées via nos modules de formation en ligne pré-travail, permettant aux prestataires de support sur site de revoir, étendre, améliorer ou ignorer des zones en fonction des connaissances existantes de l’apprenant. Cette stratégie d’apprentissage mixte de transfert de données maximise l’efficacité du travail sur site.
Les limites budgétaires nécessitaient un écosystème léger. Bien que les projets FPG nécessitent des données techniquement complexes et des analyses d’accompagnement, ils sont limités par les contraintes des subventions. Il n’y a pas de budget pour l’infrastructure technologique propre au projet.
Comment nous l’avons résolu: Nous avons exploité les licences Articulate Storyline que nous avions déjà, créé un compte avec un LRS à faible coût et travaillé avec des consultants pour prendre en charge le développement JavaScript personnalisé afin de nous lancer dans un écosystème qui servirait tous les projets.
Comment fonctionne ce système?
Pour capturer les données d’activité des apprenants, les développeurs de Storyline de l’Institut utilisent xapi.ly et du JavaScript personnalisé pour créer des déclencheurs qui envoient des données xAPI sur diverses actions à l’écran à notre SCORM Cloud Learning Record Store (LRS). Nous nous sommes assurés d’utiliser une terminologie cohérente afin de mieux servir les rapports, maintenant et à l’avenir. Les fichiers JavaScript fournissent les éléments d’instruction xAPI pour chaque cours, y compris les informations sur l’acteur, le verbe et l’activité (qui incluent les définitions des variables personnalisées). Les informations sur l’acteur sont extraites de la connexion au module (incorporées dans un fichier index.js) (Figure 1) Ce fichier est référencé par le fichier de sortie publié story.html.
Figure 1: Informations sur l’acteur dans le fichier index.js
Le verbe et l’activité sont définis dans un fichier functions.js distinct, référencé par le fichier de sortie publié story.html. (Figure 2)
Figure 2: Informations sur les verbes et les activités dans le fichier functions.js
Nous avons commencé par planifier les besoins en données de chaque interaction pour chaque objectif. Voici une page de la feuille de planification d’un projet, décrivant plus de 20 interactions d’apprenants personnalisées qui sont résumées en six catégories. (Figure 3)
figure 3: Catégories d’interaction avec l’apprenant
Panneau Déclencheur affichant les variables sommant ensemble dans Storyline. (Figure 4)
Figure 4: Panneau de déclenchement pour les variables Storyline
Un peu de JavaScript dans le fichier functions.js associé. (Figure 5)
Figure 5: Fichier Functions.js pour certaines des variables Storyline
Figure 6: Collecte des informations utilisateur
Nous utilisons SCORM Cloud comme LRS car il est peu coûteux. Il ne fournit pas d’exportations. Nous avons donc créé une page de requête personnalisée qui permet l’exportation de données spécifiques au projet. (Figure 7) Il n’offre pas non plus de visualisation de données, mais ce n’est pas un problème pour nous; nos statisticiens et chercheurs préfèrent analyser et interpréter leurs propres données.
Figure 7: Requête et données Web du projet
Nous avons également créé des rapports personnalisés pour répondre aux besoins de différents projets. (Figures 8 et 9)
Figure 8: Exemple de rapport personnalisé pour un projet
Figure 9: Exemple de rapport personnalisé pour un projet
Leçons à tirer
Notre écosystème est encore relativement nouveau et nous apprenons d’importantes leçons en cours de route. Voici quelques plats à emporter:
- L’alignement mesurable de la stratégie de conception pédagogique avec les objectifs de recherche / projet est extrêmement précieux. Nous savons que la réflexion approfondie sur les objectifs et les éléments essentiels conduit tous les travaux suivants, mais cela peut parfois sembler ingrat. Lorsqu’elles sont corrélées avec un changement de comportement mesuré, les données xAPI récompensent avec des preuves claires de l’efficacité d’une bonne stratégie et conception.
- La possibilité de collecter tout type de données que vous souhaitez peut entraîner un grand nombre de données; il est important d’avoir une stratégie claire. Planifiez vos analyses à l’avance afin de ne pas être enterré dans une avalanche de chiffres, en essayant de donner un sens à tout cela. De quelles données avez-vous vraiment besoin et pourquoi? Alors, comment allez-vous le présenter aux consommateurs de données?
- La collecte de données complexes nécessite une assurance qualité détaillée que les données rendent compte avec précision. Assurez-vous de prendre en compte ce temps après le développement et attribuez des rôles à la fois pour le contenu et l’AQ technique – il peut s’agir de personnes différentes.
- Tirez parti des profils de données existants dans la mesure du possible afin de ne pas avoir à réinventer la roue et vos projets sont interopérables avec les travaux futurs, tous basés sur le même modèle de données.
- Les clients / le personnel du projet peuvent avoir besoin d’une formation avant le début du projet sur ce qui est possible en termes de développement de modules et de collecte de données. Alors que le projet tire à sa fin, ils peuvent avoir besoin d’une formation sur la façon d’accéder à leurs données.
- Comme notre quantité de projets, de modules et d’utilisateurs a évolué (et atteindra potentiellement plus de 100 000 utilisateurs), nous avons constaté que nous pourrions avoir besoin de rapports, d’analyses et d’options d’exportation de données plus avancés que ce qui était requis initialement.
Note des auteurs sur le financement et le soutien
Le financement de la capacité de mise en œuvre des projets Triple P, y compris le développement de modules d’apprentissage en ligne, est fourni par le Duke Endowment et le ministère de la Santé et des Services sociaux de la Caroline du Nord, Division des services sociaux. Le soutien au développement de l’AFIRM pour le travail para est venu de la subvention R324A170028, financée par l’Institut des sciences de l’éducation (IES). Le soutien à la mise en œuvre par l’État et à l’intensification des travaux du Centre de pratiques factuelles (SISEP) est venu de la coopérative Grant H326K17003-SISEP, financée par le Bureau des programmes d’éducation spécialisée (OSEP). IES et OSEP font partie du département américain de l’Éducation, mais le contenu de cet article ne reflète pas ou ne représente pas nécessairement la politique de ce département.
