Learning Analytics & Adaptive Learning

Développement et transfert d’un système de « Learning Analytics » accompagnant l’enseignement en présentiel, proposant des ressources pédagogiques adaptées et favorisant un apprentissage optimisé.

Durée : janvier 2022 – décembre 2025
Statut : terminé
Niveau de formation : niveau tertiaire
Thème : artificial intelligence AI, digital tools
Mots-clés : modules d’enseignement numérisés

Situation initiale

L’apprentissage et l’enseignement individualisés représentent un défi majeur au niveau tertiaire, notamment dans les disciplines méthodologiques où un enseignement de qualité demande un investissement considérable. Pour relever ces défis, les instituts de psychologie et de sciences du sport (Faculté des sciences humaines) ainsi que l’institut de mathématiques (Faculté des sciences) de l’Université de Berne se sont associés dans ce projet. L’objectif est de tirer un meilleur parti des possibilités offertes par l’enseignement numérique et de développer des formats d’enseignement et d’apprentissage innovants. Le projet se concentre sur le développement et le transfert d’un système de « Learning Analytics » qui accompagne les cours en présentiel et offre aux étudiant·e·s des ressources pédagogiques pertinentes ainsi que des retours personnalisés pour favoriser un apprentissage individualisé et optimisé.

Objectifs

Grâce à l’approche « Learning Analytics », de nombreux aspects du comportement d’apprentissage peuvent être mesurés numériquement. Cependant, la signification informationnelle et prédictive de ces données doit être mieux comprise afin d’en exploiter tout le potentiel pour aider les étudiant·e·s à atteindre leurs objectifs d’apprentissage. Ce projet BeLEARN a abordé les questions suivantes :

Comment traiter de grands volumes de données et les réduire à un ensemble gérable tout en conservant les informations pertinentes ? Les approches d’apprentissage automatique peuvent-elles y contribuer ?
Les données issues du Learning Analytics peuvent-elles être conceptuellement reliées à des aspects de la personnalité liés à l’apprentissage, tels que la capacité cognitive générale, l’efficacité de traitement, l’effort, la conscienciosité ou le sentiment d’efficacité personnelle ?
Quels aspects du comportement d’apprentissage permettent de prédire les notes finales dans les cours universitaires ?
Les données du Learning Analytics permettent-elles de formuler des recommandations d’apprentissage personnalisées aidant les étudiant·e·s à ajuster leur comportement d’apprentissage durant le semestre et à mieux se préparer aux examens ?

Méthode

Dans le cadre du projet, des évaluations en ligne (initiales, formatives et sommatives) ont été mises en place. Elles proposaient des exercices liés au contenu des cours et fournissaient un retour explicatif immédiat. Ces évaluations ont permis la collecte automatique de données de performance et de temps de traitement, ainsi que des enquêtes répétées sur le comportement d’apprentissage, permettant d’analyser les processus d’apprentissage sur plusieurs semestres. Les données ont été strictement pseudonymisées : seul·e·s les étudiant·e·s connaissaient leur pseudonyme, tandis que les enseignant·e·s et les chercheur·euse·s ne pouvaient pas établir de correspondance. Par ailleurs, des tableaux de bord ont été développés pour donner aux étudiant·e·s une vue d’ensemble de leurs performances et aux enseignant·e·s une vision du progrès des apprentissages.

Résultats

Nos recherches montrent que le Learning Analytics peut soutenir efficacement l’apprentissage individualisé, même dans de grands groupes.
Les évaluations en ligne ont permis d’observer le comportement d’apprentissage à partir de données objectives et d’identifier des traits de personnalité pertinents, tels que la conscienciosité ou l’efficacité de traitement, améliorant ainsi la prédiction de la réussite académique.
Les approches d’apprentissage automatique ont permis de réduire la complexité des données à quelques schémas d’apprentissage pertinents et d’identifier différents profils de comportement liés au succès de l’apprentissage.
Les résultats permettent de fournir des retours personnalisés, aidant les étudiant·e·s à ajuster précocement leur comportement d’apprentissage, à renforcer leur auto-régulation et à mieux atteindre leurs objectifs pédagogiques.

Mise en œuvre de la translation

Afin d’identifier des partenaires de transfert appropriés, des échanges ont été menés avec diverses institutions éducatives et entreprises. Les attentes et besoins des étudiant·e·s, enseignant·e·s, responsables de la formation continue et concepteur·trice·s de matériel pédagogique ont été analysés. Sur cette base, l’Association Swiss Learning Analytics (learning-analytics.ch) a été fondée. Elle conseille les entreprises et institutions éducatives dans la mise en œuvre fondée sur les données du Learning Analytics et propose des outils open source, évolutifs et transférables, développés dans le cadre de ces projets. L’objectif est de poursuivre le développement et la diffusion du Learning Analytics en Suisse, tant dans la recherche que dans la pratique. Un premier projet est actuellement mené avec Swisscom. À long terme, l’association vise à s’établir comme une plateforme durable de collaboration entre la recherche et la pratique dans le domaine du Learning Analytics.

Les résultats du projet ont été intégrés de manière continue dans la pratique pédagogique, menant à un ancrage durable du développement de l’enseignement fondé sur les données. Les enseignant·e·s utilisent les résultats pour adapter leurs formats d’enseignement et leurs offres de soutien. Les étudiant·e·s bénéficient de retours personnalisés et d’un accompagnement ciblé – même dans de grands groupes. Un tableau de bord amélioré soutient les étudiant·e·s dans leur apprentissage. L’impact est mesuré à l’aide d’évaluations répétées, de données de performance et de retours d’expérience des étudiant·e·s et des enseignant·e·s.

Publications

Borter, N. (2024). Differential effects of additional formative assessments on student learning behaviors and outcomes. Studia Paedagogica, 28(3), 9–38. https://doi.org/10.5817/SP2023-3-1

Borter, N., Bögli, L., & Troche, S. (2024, März 18-22). Students dashboard preferences in blended learning with continuous formative assessments [Poster presentation]. The 14th International Learning Analytics and Knowledge Conference, Kyoto, Japan.

Borter, N., Raemy, U. E., & Sipos, K. (2023, November 29). Learning Analytics an der Universität Bern [Oral presentation]. Project Lunch, BeLEARN, Bern, Schweiz.

Borter, N., Raemy, U. E., Sipos, K., Gubler, D., Klostermann, A., Mayer, B., & Troche, S. J. (2023, October 6). Datengestütztes Lehren & Lernen: Das Potenzial von Learning Analytics für individuelle Förderung von Studierenden. Tag der Forschung, Universität Bern.

Borter, N., Raemy, U. E., Sipos, K., Schnyder, S., Hahn, J., & Troche, S. (2024, March 19). Empowering students through continuous formative assessment and feedback: A learning analytics approach [Oral presentation, LAK24 Assess Workshop]. The 14th International Learning Analytics and Knowledge Conference, Kyoto, Japan.

Hahn, J., Raemy, U. E., Sipos, K., Schnyder, S., Troche, S., & Borter, N. (2024, March 18-22). Enhancing Self-Regulated Learning Through Personalized Analytics [Demo]. The 14th International Learning Analytics and Knowledge Conference, Kyoto, Japan.

Raemy, U. E., Borter, N., Gubler, D. A., Büchli, A., & Troche, S. J. (2025). Measuring conscientiousness and its impact on academic performance: Insights from self-reports and behavioral data. Learning and Individual Differences, 123, 102767. https://doi.org/10.1016/j.lindif.2025.102767

Raemy, U. E., Borter, N., Mejeh, M., & Troche, S. (2025). Predicting academic performance by self-assessed and objectively measured understanding and self-efficacy. Manuscript submitted for publication.

Raemy, U. E., Borter, N., & Troche, S. (2024, September 3-5). A Psychological Perspective on Learning Analytics [Oral presentation]. Future Education Conference 2024 – Empowering Learners for Tomorrow, Graz, Austria.

Raemy, U. E., Borter, N., & Troche, S. J. (2025, July 15). What you know vs. what you think you know: Subjectively assessed and objectively measured understanding, self-efficacy, and their prediction of academic performance [ oral presentation]. International Society for the Study of Individual Differences (ISSID), Vienna, Austria.

Raemy, U. E., Troche, S. J., Sipos, K., Mayer, B., Klostermann, A., Gubler, D. A., & Borter, N. (2024). Transforming tertiary education: The role of learning analytics in improving students’ success – A practical approach. In M. Sahin & D. Ifenthaler (Eds.), Advances in Analytics for Learning and Teaching. Assessment Analytics in Education (pp. 85–111). Springer International Publishing. https://doi.org/10.1007/978-3-031-56365-2_5

Sipos, K., & Borter, N. (2023, January 18-19). Individualization in large courses – concepts, tools and analytics [Poster presentation]. Proceedings of the 6th online conference “Digital Innovation Higher Education”.

Sipos, K., & Raemy, U. E. (2023, June 28). Formative E-Assessment as a Tool for Learning and Supporting the Development of Self-regulated Learning Processes [Oral presentation, EAMS23]. E-Assessment in Mathematical Sciences 2023.

Troche, S. J., Raemy, U. E., Büchli, A., & Borter, N. (2025, July 14). Explaining academic performance: The impact of reasoning ability, the item-position effect, and knowledge acquisition [Conference presentation]. International Society for the Study of Individual Differences (ISSID), Vienna, Austria.

Liens complémentaires

Site web Learning Analytics