Esteban Villalobos, membre de l’équipe TALENT, a soutenu le 28 juin 2024 sa thèse intitulée Developing a Learning Analytics framework to understand the temporal behavior of students in Blended Learning Environments (Développement d’un cadre d’analytique de l’apprentissage pour comprendre le comportement temporel des étudiants dans des environnements d’apprentissage mixte).

Félicitations à lui !!!!!!!!

Le jury était composé de :

• Hendrik Drachsler – DIPF, Deutsches Institut für Internationale Pädagogische Forschung
• Alejandra Martínez Monés – Universidad de Valladolid
• Sasha Poquet – Technical University of Munich
• Mohammed Saqr – University of Eastern Finland
• Mar Pérez-Sanagustín – IRIT, Université de Toulouse
• Julien Broisin – IRIT, Université de Toulouse

Résumé de la thèse :

Dans le paysage en évolution de la technologie éducative, l’apprentissage autorégulé émerge comme un facteur clé pour le succès des étudiants. Cela est de plus en plus prévalent dans les environnements d’apprentissage hybride, où les étudiants doivent réguler leur apprentissage de manière plus efficace. Reconnaissant le rôle crucial de l’apprentissage autorégulé, cette thèse s’intéresse au manque de compréhension de l’apprentissage autorégulé dans les contextes d’apprentissage hybride en s’appuyant sur des méthodes récentes d’analyse des apprentissages avec des mesures auto-déclarées. Les avancées récentes dans l’analyse des apprentissages ont introduit des méthodes novatrices utilisant l’Analyse de Séquences pour mesurer l’apprentissage autorégulé, offrant des aperçus plus nuancés des processus et stratégies d’apprentissage des étudiants. La thèse aborde deux objectifs principaux : (1) développer un cadre analytique pour analyser l’apprentissage autorégulé tel qu’il se déroule dans le temps dans les contextes d’apprentissage hybride, intégrant à la fois les caractéristiques personnelles et les traces d’interaction pour examiner l’évolution des stratégies d’apprentissage autorégulé, et (2) exploiter ce cadre pour comprendre comment les interventions d’analyse des apprentissages affectent le comportement des étudiants. Pour aborder le premier objectif, cette thèse explore comment les mesures auto-déclarées des étudiants et leurs réussites antérieures sont liées aux stratégies d’apprentissage des étudiants détectées en utilisant des méthodes d’analyse de séquences novatrices. De plus, cette thèse vise à répondre à la question de savoir si les traces d’interaction peuvent être considérées comme un médiateur entre les caractéristiques personnelles des étudiants et leur performance finale dans le cours. Pour aborder le second objectif, cette thèse montre comment les méthodes d’analyse de séquences peuvent être utilisées pour comprendre l’effet causal d’une intervention d’analyse des apprentissages dans la dynamique temporelle du comportement des étudiants. À travers une analyse minutieuse, la recherche révèle des aperçus nuancés de la manière dont l’apprentissage autorégulé se manifeste à travers divers cours dispensés en mode hybride, la valeur prédictive des stratégies des étudiants sur la performance académique, et l’impact transformateur des interventions d’analyse des apprentissages sur les comportements d’apprentissage. En synthétisant les résultats de plusieurs cours, cette recherche contribue de manière significative au domaine des technologies éducatives. Les résultats soulignent l’importance d’une compréhension nuancée de l’apprentissage autorégulé dans les environnements d’apprentissage hybride et démontrent les avantages de s’appuyer sur l’analyse des apprentissages et des caractéristiques personnelles pour comprendre l’apprentissage autorégulé des étudiants.