Mariem CHAABOUNI

Mémoire présenté en vue de l’obtention du

grade de Docteur de l'Université du Maine
sous le sceau de l'Université Bretagne Loire
et de l’Université de la Manouba

Écoles doctorales : Sciences et Technologies de l'Information et Mathématiques (STIM),

Sciences et Technologies de l’Informatique, de la Communication, du Design et de l’Environnement (ED-STICODE)

Discipline : Informatique (Section CNU 27)

Unités de recherche : Laboratoire d'Informatique de l'Université du Maine (LIUM), Laboratoire de recherche en
génie logiciel, applications distribuées, systèmes décisionnels et imagerie intelligente (RIADI)

Soutenance le : 16/05/2017
Thèse N° : 2017LEMA1007

Assistance à la réutilisation de scénarios d’apprentissage

Une approche guidée par l’évaluation du contexte d’usage à base d’indicateurs

JURY
Rapporteurs : Jean-Marc LABAT, Professeur des universités, Université Pierre et Marie Curie
Jean-Charles MARTY, Maitre de conférences HDR, Université de Savoie

Examinateur : Sébastien GEORGE, Professeur des universités, Université du Maine

Co-directeurs de thèse : Christophe CHOQUET, Professeur des universités, Université du Maine

Henda BEN GHEZALA, Professeur des universités, Université de la Manouba

Co-encadrants de thèse : Claudine PIAU-TOFFOLON, Maitre de conférences, Université du Maine

Mona LAROUSSI, Maitre de conférences, Institut de la Francophonie pour l’Ingénierie de la Connaissance

et la formation à distance (IFIC)
 À Nour
À toute ma famille...

i
 Remerciements

C’est avec un grand plaisir que j’écris ces quelques lignes pour remercier tous ceux qui
ont contribué à l’accomplissement de cette thèse qui n’aurait pu aboutir sans leur
implication et leur confiance.

Je tiens tout d’abord à exprimer mes sincères gratitudes et reconnaissances à :

Mon directeur de thèse M. Christophe Choquet, Professeur à l’Université du Maine,
pour son implication et pour le temps qu’il a consacré pour des relectures minutieuses
et des retours constructifs. Il a pu suivre de près mes travaux de thèse tout en me
laissant les choix d’explorer mes propres pistes. Je le remercie aussi pour les conseils et
les savoirs qu’il m’a transmis sur les plans scientifiques et méthodiques pour aboutir à
ce travail et qui me guideront tout au long de ma carrière.
Ma directrice de thèse Mme Henda Ben Ghezala, Professeur à l’Université de la
Manouba, qui m’a soutenu avec ces précieux conseils aussi bien sur le plan
professionnel que personnel et ses reflexions qui m’ont orientées dans mes travaux de
thèse et qui m’ont apprises le sens de la rigueur.
Ma co-encadrante Mme Mona Laroussi, Maître de conférences et directrice de l’Institut
de la Francophonie pour l’Ingénierie de la Connaissance et la formation à distance, qui
m’a toujours soutenu depuis mes études d’ingénieur et de mastère, qui m’a initié à la
recherche et qui continue à me guider en me transmettant constamment ses savoirs et
ses valeurs. Je la remercie du fond du coeur de m’avoir toujours permis d’avancer à pas
sûrs et de perséverer dans la poursuite de mes objectifs.
Ma co-encadrante Mme Claudine Piau-Toffolon, Maître de conférences à l’Université
du Maine, pour sa disponiblité sans se limiter à aucun contexte temporel ou spatial et
pour ses relectures très soigneuses. Je la remercie également de la confiance qu’elle
m’accorde et de ses encouragements continuels.

Je voudrais aussi remercier :

M. Jean-Marc Labat, Professeur à l’Université Pierre et Marie Curie, et M.

Jean-Charles Marty, Maître de conférences HDR à l’Université de Savoie, de m’avoir
accordé l’honneur d’être les rapporteurs de la thèse et de leurs efforts fournis pour
évaluer ce travail ce qui m’a aidé à l’améliorer et à m’orienter vers de nouvelles
perspectives très prometteuses.
 M. Sébastien George, Professeur à l’Université du Maine, d’avoir accepté de faire
partie de mon jury de thèse, de me faire l’honneur d’évaluer ce travail et également de
m’avoir toujours supporté durant ma thèse.
Mme Hassina El Kechai, Maître de Conférences à l’Université de Poitiers, et M.
Thibault Carron, Maître de conférences HDR à l’Université Pierre et Marie Curie, de
faire partie de mon comité de suivi de thèse et de me guider avec leurs reflexions
constructives.

M. Sébastien Iksal qui m’a aidé à maitriser le language UTL et Mme Mariem Chater
pour son implication dans les expérimentations dans le cadre de la thèse.
Mes collègues pour leur soutient et leur participation aux expérimentations Hela,
Mariem, Manel, Guillaume, Majdi, Ines, Mehrez, Wafé.
Mes collègues au laboratoire RIADI en Tunisie qui m’ont encouragé et guidé.
Ma collègue et amie Zeyneb pour son support sans limites et son agréable accueil lors
de mes séjours à Laval,
ainsi que mes collègues du laboratoire LIUM en France Aicha, Aous, Aymen, Esteban,
Guillaume, Ines, Marc, Mohand et Quentin... sans oublier le bon accueil à l’IUT Laval
et les prècieux retours lors de mes présentations aux réunions de l’équipe iEIAH de
Sébastien G., Sébastien I., Lahsen, Pierre et Iza ainsi que ceux qui sont sur le site du
Mans.
Tous ceux qui ont contribué au support administratif et technique pour assurer le bon
déroulement de la thèse du côté de l’Université de la Manouba et du côté de
l’Université du Maine.
Les membres de l’AUF ayant suivi et facilité les procédures de mes déplacements en
France dont je cite particulièrement M. Petko Staynov, Mme Boutheina Bouziri, Mme
Justine Martin, Mme Nezha Zaki, Khadija et Zied.
Tous les enseignants ayant contribué à ma formation tout au long de mes études.

Mes chaleureux remerciements s’adressent églement à :

Mes chers parents Leila et Abderraouf qui ont toujours cru en moi, pour leur soutient
inconditionnel sur tous les plans, et qui, sans leur support et leur confiance, je ne serais
jamais ce que je suis.
Mon cher mari Mohamed pour son soutient moral, son support dans les moments de
doute et le partage de ce rêve avec moi.
Mes beaux parents Noura et Tijani pour leurs efforts continus et sans limites afin de
m’offrir les meilleures conditions pour travailler et réussir.
Mon frère Ghassen pour ses encouragements, son humour et sa bonne humeur qui
m’influencaient quand j’en avais besoin.
Mes cousines et amies qui m’ont encouragé et m’ont toujours entouré dans les
moments de réussites et de faiblesses Mayssa R., Rim, Imen, Yosra N., Mayssa A.,
Selima, Malek, Yosra F., Emna, Ella et Neyra...
Ma chère petite fille Nour qui a su me motiver à sa manière dès sa venue au monde,
qui m’a accompagné pendant trois ans dans cette aventure et qui continuera à être ma
source d’inspiration.

iii
RÉSUMÉ

Les travaux présentés dans cette thèse s’inscrivent dans le domaine des Environne-
ments Informatiques pour l’Apprentissage Humain (EIAH). Ils portent sur la proposi-
tion de processus, méthodes et outils pour assister les enseignants et les formateurs,
jouant le rôle de concepteurs pédagogiques, dans la réutilisation et la capitalisation des
scénarios d’apprentissage. L’approche proposée nommée CAPtuRe (Context-based AP-
proach to assist educational scenarios Reuse) a pour objectif de modéliser, évaluer et
exploiter les informations contextuelles relatives à un scénario en se basant sur des ob-
servations effectives de ce dernier lors des expériences d’apprentissage passées pour
améliorer la réutilisation.
Les problématiques étudiées concernent principalement : (1) l’expression et l’analyse
du contexte d’usage, (2) l’évaluation de la pertinence du scénario dans un contexte
précis, (3) l’indexation des contextes sur la base de critères de réussite et d’efficacité du
scénario pour la définition de son périmètre de réutilisation et (4) la suggestion proactive
de réutilisation dans un cadre de conception et de réingénierie pédagogiques.
Pour cela, nous avons commencé par la spécification d’un cadre global d’ingénie-
rie et de réutilisation de scénarios d’apprentissage. Dans ce cadre, nous avons défini
un processus qui spécifie le cycle de vie du scénario explicitant particulièrement la di-
mension contextuelle et son utilisation dans un environnement de "conception par la
réutilisation". Ce processus permet de mettre en place une assistance à la réutilisation et
à la capitalisation des scénarios. Pour opérationnaliser ce processus, nous avons défini
une approche générique de modélisation de l’information contextuelle d’un scénario
enrichie par les indicateurs et basée sur les standards. Nous avons également spécifié
une méthode d’indexation (semi-automatisée) et un algorithme de calcul de similarités
contextuelles pour la sélection et la recommandation de scénarios appropriés à une situa-
tion d’apprentissage cible. Ces contributions ont été implémentées sous la forme d’une
plateforme d’assistance à la réutilisation et à la capitalisation de scénarios d’apprentis-
sage, mettant en œuvre le processus et les éléments d’opérationnalisation spécifiés. Des
évaluations formatives, appliquées sur des cas d’usage de scénarios d’apprentissage hy-
brides, ont été mises en place afin de valider l’approche.

ABSTRACT

The work presented in this thesis is a part of the Technology Enhanced Learning do-
main. It focuses on the proposal of processes, methods and tools that assist teachers and
trainers, acting as educational designers, in the reuse and the capitalization of educatio-
nal scenarios. The objective of the proposed approach named CAPtuRe (Context-based
APproach to assist educational scenarios Reuse) is to model, evaluate and exploit the
contextual information related to a scenario based on its effective observations and its
assessment during past learning experiences with the aim to enhance reuse. The main
concerns are : (1) the expression and the analysis of the usage context, (2) the evaluation
of the relevance of the scenario in a specific context, (3) the indexing of the contexts

iv
based on criteria of success and effectiveness of the scenario to define its reuse scope
and (4) the proactive suggestion of reuse in a context of a pedagogical design and re-
engineering.
To deal with these issues, we started by specifying a global framework for the enginee-
ring and the reuse of educational scenarios. In this context, we have defined a process
specifying the scenario lifecycle introducing particularly the contextual dimension and
its utilization in a "design by reuse" environment. This process performs an assistance
for the reuse and capitalization of scenarios. In order to operationalize this process, we
define a generic approach to model the contextual information of a scenario that is enri-
ched by the indicators and based on standards. An indexing method (semi-automated)
and an algorithm calculating contextual similarities are also specified for the selection
and the recommendation of appropriated scenarios to a target learning situation. These
contributions are implemented as a platform assisting the reuse and the capitalization
of educational scenarios, integrating the process of engineering of the scenario and the
specified operationalization elements. Formative evaluations, applied to hybrid scena-
rios usage cases, are performed to validate the approach.

v
TA B L E D E S M AT I È R E S

1 introduction générale . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1 Contexte de recherche . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.1 Axes et thèmes de recherche . . . . . . . . . . . . . . . . . . . 3
1.1.2 Positionnement des travaux . . . . . . . . . . . . . . . . . . . 8
1.2 Hypothèses et aperçu sur la problématique . . . . . . . . . . . . . . 11
1.3 Organisation du mémoire . . . . . . . . . . . . . . . . . . . . . . . . . 13

i revue de la littérature, positionnement et problématique 15

2 l’ingénierie pédagogique et la réutilisation . . . . . . . . . . . 16
2.1 Les scénarios d’apprentissage et leurs rôles dans la conception pédago-
gique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2 La réutilisation : axes et approches . . . . . . . . . . . . . . . . . . . 20
2.2.1 La réutilisation dans les domaines du génie logiciel et des systèmes
d’information . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.2.2 La réutilisation dans le domaine des EIAH et de l’ingénierie péda-
gogique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.3 Réutilisation, adaptation et réingénierie : liens et positionnement . . 26
2.4 Utilisation des normes et standards comme approche pour favoriser la
réutilisation dans l’ingénierie pédagogique . . . . . . . . . . . . . . . 28
2.4.1 LOM (Learning Object Metadata) . . . . . . . . . . . . . . . . 29
2.4.2 ISO-MLR (Metadata for Learning Resources) . . . . . . . . . . 30
2.4.3 IMS-LIP (IMS Learner Information Package ) . . . . . . . . . 31
2.5 Synthèse et positionnement . . . . . . . . . . . . . . . . . . . . . . . . 32
3 le contexte dans l’ingénierie pédagogique . . . . . . . . . . . . 34
3.1 Le contexte d’un scénario d’apprentissage . . . . . . . . . . . . . . . 34
3.2 Dimensions, classifications et modélisations contextuelles . . . . . . 35
3.2.1 Les approches de modélisation de scénarios d’apprentissage et
leur prise en compte de la dimension contextuelle . . . . . . 35
3.2.2 Les travaux sur la modélisation contextuelle . . . . . . . . . . 41
3.2.3 Étude de bases de scénarios d’apprentissage existantes . . . . 47
3.3 La contextualisation et la réutilisation des scénarios d’apprentissage 50
3.4 Synthèse et positionnement . . . . . . . . . . . . . . . . . . . . . . . . 51
4 l’observation des scénarios d’apprentissage . . . . . . . . . . . 54
4.1 Traces d’usage et indicateurs pédagogiques . . . . . . . . . . . . . . 54
4.1.1 Traces et indicateurs pédagogiques : définitions et taxonomie 54
4.1.2 Formalismes de modélisation des traces et des indicateurs péda-
gogiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
4.2 Les objectifs de l’observation par les traces et les indicateurs . . . . . 60
4.3 Synthèse et positionnement . . . . . . . . . . . . . . . . . . . . . . . . 60
5 verrous scientifiques, problématique et méthodologie de re-
cherche . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
5.1 Verrous scientifiques et problématique de recherche . . . . . . . . . 62
5.2 Méthodologie adoptée . . . . . . . . . . . . . . . . . . . . . . . . . . . 67

vi
 table des matières

ii contributions et mise à l’épreuve . . . . . . . . . . . . . . . . . . 74

6 spécification d’un cadre global de réutilisation et de capita-
lisation de scénarios d’apprentissage . . . . . . . . . . . . . . . . 75
6.1 Présentation générale du cadre de réutilisation et de capitalisation d’un
scénario d’apprentissage . . . . . . . . . . . . . . . . . . . . . . . . . . 75
6.2 Le processus d’assistance à la réutilisation et à la capitalisation de scéna-
rios d’apprentissage : CAPtuRe-process . . . . . . . . . . . . . . . . . 77
6.2.1 La sélection, la recommandation, la réutilisation et la conception
d’un scénario d’apprentissage . . . . . . . . . . . . . . . . . . 79
6.2.2 La scénarisation de l’observation . . . . . . . . . . . . . . . . . 80
6.2.3 Mise en œuvre du scénario dans une situation d’apprentissage
réelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
6.2.4 Structuration et évaluation du contexte et des résultats de dérou-
lement du scénario . . . . . . . . . . . . . . . . . . . . . . . . . 81
6.2.5 Analyse et indexation du scénario . . . . . . . . . . . . . . . . 82
6.2.6 Capitalisation du scénario indexé . . . . . . . . . . . . . . . . 83
7 proposition d’une approche pour l’opérationnalisation de
l’assistance à la réutilisation et à la capitalisation des scé-
narios d’apprentissage . . . . . . . . . . . . . . . . . . . . . . . . . . 85
7.1 Proposition d’une approche de modélisation du contexte d’un scénario
d’apprentissage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
7.1.1 Principe 1 : une modélisation multi-niveau du contexte d’un scé-
nario d’apprentissage . . . . . . . . . . . . . . . . . . . . . . . 87
7.1.2 Principe 2 : une modélisation indépendante du langage de forma-
lisation du scénario . . . . . . . . . . . . . . . . . . . . . . . . 88
7.1.3 Principe 3 : une approche par méta-modélisation . . . . . . . 88
7.1.4 Principe 4 : une modélisation multi-facette du contexte enrichie
par les indicateurs pédagogiques . . . . . . . . . . . . . . . . 90
7.1.5 Un modèle de contexte d’un scénario d’apprentissage hybride :
CAPtuRe-model . . . . . . . . . . . . . . . . . . . . . . . . . . 94
7.2 Définition de la méthode d’indexation contextuelle de scénarios d’appren-
tissage guidée par l’observation . . . . . . . . . . . . . . . . . . . . . . 103
7.2.1 La réutilisation et la conception d’un scénario d’apprentissage 104
7.2.2 La scénarisation de l’observation . . . . . . . . . . . . . . . . . 106
7.2.3 Structuration et évaluation du contexte et des résultats de dérou-
lement du scénario . . . . . . . . . . . . . . . . . . . . . . . . . 108
7.2.4 Analyse et indexation du scénario . . . . . . . . . . . . . . . . 110
7.3 Proposition d’un algorithme de calcul de similarités contextuelles de scé-
narios d’apprentissage : CAPtuRe-algorithm . . . . . . . . . . . . . . 115
7.3.1 Représentation des données . . . . . . . . . . . . . . . . . . . 116
7.3.2 L’algorithme « CAPtuRE-Algorithm » . . . . . . . . . . . . . . 117
7.3.3 Optimisation de l’algorithme de calcul de similarités contextuelles
entre scénarios d’apprentissage . . . . . . . . . . . . . . . . . . 119
7.4 Application de l’approche sur les EML . . . . . . . . . . . . . . . . . 120
7.5 Synthèse du chapitre . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123

vii
 table des matières

8 implémentation d’une plateforme d’assistance à la réutili-

sation et à la capitalisation de scénarios d’apprentissage :
capture-platform . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
8.1 Spécification et conception de la plateforme d’assistance . . . . . . . 125
8.1.1 L’adoption d’une architecture orientée service pour une ingénierie
et réingénierie de scénarios d’apprentissage . . . . . . . . . . 125
8.1.2 L’architecture fonctionnelle de CAPtuRe-platform . . . . . . . 126
8.2 Développement et intégration de la plateforme d’assistance . . . . . 128
8.2.1 Environnements et outils logiciels de développement . . . . . 128
8.2.2 Intégration de la plateforme avec des outils/environnements exis-
tants . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
8.2.3 Simulation du processus d’assistance avec CAPtuRe-platform :
Étude de cas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
8.2.4 Simulation des étapes d’indexation et de capitalisation du scéna-
rio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
8.3 Synthèse du chapitre . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
9 expérimentations et évaluations . . . . . . . . . . . . . . . . . . . 148
9.1 La phase A des évaluations . . . . . . . . . . . . . . . . . . . . . . . . 148
9.1.1 Protocole expérimental de la phase A d’évaluation . . . . . . 148
9.1.2 Déroulement de l’évaluation de l’activité de conception des scéna-
rios existants de BASAR - Évaluation E1 . . . . . . . . . . . . 151
9.1.3 Déroulement de l’évaluation de la conception de nouveaux scéna-
rios - Évaluation E2 . . . . . . . . . . . . . . . . . . . . . . . . . 152
9.1.4 Le premier questionnaire . . . . . . . . . . . . . . . . . . . . . 153
9.1.5 Analyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
9.2 La phase B des évaluations . . . . . . . . . . . . . . . . . . . . . . . . 156
9.2.1 Protocole expérimental de la phase B d’évaluation . . . . . . 156
9.2.2 Déroulement et analyse de l’évaluation de CAPtuRe-algorithm
(Évaluation E3) . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
9.2.3 Déroulement et analyse de l’évaluation par inspection de
CAPtuRe-platform (Évaluation E4) . . . . . . . . . . . . . . . . 165
9.2.4 Déroulement et analyse de l’évaluation empirique de CAPtuRe-
platform (Évaluation E5) . . . . . . . . . . . . . . . . . . . . . . 168
9.2.5 Synthèse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
10 conclusion générale et perspectives . . . . . . . . . . . . . . . . 175
10.1 Synthèse et apports de la thèse . . . . . . . . . . . . . . . . . . . . . . 175
10.2 Perspectives et directions de recherche . . . . . . . . . . . . . . . . . 178
10.2.1 Amélioration et évolution de CAPtuRe-platform . . . . . . . . 178
10.2.2 Optimisation de l’algorithme de recommandation de scénarios180
10.2.3 Evolution de la base d’indicateurs pédagogiques . . . . . . . 181
10.2.4 Mise en place de nouvelles itérations d’évaluation . . . . . . . 181
10.2.5 Intégration de l’axe adaptation à travers une ingénierie ontolo-
gique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 182
10.2.6 Vers une classification des scénarios d’apprentissage . . . . . 184
10.2.7 Vers une approche de réutilisation et de capitalisation de scénarios
adaptée aux environnements sociaux collaboratifs, des MOOCs et
des Learning games . . . . . . . . . . . . . . . . . . . . . . . . 185

viii
 table des matières

bibliographie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 186

Annexes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 198
a architecture de déploiement de capture-platform . . . . . . 199
b eléments complémentaires des évaluations . . . . . . . . . . . . 202
b.1 Informations sur les scénarios conçus lors des expérimentations . . . 202
b.2 Quelques scénarios conçus dans les évaluations . . . . . . . . . . . . 204
b.2.1 Scénario SA2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 204
b.2.2 Scénario SA5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 206
b.2.3 Scénario SA7 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 207
b.2.4 Scénario SA9 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 211
b.2.5 Scénario SB2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 213
b.2.6 Scénario SB5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 215
b.3 Questionnaire 1- Fiche scénario BASAR . . . . . . . . . . . . . . . . . 216
b.4 Questionnaire 2 - Usages CAPtuRe . . . . . . . . . . . . . . . . . . . . 219

ix
TA B L E D E S F I G U R E S

Figure 1.1 Le cycle de travail dans le Case-Based Reasoning (CBR) [Aamodt

and Plaza, 1994] . . . . . . . . . . . . . . . . . . . . . . . . . . 7
Figure 1.2 Axes et thèmes de recherche . . . . . . . . . . . . . . . . . . . 7
Figure 1.3 Chaine éditoriale de l’observation [Iksal, 2012] . . . . . . . . 9
Figure 1.4 Deux extraits de scénarios de BASAR avec des degrés d’abstrac-
tion de contextes différents . . . . . . . . . . . . . . . . . . . 12
Figure 2.1 Illustration des deux axes de travaux de « conception pour la
réutilisation » et de « conception par la réutilisation » pour les
scénarios d’apprentissage . . . . . . . . . . . . . . . . . . . . 25
Figure 2.2 Processus d’ingénierie et de réingénierie d’un scénario d’appren-
tissage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
Figure 2.3 Extrait des métadonnées du profil Normetic 2.0 du MLR [Gau-
thier, 2011] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
Figure 2.4 Structures des données d’un package IMS-LIP [IMS-LIP, 2008] 32
Figure 3.1 Une situation d’apprentissage . . . . . . . . . . . . . . . . . . 35
Figure 3.2 Vue simplifiée du modèle EML [Pernin, 2003] . . . . . . . . 36
Figure 3.3 Modèle détaillé du contexte [Bradley and Dunlop, 2005] . . 41
Figure 3.4 Les composantes du contexte d’un scénario Paquette and Léonard
[2014] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
Figure 3.5 Structure du modèle de contexte Derntl and Hummel [2005] 45
Figure 3.6 Méta-modèle d’un scénario BASAR . . . . . . . . . . . . . . 49
Figure 3.7 La structure de patrons de conception des scénarios de la base PP
50
Figure 4.1 Processus de collecte et analyse de traces . . . . . . . . . . . 54
Figure 4.2 Modèle conceptuel du méta-langage UTL [Choquet, 2007] . 59
Figure 4.3 Le modèle d’information de l’indicateur [Iksal, 2012] . . . . 59
Figure 5.1 Aperçu sur les contributions théoriques et pratiques de la thèse
67
Figure 5.2 Aperçu de la méthodologie de recherche adoptée . . . . . . 69
Figure 6.1 Vue globale du cadre d’assistance à la réutilisation et à la capita-
lisation de scénarios d’apprentissage . . . . . . . . . . . . . . 76
Figure 6.2 Processus d’assistance à la réutilisation et à la capitalisation de
scénarios d’apprentissage : CAPtuRe-process . . . . . . . . . 79
Figure 6.3 Formalisation du problème en une approche CBR . . . . . . 84
Figure 7.1 Niveaux de contexte des scénarios d’apprentissage . . . . . 88
Figure 7.2 Les couches de modélisation du contexte d’un scénario d’appren-
tissage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
Figure 7.3 Le méta-modèle du contexte et sa relation avec les indicateurs et
le méta-modèle de scénario basé-activité . . . . . . . . . . . . 91
Figure 7.4 Exemple d’évaluations associées à un élément contextuel dans un
contexte planifié ou effectif . . . . . . . . . . . . . . . . . . . 92

x
 Table des figures

Figure 7.5 Exemple d’évaluations pour index contextuel associées à un élé-

ment contextuel . . . . . . . . . . . . . . . . . . . . . . . . . . 93
Figure 7.6 Modèle de contexte CAPtuRe-model pour le cas des scénarios
d’apprentissage hybrides . . . . . . . . . . . . . . . . . . . . . 96
Figure 7.7 Illustration de l’exécution d’un scénario d’apprentissage dans
deux contextes d’apprentissage différents . . . . . . . . . . . 97
Figure 7.8 Exemple d’un contexte prévu PCM-LS d’un scénario d’apprentis-
sage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
Figure 7.9 Quelques règles associées aux évaluations du modèle de
contexte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
Figure 7.10 Exemple d’un scénario d’apprentissage . . . . . . . . . . . . 105
Figure 7.11 Les entrées et sorties du système de recommandation d’indica-
teurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
Figure 7.12 Quelques règles associées aux évaluations du modèle de
contexte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
Figure 7.13 Exemple d’un contexte effectif ECM-LS d’un scénario . . . . 109
Figure 7.14 Exemple d’un index contextuel ICM-LS d’un scénario . . . 111
Figure 7.15 Triplet (Indicateurs - Objectifs sur scénario - Objectifs sur indica-
teurs) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
Figure 7.16 Illustration des exemples d’objectifs relatifs aux indicateurs 114
Figure 7.17 Une illustration graphique de l’algorithme de calcul de similarités
contextuelles de scénarios . . . . . . . . . . . . . . . . . . . . 117
Figure 7.18 Méthode de conception par la réutilisation . . . . . . . . . . 119
Figure 7.19 Intégration du méta-modèle des EML aux différents niveaux pro-
posés dans notre approche . . . . . . . . . . . . . . . . . . . . 121
Figure 7.20 ICM construit pour le scénario modélisé en IMS-LD de Bote-
Lorenzo et al. [2004] . . . . . . . . . . . . . . . . . . . . . . . 122
Figure 7.21 ICM construit pour le scénario modélisé en LDL de Ferraris et al.
[2008] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
Figure 8.1 Architecture logique d’une application en ingénierie et réingé-
nierie d’un scénario d’apprentissage conforme à l’architecture de
référence SOA-RA . . . . . . . . . . . . . . . . . . . . . . . . . 126
Figure 8.2 Architecture fonctionnelle de CAPtuRe-platform : Implémenta-
tion du processus d’assistance en termes de services . . . . . 128
Figure 8.3 Interfaces de collecte du contexte prévu . . . . . . . . . . . . 131
Figure 8.4 Interface d’ajout de ressources matérielles à utiliser . . . . . 132
Figure 8.5 Exemple de saisie des objectifs sociaux et affectifs . . . . . . 132
Figure 8.6 Interface de connexion à la plateforme d’apprentissage . . . 133
Figure 8.7 Extrait d’un modèle, vue et code représentant les ressources ma-
térielles dans un PCM . . . . . . . . . . . . . . . . . . . . . . 134
Figure 8.8 Interface de recommandation, de réutilisation et de conception
d’un scénario d’apprentissage . . . . . . . . . . . . . . . . . . 135
Figure 8.9 Exemples d’extraits de scénarios à réutiliser de la base BASAR136
Figure 8.10 Interface de scénarisation de l’observation de CAPtuRe-
platform . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
Figure 8.11 Interface de paramétrage de l’indicateur « Resource usage rate
» . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137

xi
Figure 8.12 Schéma de données de l’indicateur « I_ViewResourceRate » 139
Figure 8.13 Aperçu du log à partir des fichiers log de la plateforme Moo-
dle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
Figure 8.14 Aperçu de la table de la base de données MySql de Moodle 140
Figure 8.15 Aperçu du log à partir des fichiers log de la plateforme Moo-
dle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
Figure 8.16 Interface d’analyse, d’évaluation et d’indexation du scénario 146
Figure 9.1 Statistiques sur les modalités utilisées dans les scénarios BA-
SAR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
Figure 9.2 Statistiques sur les ressources matérielles et logicielles utilisées
dans les scénarios BASAR . . . . . . . . . . . . . . . . . . . . 155
Figure 9.3 Graphe des similarités contextuelles globales entre scénarios de
BASAR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
Figure 9.4 Graphe des similarités contextuelles entre les facettes pédago-
giques des scénarios de BASAR . . . . . . . . . . . . . . . . . 159
Figure 9.5 Extrait du graphe de similarités contextuelles entre un PCM-LS
et les scénarios de BASAR . . . . . . . . . . . . . . . . . . . . 161
Figure 9.6 Trois index contextuels de scénarios de BASAR . . . . . . . . 162
Figure 9.7 Cas spécial de la propagation ascendante des similarités . . 164
Figure 9.8 Grilles d’évaluation de CAPtuRe-platform par des experts
IHM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166
Figure 10.1 Interface administrateur de gestion des modèles de contextes de
scénarios d’apprentissage du prototype CAPtuRe-platform . 180
Figure 10.2 Outil de conception pédagogique collaboratif de Scenari BA-
SAR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 182
Figure 10.3 Exemple d’une ontologie du contexte effectif d’un scénario d’ap-
prentissage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 183
Figure 10.4 Classifications multi-facettes ou multi-dimentionnelles de scéna-
rios d’apprentissage . . . . . . . . . . . . . . . . . . . . . . . . 184
Figure A.1 Architecture de déploiement de CAPtuRe-platform . . . . . 199

L I S T E D E S TA B L E A U X

Table 2.1 Critères de classifications et typologies des scénarios d’apprentis-

sage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
Table 2.2 Dimensions de réutilisation en génie logiciel . . . . . . . . . 21
Table 2.3 Approches de réutilisation en Systèmes d’Information . . . 21
Table 2.4 Extrait des métadonnées du LOM [2002] . . . . . . . . . . . . 30
Table 3.1 Éléments du contexte modélisé dans les approches de conception
de scénarios d’apprentissage . . . . . . . . . . . . . . . . . . . 40
Table 3.2 Récapitulatif des travaux étudiés sur la modélisation du contexte
en EIAH . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
Table 4.1 Taxonomie des indicateurs . . . . . . . . . . . . . . . . . . . . 55
Table 5.1 Récapitulatif de nos travaux conduits par une recherche design
en éducation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73

xii
Table 7.1 Liste des éléments sélectionnés du IMS LIP utilisés et leur corres-
pondance avec CAPtuRe-model . . . . . . . . . . . . . . . . . 99
Table 7.2 Liste des éléments sélectionnés du LOM-FR et leur correspon-
dance avec CAPtuRe-model . . . . . . . . . . . . . . . . . . . 100
Table 7.3 Liste des éléments sélectionnés du Normetic 2.0 et leur corres-
pondance avec CAPtuRe-model . . . . . . . . . . . . . . . . . 101
Table 7.4 Liste des indicateurs utilisés et leurs descriptions . . . . . . 102
Table 8.1 Tableau descriptif de l’indicateur I_ViewResourceRate » . . 139
Table 8.2 Tableau détaillant la donnée brute « RD_Log » . . . . . . . . 141
Table 8.3 Tableau détaillant la donnée intermédiaire «
ID_nbStudentsGlobal » . . . . . . . . . . . . . . . . . . . . . . 141
Table 8.4 Tableau détaillant la donnée intermédiaire « ID_nbStudentsView
» . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
Table 8.5 Tableau détaillant l’indicateur « I_ViewResourceRate » . . . 141
Table 8.6 Tableau descriptif de l’indicateur « I_successRateQuiz » . . . 142
Table 8.7 Tableau descriptif de l’indicateur « I_avgQuiz » . . . . . . . 143
Table 8.8 Tableau descriptif de l’indicateur « I_successRateQuiz » . . . 143
Table 9.1 Protocole expérimental de la phase A de l’évaluation . . . . 151
Table 9.2 Protocole expérimental de la phase B de l’évaluation . . . . 158
Table 9.3 Résultats expérimentaux des similarités entre sous-arbres identi-
fiés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163
Table 9.4 Résumés de réponses sur quelques questions . . . . . . . . . 172
Table B.1 Critères des participants aux tests de l’évaluation E2 et des scéna-
rios conçus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 203
Table B.2 Critères des scénarios conçus à l’étape d’évaluation E5 . . . 204

LISTE DES ALGORITHMES

Algorithme 7.1 CAPtuRe-algorithm : un algorithme de calcul de similarités

contextuelles entre scénarios d’apprentissage . . . . . . . . . 118

xiii
LISTE DES SYMBOLES

AUF Agence Universitaire de la Francophonie

BASAR BAnque de Scenarios d’Apprentissage hybrides Réutilisables et interopérables
CAPtuRe Context-based APproach to assist educational scenarios Reuse
CBR Case-Based Reasoning
CLFPs Collaborative Learning Flow Patterns
EIAH Environnements Informatiques de l’Apprentissage Humain
CSCL Computer-Supported Collaborative Learning
CTL Contextualized Teaching and Learning
DCL4UTL Data Combination Language for Usage Tracking Language
DSM Domain Specific Modeling
ECM-LS Effective Context Model of Learning Scenario
EML Educational Modeling Languages
ENT Environnement Numérique de Travail
FOAD Formation Ouverte et À Distance
ICM-LS Indexed Context Model of Learning Scenario
IDM Ingénierie Dirigée par les Modèles
IHM Interface Homme Machine
IMS Instructional Management System
IMS-CC IMS Common Cartridge
IMS-LD IMS Learning Design
IMS-LIP IMS Learner Information Package
KM Knowledge Management
LA Learning Analytics
LD Learning Design
LMS Learning Management System
LOM Learning Object Metadata
MLR Metadata for Learning Resources
MOT Modélisation par Objets Typés
PCM-LS Planned Context Model of Learning Scenario

xiv
 Liste des symboles

RDE Recherche Design en Éducation

RS Recommander Systems (Systèmes de recommandation)
TEL Technology Enhanced Learning
TIC Technologies de l’Information et de la Communication
TICE Technologies de l’Information et de la Communication pour l’Education
UoL Unit of Learning
UTL Usage Tracking Language

xv
INTRODUCTION GÉNÉRALE
1
La scénarisation pédagogique est une technique largement répandue dans le milieu
éducatif qu’il soit académique ou professionnel. En tant qu’objet de recherche, la scé-
narisation pédagogique, lorsqu’elle s’applique à des activités mobilisant des ressources
numériques, demande d’étudier un artéfact particulier appelé le scénario d’apprentis-
sage 1 et plus spécifiquement les activités liées à son ingénierie : sa conception, son
adaptation, sa réutilisation, sa contextualisation, son opérationnalisation et sa capitalisa-
tion. Les travaux de thèse présentés dans ce mémoire traitent principalement les aspects
de contextualisation, de réutilisation, et de capitalisation de scénarios d’apprentissage
au sein des Environnements Informatiques pour l’Apprentissage Humain (EIAH). Ces
derniers constituent des environnements ayant la spécificité d’intégrer des agents hu-
mains (apprenants ou enseignants) et artificiels (informatiques) et offrant des condi-
tions d’interaction et d’accès à des ressources formatives qu’elles soient locales ou dis-
tribuées [Tchounikine, 2002a]. Nos travaux portent précisément sur la proposition d’une
approche basée-contexte assistant les enseignants ou les formateurs, jouant le rôle de
concepteurs, dans la réutilisation et la capitalisation des scénarios d’apprentissage dans
le cadre d’une ingénierie pédagogique dans un EIAH.
Depuis plusieurs années, de nombreux travaux de recherche se sont intéressés à cette
technique de scénarisation pédagogique. Ces travaux visent principalement à définir
des méthodes, techniques, modèles et théories intervenant dans la conception des EIAH.
Nous nous intéressons dans ces travaux à la conception pédagogique (Learning Design
- LD, en Anglais) qui devient une pratique essentielle dans les modes d’apprentissage
actuels.
L’une des activités auxquelles un concepteur est confronté est l’élaboration du scé-
nario d’apprentissage. Cette tâche devient de plus en plus complexe et nécessite des
connaissances multidisciplinaires (en informatique, IHM, sciences cognitives, sciences
de l’éducation, pédagogie, etc.). Cette complexité est due à l’évolution des technologies
de l’information et de la communication, la variété des méthodes et stratégies d’appren-
tissage, la diversité des modalités d’apprentissage (présentiel, à distance, individuel,
en groupe, collaboratif, etc.) et la diversité des ressources logicielles (plateformes d’ap-
prentissage, logiciels et éditeurs éducatifs et de formation, etc.) et matérielles (ordina-
teurs, tablettes, tableaux interactifs, smartphones, etc.). Partager et réutiliser l’existant
semble alors essentiel pour faciliter la tâche de conception du scénario d’apprentissage.
La communauté scientifique l’a bien compris entrainant différents travaux de capita-
lisation de scénarios d’apprentissage (ou également d’objets d’apprentissage) : E-LEN
[2002], CAUSA [2006], PP [2007], BASAR [2012], etc. Les travaux de cette thèse s’ins-
crivent dans le cadre du projet BASAR (BAnque de Scenarios d’Apprentissage hybrides
Réutilisables et interopérables). Ce projet permet une capitalisation des pratiques d’en-

1. La description du déroulement d’une situation d’apprentissage ou unité d’apprentissage visant l’ap-

propriation d’un ensemble précis de connaissances, en précisant les rôles, les activités ainsi que les res-
sources de manipulation de connaissances, outils et services nécessaires à la mise en œuvre des activités
[Paquette, 2007] (cf. Section 2.1 pour plus de détails).

1
 introduction générale

seignement et du contenu d’apprentissage sous forme de scénarios. Avec une telle base
de scénarios, tout concepteur a la possibilité de choisir un scénario qui répond à ses
besoins et de le réutiliser ou de déposer un scénario. Or, lors de la conception du scé-
nario, si la spécialisation du scénario à un contexte donné améliore souvent la qualité
de l’apprentissage, elle rend difficile sa réutilisation dans un autre contexte. La réutilisa-
tion peut également s’avérer non pertinente dans le cas de non adaptation au contexte
cible. La connaissance des contextes adaptés à un scénario à travers l’évaluation de la
pertinence de ce dernier est alors essentielle pour optimiser la réutilisation partielle
ou totale du scénario. La principale problématique de nos travaux est de définir et
d’instrumenter un processus d’assistance à la réutilisation et la capitalisation d’un
scénario d’apprentissage exploitant l’information contextuelle et son évaluation par
des indicateurs pédagogiques dans un but d’optimisation de la réutilisation.
Nos travaux de thèse proposent l’approche CAPtuRe (a Context-based APproach to
assist educational scenarios Reuse) qui est une approche basée-contexte assistant la
réutilisation et la capitalisation de scénarios d’apprentissage par le concepteur. L’idée
est d’exploiter l’information contextuelle relative à un scénario en se basant sur des ob-
servations effectives des expériences d’apprentissage scénarisées. Il s’agit de bénéficier
des résultats de ces expériences pour améliorer des futures réutilisations. Dans cette
perspective, nous proposons d’assister la tâche d’indexation du scénario en automati-
sant au plus cette tâche et aider l’enseignant à la sélection des scénarios appropriés lors
d’une situation de conception par la réutilisation. Nous considérons que la sélection des
scénarios appropriés consiste à repérer les scénarios ayant réussi dans des contextes
similaires au contexte cible de réutilisation. Ainsi l’approche CAPtuRe permet princi-
palement d’assister l’enseignant dans : (1) l’expression et l’analyse du contexte d’usage
du scénario d’apprentissage, (2) l’indexation des contextes effectifs sur la base de cri-
tères de réussite et d’efficacité du scénario et l’évaluation de la pertinence du scénario
dans ces contextes précis, et ce à travers le calcul et la visualisation d’indicateurs pédago-
giques et (3) la suggestion proactive de la réutilisation dans un cadre de conception ou
de réingénierie pédagogique. L’enjeu de cette approche est d’exploiter et rendre utiles
les expériences d’apprentissage passées pour indexer les scénarios sur la base de leurs
contextes d’usage et améliorer ainsi le processus de réutilisation.
Cette approche apporte les contributions suivantes s’intégrant dans un cadre global
de réutilisation et de capitalisation de scénarios :
1. CAPtuRe-process : définit le processus d’assistance à la réutilisation et à la capi-
talisation d’un scénario d’apprentissage se basant sur le contexte et spécifiant les
phases de sélection, de recommandation, de conception, d’observation, de mise en
œuvre et d’indexation du scénario ;
2. CAPtuRe-metamodel et CAPtuRe-model : introduit une approche de modé-
lisation de l’information contextuelle en définissant d’abord un méta-modèle
(CAPtuRe-metamodel) pour la formalisation générique du contexte d’un scénario
d’apprentissage qui s’applique dans les différentes phases du processus d’assis-
tance. Il s’agit aussi d’appliquer cette approche de modélisation pour le cas des
scénarios d’apprentissage hybrides de la base BASAR (CAPtuRe-model) ;
3. CAPtuRe-algorithm : définit un algorithme (CAPtuRe-algorithm) de sélection et
de recommandation de scénarios appropriés à une situation d’apprentissage cible
en se basant sur le calcul de similarités contextuelles, et ce, dans le cadre d’une

2
 introduction générale

conception par la réutilisation. Cet algorithme se base sur une méthode d’indexa-
tion contextuelle des scénarios tenant compte des résultats de déroulement de ces
derniers dans des situations d’apprentissage réelles ;
4. CAPtuRe-platform : est la plateforme mettant en œuvre le processus d’assistance
et implémentant les méthodes et les modèles proposés. Il s’agit d’une plateforme
qui guide l’enseignant-concepteur et lui offre les moyens pour l’expression du
contexte, la réutilisation, l’observation et la capitalisation de scénarios.
Nous étudions les scénarios conçus et mis en œuvre dans le cadre d’un apprentissage
hybride ou ce qu’on appelle le «blended learning» (couplage de l’apprentissage pré-
sentiel, l’apprentissage à distance et les moyens associés à ces deux types) ou d’un
apprentissage dans des environnements de Formation Ouverte et À Distance (FOAD).
La présence de l’aspect « à distance », c’est-à-dire l’utilisation d’une plateforme d’ap-
prentissage LMS dans le processus d’apprentissage, est donc importante dans notre
approche. Ceci est dû au fait que l’approche se base sur l’observation par le calcul
d’indicateurs pédagogiques qui nécessite l’utilisation du support numérique. Comme
déjà mentionné, l’utilisateur principal est un enseignant ou formateur dans son rôle de
concepteur pédagogique. Dans la suite, nous nommerons «concepteur» tout enseignant
ou formateur engagé dans une activité de conception pédagogique. Plusieurs exemples
dans ce présent mémoire sont tirés ou inspirés des scénarios de la base BASAR 2 , issus
de conceptions de situations d’apprentissage hybrides. Ceci nous permet de baser nos
études sur des cas d’usage réels et de s’approcher aux besoins des utilisateurs finaux.
Dans la suite de ce chapitre introductif, nous donnons un aperçu général de ces tra-
vaux en présentant notre contexte de recherche, un aperçu général sur la problématique
et les hypothèses de recherche ainsi qu’une vue sur l’organisation du mémoire.

1.1 contexte de recherche

Dans cette section, nous explorons et définissons d’abord les principaux axes et
thèmes de recherche dans lesquels s’inscrivent les travaux de thèse. Par la suite, nous
positionnons nos travaux par rapport au projet BASAR et puis par rapport aux travaux
des équipes de recherche auxquelles nous appartenons.

1.1.1 Axes et thèmes de recherche

Comme déjà évoqué, nos travaux s’intègrent dans le cadre des recherches en EIAH.
L’étude des EIAH peut relever de plusieurs disciplines y compris la pédagogie, la didac-
tique, la psychologie cognitive, les sciences de l’éducation, l’informatique, l’ergonomie
ou les sciences de l’information et de la communication [Tchounikine, 2002b]. Nous abor-
dons ce domaine d’un point de vue informatique. Les EIAH se centrent sur l’humain
et ses activités d’apprentissage et non pas uniquement sur la diffusion du contenu. Ils
ont pour principal objectif la construction et l’évolution des connaissances des appre-
nants. Nous nous intéressons aux domaines d’ingénierie et de réingénierie des EIAH.
Tchounikine [2009] a considéré que l’ingénierie des EIAH, vue comme un champ scienti-
fique, a pour objet « d’étudier les questions scientifiques liées aux concepts, méthodes, théories,

2. scénarios accessibles sur le lien [Link]

scenarii-hybrides-concus2

3
 introduction générale

techniques et technologies utiles à la conception des EIAH et des logiciels support à la gestion
de situations pédagogiques informatisées ». Les recherches en ingénierie pédagogique s’in-
téressent à la notion de scénario d’apprentissage prenant en considération l’activité de
l’apprenant et viennent succéder les recherches sur la création, mutualisation et réutili-
sation des ressources [Pernin and Lejeune, 2004b]. La conception pédagogique est une
activité d’ingénierie pédagogique.
Les problématiques de capitalisation, de réutilisation et d’adaptation ont été large-
ment évoquées dans la littérature. Les travaux de Villiot-Leclercq [2007] montrent qu’il
existe un problème de réutilisation des scénarios au sein des communautés d’appren-
tissage qui est dû, entre autres, au manque de transférabilité et d’adaptation de ces
scénarios aux contextes d’usage. Nous pensons que l a connaissance des contextes adap-
tés à un scénario et leurs évaluations est nécessaire pour améliorer sa réutilisation. Ces
problématiques évoquées s’intègrent dans une réingénierie du scénario où les choix de
conception sont révisés et/ou réutilisés. Pour mieux définir le terme réingénierie ap-
pliqué aux EIAH, nous citons la définition de Choquet [2007] qui est : « La réingénierie
pédagogique d’un EIAH est l’examen d’une situation pédagogique médiatisée et la modification
du dispositif d’apprentissage (l’EIAH proprement dit, mais aussi son contexte, tel que le rôle
des acteurs, le contexte d’usage, les possibilités d’observation de l’activité) afin de reconstituer
ce dernier sous une nouvelle forme et mettre ainsi en place une nouvelle situation pédagogique,
prenant mieux en compte les usages observés et l’évolution des pratiques pédagogiques. ». Dans
un EIAH, on parle de réingénierie de dispositifs d’apprentissage ou de réingénierie des
scénarios d’apprentissage.
Pour une réingénierie de scénarios d’apprentissage, et sur la base de la définition citée
ci-avant, une étape d’observation des activités d’apprentissage est intéressante à mettre
en place afin d’analyser le déroulement de ces activités. L’observation des situations
d’apprentissage dans un EIAH peut être basée sur le traitement des données collectées
(telles que les traces d’usage) durant le déroulement de la situation d’apprentissage. Ces
données collectées sont analysées à travers des indicateurs pédagogiques reflétant le
déroulement des sessions d’apprentissage réalisées. Les indicateurs pédagogiques sont
«des variables signifiantes sur le plan pédagogique, calculées ou établies à l’aide de données obser-
vées, et témoignant de la qualité de l’interaction, de l’activité et de l’apprentissage dans un EIAH»
[Choquet and Iksal, 2007b]. Ce type d’indicateurs a pour rôle d’abstraire la trace et, selon
Labat [2002], «d’aider le tuteur à apprécier non seulement quantitativement mais surtout quali-
tativement le travail des étudiants sans avoir à explorer la trace détaillée». Les indicateurs sont
utilisés pour des fins d’adaptation, de régulation et d’autorégulation des scénarios d’ap-
prentissage ou de réflexivité par rapport à l’apprenant. Nos travaux visent l’exploitation
des indicateurs pédagogiques pour favoriser et optimiser la réutilisation du scénario.
Pour assister une telle réutilisation, nous nous basons sur les aspects de contexte du
scénario en exploitant les apports des systèmes basés-contexte (context-aware systems,
en Anglais) dans l’adaptabilité du contenu. La gestion et l’exploitation de l’information
contextuelle relative aux scénarios d’apprentissage se complexifie de plus en plus, sur-
tout avec l’essor et la diversité des moyens technologiques, des ressources matérielles,
logicielles ou autres types de ressources et également des connaissances liées aux pro-
fils des enseignants et des apprenants impliqués dans l’apprentissage tels que leurs
expériences, leurs domaines d’expertises et leurs compétences. Ceci nous a amené à
recourir aux méthodes et techniques de gestion des connaissances (Knowledge Mana-
gement - KM) c’est à dire l’organisation de l’information appliquée à la résolution de

4
 introduction générale

problèmes. Ces techniques et méthodes de la gestion de connaissances sont proposées

pour la capture et le partage du savoir-faire utile entre acteurs ayant des tâches similaires
à accomplir [Dalkir and Liebowitz, 2011]. Dans ce sens, les organisations et institutions
ont besoin de capitaliser et transférer ces savoir-faire vers une base de connaissances qui
soit stable et facilement accessible. Les travaux de Gary and Edward [2013] insistent sur
le potentiel d’exploiter de tels apports du KM pour la création et le partage des connais-
sances par les institutions éducationnelles dans le but d’améliorer l’apprentissage. Du
point de vue pratique, le KM fournit des processus et des techniques pour «la création,
la collecte, l’indexation, l’organisation, l’accès et l’évaluation des connaissances institutionnelles
pour la réutilisation» [Shehabat et al., 2008].
Différents niveaux de gestion de connaissances ont été identifiés par Rao [2012] que
nous adaptons à la conception pédagogique :
— la génération des connaissances par la conception de scénarios d’apprentissage à
l’aide d’outils de modélisation pédagogique ainsi que le recueil des contextes re-
liés aux situations d’apprentissage scénarisées à partir de différentes sources (e.g.,
formulaires, LMS, outils logiciels éducatifs, annuaires, etc.) ;
— la codification des connaissances à travers leur formalisation en modèles et langages,
indexation et capitalisation ;
— la recherche des connaissances via les systèmes et moteurs de recherche et de recom-
mandation de scénarios ;
— le transfert des connaissances à travers les outils de travail collaboratifs et les outils
permettant la réutilisation de scénarios.
Les connaissances que nous manipulons dans le cadre de nos travaux sont les connais-
sances liées aux activités d’apprentissage composant le scénario et à leurs déroulements
et également les connaissances liées au contexte d’apprentissage («pedagogical context
knowledge» en anglais). L’approche proposée s’articule autour de l’exploration, l’ana-
lyse et l’exploitation de ces connaissances qui sont issues de différentes sources d’in-
formations relatives au scénario pédagogique et à son environnement. Nous nous inté-
ressons en particulier aux connaissances à utiliser dans le but d’évaluer et analyser le
déroulement du scénario et son contexte et pouvoir ainsi l’indexer sur la base de critères
de réussite et d’efficacité du scénario pour améliorer des futures réutilisations.
Un axe important adoptant des principes connexes d’analyse de connaissances et
s’appliquant particulièrement au domaine de l’apprentissage est l’analyse de l’appren-
tissage (Learning Analytics – LA, en Anglais). En effet, le LA est une discipline de
recherche et un domaine de pratiques largement abordés dans la littérature et dans
lesquels des outils analytiques (tels que les indicateurs) sont utilisés pour améliorer
l’apprentissage. Le LA est surtout étudié dans les cas où l’on dispose de données d’ap-
prentissage volumineuses, et dont le but est de collecter, sélectionner, analyser et utiliser
ces données. Nous identifions les deux définitions suivantes du Learning analytics :
«The learning analytics is the measurement, collection, analysis and reporting of
data about learners and their contexts, for purposes of understanding and optimizing
learning and the environments in which it occurs» [SoLAR, 2011] ;
«The use of intelligent data, learner-produced data, and analysis models to discover
information and social connections, and to predict and advise on learning» [Siemens,
2010]
Le LA prête une attention particulière à la représentation des connaissances et au raison-
nement [Romero and Ventura, 2007]. Chatti et al. [2012] identifient les objectifs possibles

5
 introduction générale

d’analyser l’apprentissage qui sont : le suivi, la prédiction, l’intervention, le tutorat,

l’évaluation, l’adaptation, la personnalisation, la recommandation et la réflexion. Ce qui
nous intéresse principalement c’est l’évaluation et la recommandation comme finalités
de cette analyse. Parmi les techniques du LA on peut trouver l’analyse sémantique, l’ana-
lyse du discours [Siemens et al., 2011], l’analyse des profils, l’analyse du comportement,
la visualisation [Fazeli et al., 2014; Ruipérez-Valiente et al., 2015; Chang and Yen, 2016]
ou autres. Ces techniques peuvent être utilisées par des systèmes de recommandation
(Recommander Systems, en Anglais) dans le but de fournir un ensemble de suggestions
adaptées aux utilisateurs. On trouve des systèmes analysant les données de l’apprentis-
sage pour suggérer des ressources d’apprentissage ou des chemins d’apprentissage à
l’apprenant ou pour suggérer des adaptations du scénario à l’enseignant.
Dans notre cas, l’analyse de l’apprentissage concerne l’analyse des contextes et des
déroulements de scénarios dans des situations d’apprentissage effectives (que nous ap-
pelons « expériences d’apprentissage ») et a pour but de bénéficier de ces expériences
passées pour la recommandation de scénarios à l’enseignant-concepteur dans des fu-
tures réutilisations. Cette logique s’inspire du raisonnement basé sur les cas (Case-
Based Reasoning - CBR, en Anglais) [Aamodt and Plaza, 1994; De Mantaras et al.,
2005; Riesbeck and Schank, 2013]. Nous appliquons ce type de raisonnement dans nos
travaux spécialement pour la définition du processus d’assistance à la réutilisation et à
la capitalisation d’un scénario d’apprentissage, la méthode d’indexation basée-contexte
et l’algorithme de calcul de similarités basé sur les données contextuelles recueillies. Ce
dernier s’intègre dans le cœur d’un système de recommandation de scénarios d’appren-
tissage.
Ce type d’approche CBR a fait ses preuves dans plusieurs travaux de recherche s’appli-
quant dans divers domaines tels que la planification [Cox et al., 2005], l’éducation [Jonas-
sen and Hernandez-Serrano, 2002; Weis, 2015], le domaine médical [Ahmed et al., 2010;
El-Sappagh et al., 2015], le m-Government [Amailef and Lu, 2013] ou le e-commerce
[Wu, 2015]. Le CBR est utilisé comme un paradigme de résolution de problèmes. Ce
concept tient ses origines de recherches en sciences cognitives sur la mémoire humaine.
Son principe est d’apprendre à partir des expériences passées appelées « Cas » : le sys-
tème utilise les anciennes situations similaires à la situation actuelle pour résoudre de
nouveaux problèmes en s’adaptant au besoin.

6
 introduction générale

Figure 1.1. – Le cycle de travail dans le Case-Based Reasoning (CBR) [Aamodt and Plaza, 1994]

Les travaux utilisant le CBR partagent la logique des 4 REs, tel que défini par Aamodt
and Plaza [1994] dans le cycle de travail CBR (cf. Figure 1.1), représentant les 4 phases
REtrieve, REuse, REvise et REtain :

(REtrieve) Retrouver le(s) cas les plus similaires à un nouveau problème à résoudre ;
(REuse) Réutiliser le(s) cas pour tenter de résoudre le problème courant ;
(REvise) Réviser et évaluer la solution proposée ;
(REtain) Retenir la nouvelle solution comme un nouveau cas.

Ce cycle nous sera utile pour la définition de notre processus d’assistance.

Nous récapitulons ci-après dans la Figure 1.2 les axes et thèmes de recherche dans
lesquels s’inscrivent les travaux actuels et ayant été invoqués précédemment.

Figure 1.2. – Axes et thèmes de recherche

7
 introduction générale

1.1.2 Positionnement des travaux

[Link] Positionnement des travaux dans le projet BASAR

Ces travaux de thèse s’inscrivent dans le volet recherche du projet francophone de
coopération inter-régions 3 BASAR [2012] de l’AUF (Agence Universitaire de la Franco-
phonie). Ce projet a pour objectifs :
— le renforcement de la modernisation de l’enseignement et la contribution à un
meilleur pilotage par les institutions au service d’un enseignement de qualité ;
— la mise en place et l’alimentation de la BAnque de Scenarii d’Apprentissage hy-
brides Réutilisables et interopérables (BASAR) en visant la formation et l’assistance
des enseignants à modéliser leurs scénarios ;
— le partage et la réutilisation de pratiques et de scénarios d’apprentissage.
Les travaux de thèse opèrent principalement dans l’axe de réutilisation des scénarios
d’apprentissage dans la base BASAR.

[Link] Positionnement des travaux dans ceux des équipes de recherche liées
Cette thèse est préparée en cotutelle dans les laboratoires de recherche le RIADI 4
(équipe GLORY) de l’Université de la Manouba en Tunisie et le LIUM 5 (équipe iEIAH)
de l’Université du Maine en France. L’ingénierie des EIAH est l’un des domaines dans
lesquels opèrent les deux laboratoires de recherche. Nous exposons dans cette partie
des travaux réalisés dans ces équipes ayant des problématiques liées à la nôtre et le
positionnement des travaux de la thèse par rapport à ces travaux.
Afin de mieux positionner ces travaux, nous commençons par schématiser dans la Fi-
gure 1.3 le processus enchainant les phases d’une ingénierie et réingénierie d’un scénario
d’apprentissage proposé par Iksal [2012] appelé la chaine éditoriale de l’observation.

3. Le porteur du projet est le Bureau Europe Centrale et Orientale de l’Agence Universitaire de la

Francophonie (BECO - AUF). Les partenaires du projet sont les autres implantations régionaux de l’AUF
qui sont le Bureau Maghreb (BO - AUF), le Bureau Moyen Orient (BMO - AUF) et le Bureau Europe
Occidentale (BEO - AUF) et les services centraux du vice-rectorat à la vie associative et à la coordination
des régions.
4. [Link]/
5. [Link]/

8
 introduction générale

Figure 1.3. – Chaine éditoriale de l’observation [Iksal, 2012]

Dans la phase de l’analyse de la situation d’apprentissage, les travaux de Sassi and La-
roussi [2011] proposent une approche d’aide à l’interprétation de traces d’usage issues
des plateformes d’apprentissage. Ils proposent un outil structurant les traces procurées
par la plateforme Moodle suivant le standard IMS-LIP et offrent un langage de requête
graphique générique pour l’interrogation du profil. Dans nos travaux précédents s’in-
tégrant dans le cadre du mastère de recherche [Chaabouni and Laroussi, 2012, 2013],
nous récupérons ces traces structurées et standardisées en IMS-LIP et nous définissons
une méthode d’analyse de ces traces à base d’indicateurs pédagogiques. Ces travaux
consistent à définir un « Cloud pédagogique » qui offre un framework de gestion d’in-
dicateurs pédagogiques permettant la définition, la modélisation et l’exploitation de ces
indicateurs d’une manière collaborative et coopérative. L’approche a pour principal ob-
jectif de favoriser la capitalisation et la réutilisation des indicateurs pédagogiques.
Nous mentionnons également dans le même axe les travaux sur les indicateurs pé-
dagogiques de Choquet and Iksal [2007a] et Pham Thi Ngoc [2011] qui ont défini les
langages UTL (Usage Tracking Language) et DCL4UTL (Data Combination Language)
pour la modélisation et le calcul de traces et indicateurs pédagogiques. UTL est un lan-
gage permettant de décrire les traces d’usage et leur sémantique, ainsi que la définition
des besoins d’observation et des moyens à mettre en œuvre pour l’acquisition des don-
nées à collecter. Ce langage permet la structuration des données observées, depuis les
données brutes, collectées par le dispositif d’apprentissage pendant le déroulement de
la situation, jusqu’aux indicateurs établis et/ou calculés à l’aide des données observées,
en vue d’analyser la qualité de l’interaction, la nature de l’activité ou l’effectivité de
l’apprentissage. DCL4UTL, qui est une extension d’UTL, est un langage de combinai-
son de données qui rajoute l’automatisation du calcul des indicateurs en temps réel
ou après une session d’apprentissage. Ces langages ont été conçus pour répondre aux

9
 introduction générale

questions de capitalisation et de réutilisation d’indicateurs. En outre, Ouali et al. [2014]

ont travaillé sur l’organisation des activités d’observation à travers la définition et la
formalisation de stratégies d’observation.
Nos travaux actuels de thèse, constituent une continuité des travaux mentionnés. Ils
visent à favoriser la réutilisation des scénarios d’apprentissage en se basant sur l’évalua-
tion de leurs contextes d’usage effectifs et en utilisant les indicateurs comme moyens
pour supporter cette évaluation. L’approche que nous proposons utilise ainsi la chaine
éditoriale pour le volet observation auquel on ajoute les fonctionnalités liées à la contex-
tualisation, la recommandation et l’indexation des scénarios d’apprentissage, et ce, pour
former un processus d’assistance à la réutilisation et la capitalisation de scénarios.
Par ailleurs, El-Kechai [2008] propose dans sa thèse une approche constructive de
méta-modèles d’expression situés et de scénarios pédagogiques. Cette approche a
comme particularité d’impliquer les usagers-concepteurs dans la conception. L’objectif
de ces méta-modèles est de spécifier formellement le scénario pour répondre à diffé-
rents objectifs qui sont : l’opérationnalisation, l’échange, la réutilisation et l’interopéra-
bilité. Clayer et al. [2013] utilise la notion de patrons de conception (design patterns)
pour favoriser la réutilisabilité de scénarios pédagogiques. Il propose le cadre concep-
tuel d’un processus d’ingénierie basé sur les patrons et orienté-enseignant selon une
approche DSM. Les travaux de Ouraiba [2012], quant à eux, portent sur l’instrumenta-
tion de processus d’ingénierie et de réingénierie des Scénarios Pédagogiques Ouverts
(SPO) qui s’adaptent en fonction de l’évolution du contexte d’usage. Tous ces travaux
s’intéressent donc à la modélisation des scénarios d’apprentissage afin de fournir des for-
mats de scénarios flexibles et réutilisables dans plusieurs contextes d’apprentissage. Ces
trois derniers travaux, se positionnant dans la phase de scénarisation de la situation d’ap-
prentissage, se sont orientés vers la proposition de méthodes de conception de scénarios
réutilisables en définissant des formats de scénarios qui facilitent leurs réutilisations. Ce-
pendant, nos travaux de thèse se focalisent plutôt sur la sélection des scénarios les plus
appropriés à une situation donnée afin de maximiser l’efficience de la réutilisation. Pour
cela, ils se basent sur la dimension contextuelle du scénario d’apprentissage et de son ex-
ploitation pour optimiser sa réutilisation. Dans ce même axe de contextualisation, Drira
[2010] s’est concentrée particulièrement dans sa thèse sur le contexte institutionnel qui
est défini comme l’ensemble de règles organisationnelles et de pratiques contextuelles
qui influencent la conception et l’exécution des dispositifs pédagogiques. Elle utilise
l’information contextuelle pour définir une approche de réutilisation de templates de
scénarios pédagogiques. Nous citons également les travaux de Malek et al. [2006] qui
se sont intéressés à la relation entre les activités d’apprentissage et le contexte dans un
cadre de mobile-learning, en proposant une architecture de middleware pour la gestion
et l’adaptation du contexte ubiquitaire. Par ailleurs, des travaux ont opéré au niveau de
la phase d’implantation dans un EIAH ou en d’autres termes d’opérationnalisation de scé-
narios dont nous pouvons citer ceux de Tadjine et al. [2015] proposant un formalisme
de patrons pour les scénarios d’apprentissage permettant leurs déploiements automa-
tiques dans une plateforme d’apprentissage et favorisant ainsi leurs réutilisations au
niveau opérationnel.

10
 introduction générale

1.2 hypothèses et aperçu sur la problématique

Un des objectifs poursuivis dans les recherches en ingénierie pédagogique est de fa-
voriser les pratiques de réutilisation, de mutualisation et d’échange entre professionnels
de l’éducation, non pas uniquement en termes de ressources et de documents, mais
également en termes de savoir-faire pédagogiques intégrés aux contextes d’apprentis-
sage [Pernin and Lejeune, 2004b]. Le besoin de réutilisation des scénarios produits par
différents enseignants-concepteurs, maitrisant des disciplines et des expertises variées,
devient un élément important à la capitalisation.
Il subsiste de nombreux freins à la réutilisation et à l’appropriation de scénarios
d’apprentissage notamment selon le contexte d’usage des scénarios. Étant donné que
le contexte d’apprentissage peut varier considérablement d’une situation à une autre,
réutiliser des scénarios dans une situation donnée pourrait être considéré comme non
pertinent compte tenu du contexte cible.
Dans ce cadre, et suite à l’étude de certaines banques de scénarios existantes et no-
tamment la base BASAR inscrite dans notre programme de recherche, nous avons pu
constater :
— une évolution importante du nombre de scénarios qui sont eux même constitués
de séquences réutilisables ;
— des scénarios conçus par différents enseignants avec différents profils ;
— des scénarios conçus pour des contextes d’apprentissage variés ;
— des scénarios parfois très spécifiques au contexte d’origine dans lequel ils ont été
conçu, ce qui limite les éventuelles réutilisations dans un nouveau contexte ;
— des scénarios adoptants des modalités d’apprentissage variées (présentiel, à dis-
tance, collaboratif, individuel, synchrone, asynchrone, mixte, . . .) et s’inscrivant
dans divers domaines d’apprentissage (architecture, biotechnologie, droit, infor-
matique, . . .) ;
— des scénarios utilisant une large typologie de ressources qu’elles soient matérielles,
logicielles, numériques, documentaires ou autres.
Suite à ces constatations, il nous semble qu’il devient important de considérer la di-
mension contextuelle dans une situation de réutilisation de scénarios. D’abord la forte
variabilité du contexte d’une situation à une autre peut freiner la réutilisation de scéna-
rios. Certains éléments contextuels peuvent également représenter des contraintes pour
pouvoir réutiliser le scénario tels que la présence d’un type de matériel précis, des com-
pétences devant être présentes dans les profils des apprenants participant au scénario,
etc. D’autres éléments peuvent caractériser le contexte d’un scénario sans pour autant
avoir d’influence sur sa réutilisation comme par exemple les parcours et les spécialités
des apprenants pour un scénario sur « l’échange et la communication à distance via
les outils de travail collaboratif » ou bien le pays (ou l’emplacement) dans lequel s’est
déroulé un scénario sur « la programmation logicielle ». Ce même élément contextuel
(le pays) peut avoir une influence sur la réutilisation par exemple pour un scénario sur
«La fonction publique française» 6 . Tout dépend en effet de la situation d’apprentissage
et du scénario à réutiliser.
Par ailleurs, le degré d’abstraction du contexte lors de la conception d’un scénario
peut également freiner la réutilisation. Un contexte très détaillé (non abstrait), rend le

6. ces exemples sont tirés des scénarios BASAR [Link]

formation/scenarii-hybrides-concus2

11
 introduction générale

scénario contraint (cf. type de scénario contraint du Tableau 2.1) et difficile à réutili-
ser. Nous prenons ici dans la Figure 1.4 deux exemples d’activités de scénarios (de la
base BASAR) où les degrés d’abstraction du contexte sont différents. Nous remarquons
que dans la première activité (A), le contexte est très détaillé ce qui fait que l’activité
reste très spécifique à ce contexte. Les efforts d’adaptation dans ce cas peuvent être très
importants lors d’une réutilisation de ce scénario. Par contre, la deuxième activité (B)
est beaucoup plus générique et le contexte reste abstrait ce qui rend son périmètre (ou
champs) de réutilisation plus large que la première activité. Ainsi, connaitre au préa-
lable le périmètre de réutilisation d’un scénario, ses contraintes contextuelles et le degré
d’importance et d’influence de ses caractéristiques contextuelles pourrait améliorer sa
réutilisation.

Figure 1.4. – Deux extraits de scénarios de BASAR avec des degrés d’abstraction de contextes
différents

Par conséquent, et face à la multitude de ressources, de profils (apprenant, enseignant

ou formateur), de modalités ou autres facteurs contextuels, le concepteur peut avoir du
mal, lors d’une situation de conception par la réutilisation, à identifier ce qui l’intéresse
et à faire correspondre son contexte à ceux des scénarios à réutiliser, notamment pour les
scénarios spécifiques à des contextes particuliers. L’enseignant a ainsi besoin de filtrer
les scénarios adaptés à ses besoins en termes de contexte cible. Un besoin d’assistance à
la réutilisation est donc identifié, se présentant comme la sélection et la recommandation
(ou suggestion) des scénarios susceptibles d’être les plus adaptés à un contexte précis.
Dans cette perspective, nous nous focalisons sur la question d’assistance à la réutili-
sation des scénarios à travers la sélection et la recommandation de scénarios, en nous
centrant sur son contexte. Assurer une réutilisation nécessite tout un mécanisme d’in-
dexation et de capitalisation de ces scénarios. Ceci nous amène à la problématique de
mise en place d’un processus spécifiant et enchainant ces différents aspects de réutilisation,
sélection, recommandation, indexation et capitalisation et les alignant dans un cadre
d’ingénierie et de réingénierie pédagogiques.
La deuxième problématique qui se pose porte sur l’identification des connaissances
contextuelles relatives au scénario et sur la manière d’organiser et de modéliser ces connais-
sances pour mieux les exploiter. Elle porte aussi sur l’expression des contraintes et des
degrés d’importance des différents éléments contextuels. Nous nous positionnons dans une

12
 introduction générale

approche par méta-modélisation de l’information contextuelle afin d’élargir les champs

d’utilisation de la méthode proposée.
Nous abordons également la problématique de définition du périmètre de réutilisation
d’un scénario dans un contexte donné et ce, selon les contraintes et les caractéristiques
contextuelles de ce scénario. Ceci nous amène à recourir à une méthode d’indexation contex-
tuelle du scénario qui aide à évaluer le contexte effectif dans lequel s’est déroulé un
scénario caractérisant les expériences d’apprentissage passées.
Un autre point à traiter est le fait qu’un scénario conçu et mis en œuvre dans des
contextes différents produit des résultats différents. Le scénario (ou une partie du scé-
nario) est associé à des degrés de réussite/échec observés dans un contexte précis. Les
résultats perçus dans une expérience donnée peuvent être analysés et puis utilisés pour
enrichir l’indexation du scénario. En effet, si on tient compte des expériences d’apprentis-
sage passées, on pourrait minimiser les problèmes d’inadéquation d’un scénario réutilisé
dans un nouveau contexte cible. La problématique qui se pose à ce niveau est la manière
de modéliser et exploiter ces expériences d’apprentissage passées pour prévoir au préalable la
pertinence du scénario dans un contexte cible et appuyer ainsi le processus d’assistance
à la réutilisation et à la capitalisation de scénarios. On s’inspire ainsi, comme déjà men-
tionné dans la partie précédente, de la technique de « raisonnement basé sur les cas »
adoptant une logique similaire. Ré-exploiter ou réutiliser les bonnes expériences d’ap-
prentissage passées doit être assisté par une méthode de sélection et de recommandation de
scénarios permettant de repérer les scénarios appropriés à une situation d’apprentissage
cible et d’estimer leur pertinence dans une telle situation.
Tous ces éléments abordés ne peuvent être jugés pertinents que s’ils sont concrétisés
sous la forme d’outils logiciels supportant ces pratiques et moyens spécifiés dans le but
d’aider et d’assister la réutilisation et la capitalisation des scénarios d’apprentissage.
En vue de ces spécificités, nous faisons l’hypothèse que la réutilisation améliore la
tâche de conception de scénarios d’apprentissage. Nous nous appuyons également
sur l’hypothèse que, si le contexte est bien explicité, modélisé et évalué, il aiderait
à identifier les scénarios pertinents à une situation donnée et à améliorer ainsi la
réutilisation.
Ces deux hypothèses seront validées par le protocole d’évaluation que nous définis-
sons dans le chapitre 9.
Nous concluons ainsi cette analyse par la définition de notre question principale de
recherche qui résume notre problématique comme suit :
Comment optimiser la réutilisation de scénarios d’apprentissage en tenant compte
du contexte ?
L’objectif est de répondre aux problématiques sous-jacentes suivantes :
— quel processus suivre pour favoriser la mise en place de situations assistées de
conception par la réutilisation ?
— quels formalismes utiliser pour opérationnaliser ce processus ?
— quelles méthodes adopter pour assister la réutilisation et la capitalisation de scé-
narios ?
— quels outils et techniques fournir pour supporter de tels mécanismes ?

1.3 organisation du mémoire

Ce mémoire est organisé en deux principales parties :

13
 introduction générale

La première partie présente d’abord la revue de la littérature et le positionnement de

nos travaux par rapport à ceux étudiés. Elle évoque l’axe de la réutilisation dans l’ingé-
nierie des scénarios d’apprentissage (chapitre 2), l’axe du contexte dans l’ingénierie des
scénarios d’apprentissage (chapitre 3) et l’axe de l’observation de scénarios d’appren-
tissage à travers les traces et indicateurs pédagogiques (chapitre 4). Cette partie aborde
par la suite notre problématique détaillée de recherche, les objectifs et la méthodologie
adoptée tout au long de nos travaux de thèse qui sont présentés dans le chapitre 5.
La deuxième partie rassemble nos contributions scientifiques et pratiques ainsi que
leurs mises à l’épreuve. Cette partie commence par le chapitre 6 qui décrit et spécifie le
cadre de réutilisation et de capitalisation de scénarios et qui présente le processus d’as-
sistance proposé. Par la suite, le chapitre 7 décrit une approche d’opérationnalisation du
processus d’assistance proposé à travers la définition de modèles de contexte pour un
scénario d’apprentissage, d’une méthode d’indexation contextuelle et d’un algorithme
de calcul de similarités contextuelles pour la recommandation de scénarios. Dans cette
même partie, le chapitre 8 est consacré à la solution pratique proposée, appliquée dans
le cadre du projet BASAR, et qui se présente comme une plateforme d’aide à la réutili-
sation et à la capitalisation de scénarios d’apprentissage. Par la suite, le chapitre 9 vient
décrire les expérimentations et l’évaluation de l’approche proposée.
Le chapitre 10 conclut ce mémoire en présentant une synthèse de ces travaux de
thèse et leurs apports tout en discutant leurs limites et en proposant un ensemble de
perspectives.

14
 Première partie

R E V U E D E L A L I T T É R AT U R E , P O S I T I O N N E M E N T E T
P R O B L É M AT I Q U E

Dans cette partie du mémoire, nous présenterons d’abord une revue de la

littérature qui se rapporte à nos thématiques de recherche ainsi que le posi-
tionnement de nos travaux de thèse. Ces derniers constituent le croisement
de trois principaux axes de recherche, dont chacun fera l’objet d’un chapitre
dans cette partie, qui sont : la réutilisation pédagogique (cf. Chapitre 2), le
contexte des scénarios d’apprentissage (cf. Chapitre 3) et l’observation par
les indicateurs pédagogiques et les traces (cf. Chapitre 4).
(1) Favoriser et optimiser la réutilisation de scénarios d’apprentissage consti-
tue notre objectif principal de recherche.
(2) Le contexte est la méthode adoptée pour atteindre cet objectif. Il s’agit d’ex-
ploiter l’information contextuelle pour l’indexation, l’évaluation et la recom-
mandation des scénarios et ce, afin d’assister l’enseignant dans des situations
de conception par la réutilisation.
(3) L’observation par les indicateurs est le moyen utilisé pour enrichir la mo-
délisation de l’information contextuelle d’une part et d’autre part pour analy-
ser le déroulement de scénarios dans des contextes effectifs d’apprentissage.
Ceci sert à baser l’indexation de ces contextes sur des critères de réussite et
d’efficacité du scénario.
Dans cette même partie, le Chapitre 5 suivra cette revue de la littérature pour
dégager les verrous scientifiques liés, la problématique et la méthodologie de
recherche.
L’ I N G É N I E R I E P É D A G O G I Q U E E T L A R É U T I L I S AT I O N
2
L’ingénierie pédagogique est l’un des axes de recherche largement abordés dans les
études sur les EIAH. Le terme «ingénierie» a été défini comme «l’application de connais-
sances scientifiques aux problèmes pratiques de la création, de l’exploitation et de la maintenance
des structures, dispositifs et services» 1 . L’ingénierie pédagogique se réfère donc à l’intégra-
tion de la vision de l’ingénierie dans le domaine pédagogique et de l’éducation, agissant
comme « une source de réflexion et de connaissances [. . .] permettant de mieux prendre la mesure
de la complexité du domaine » [Tchounikine, 2002b]. Elle a été définie comme « une méthode
soutenant l’analyse, la conception, la réalisation et la planification de la diffusion des systèmes
d’apprentissage, intégrant les concepts, les processus et les principes du design pédagogique,
du génie logiciel et de l’ingénierie cognitive » [Paquette, 2003].
Ainsi, plusieurs champs de recherche ont été ouverts dans ce type d’ingénierie
dont, en particulier, la conception pédagogique (ou «learning design» en anglais) lar-
gement traitée dans la littérature, où il s’agit de décrire le processus d’enseignement-
apprentissage se déroulant dans une situation d’apprentissage tel qu’un cours, une leçon
ou tout autre événement d’apprentissage. On rencontre également la notion de scénarisa-
tion pédagogique qui est vue comme une activité d’ingénierie pédagogique s’inscrivant
au cœur de la pratique de l’enseignant ou du formateur engagé dans la conception de
dispositifs de formation, en présence et à distance [Hotte et al., 2007].
La scénarisation pédagogique devient aujourd’hui une tâche essentielle pour les en-
seignants, leur permettant d’organiser et planifier leurs activités pédagogiques, surtout
avec l’émergence des nouvelles technologies de l’information et de la communication et
l’évolution des différentes modalités et pratiques d’apprentissage. La scénarisation est
un travail de conception de contenu, d’organisation des ressources, de planification de
l’activité et des médiations pour induire et accompagner l’apprentissage, et d’orchestra-
tion [Henri et al., 2007].
Le terme scénarisation pédagogique provient du monde du cinéma. De ce point de
vue pédagogique, la scénarisation est devenue « l’art de découper les savoirs en unités, de les
relier pour faire sens, puis de construire une médiation visant à faciliter l’acquisition des connais-
sances » [Henri et al., 2007]. Les principaux acteurs de la scénarisation pédagogique sont
l’enseignant, le formateur, le tuteur et l’ingénieur pédagogique qui, avec l’évolution des
approches centrées activités, acquièrent les rôles de scénaristes et concepteurs. Avec l’ar-
rivée du paradigme du socioconstructivisme et l’intégration des TIC, les pratiques péda-
gogiques sont amenées à changer et les rôles des acteurs à être redéfinis : les enseignants
deviennent des concepteurs de scénarios intégrant différents paramètres pédagogiques,
ergonomiques, humains, organisationnels dans un processus d’ingénierie qui va de la
conception du système d’apprentissage à sa diffusion [Paquette and Girard, 1996].
Scénariser permet de donner une cohérence à une situation d’apprentissage complexe
et de mettre en interaction différents objets (ressources, activités, instruments et outils)
[Villiot-Leclercq, 2007]. Pernin and Lejeune [2004b] proposent trois niveaux de scénarisa-
tion : d’abord scénariser la structuration pédagogique (organisation des unités de struc-
1. Définition tirée de l’encyclopédie «American Peoples Encyclopaedia»

16
 l’ingénierie pédagogique et la réutilisation

turation comme les cours ou les cursus), l’enchaînement d’activités (organisation des
activités des apprenants) et la réalisation de tâches (description du déroulement d’une
tâche bien précise). La modélisation et la représentation de ces activités donne lieu au
scénario d’apprentissage qui représente l’objet central traité dans notre recherche. Au
centre de la démarche de l’ingénierie et la scénarisation pédagogique, on trouve cette
notion de scénario d’apprentissage que nous détaillons dans la section qui suit.

2.1 les scénarios d’apprentissage et leurs rôles dans la conception

pédagogique

La mise en place de plusieurs situations d’apprentissage intentionnelles amène à défi-

nir au préalable leurs objectifs et à concevoir et planifier un ensemble d’activités pour les
différents acteurs de l’apprentissage. Il s’agit ainsi de concevoir un scénario d’appren-
tissage comportant les activités qui seraient effectuées par les apprenants et les tuteurs,
le séquencement de ces activités ainsi que les objets et les outils d’apprentissage qui
doivent être fournis aux différents acteurs.
Le concept de scénario d’apprentissage a été largement traité dans le domaine de
l’ingénierie pédagogique. Dans la littérature, plusieurs désignations étroitement liées
à ce terme ont été définies. Le langage IMS-LD [2003] utilise le terme processus d’ap-
prentissage (ou «learning process», en anglais) qui est vu comme « une série ordonnée
d’activités à réaliser par les apprenants et les enseignants (rôle), dans le cadre d’un environ-
nement composé d’objets ou de services d’apprentissage ». D’autre part, le langage POEML
(Perspective-oriented Educational Modeling Language) [Caeiro et al., 2007] se réfère au
terme scénario éducationnel (ou «educational scenario», en anglais) qui « permet de sou-
tenir la modélisation de tout type d’unité d’apprentissage à différents niveaux d’agrégation, allant
des leçons simples jusqu’aux cours ou programmes d’études complets ».
Charlier and Daele [2002], quant à eux, abordent la notion de scénario pédagogique
qui le définissent comme « le résultat du processus de conception d’une activité d’apprentis-
sage, processus s’inscrivant dans un temps donné et aboutissant à la mise en œuvre du scénario ».
Cette même notion a été définie également dans les travaux de Paquette [2007] comme «
un ensemble ordonné d’activités, régies par des acteurs qui utilisent et produisent des ressources
(ou objets) pédagogiques ». Les concepts de scénarios d’apprentissage et de scénarios péda-
gogiques sont très proches et parfois considérés comme des termes équivalents. Certains
font la différentiation entre ces deux concepts comme par exemple Quintin et al. [2005]
qui ajoutent en plus la notion de scénario d’encadrement. Selon ces derniers travaux, un
scénario pédagogique est un ensemble structuré et cohérent qui est constitué d’une part
du scénario d’apprentissage dont le rôle revient à décrire les activités d’apprentissage,
leur articulation dans la séquence de formation ainsi que les productions qui sont atten-
dues et d’autre part le scénario d’encadrement (ou scénario de formation pour d’autres)
qui précise les modalités d’intervention des enseignants tuteurs telles que conçues afin
d’appuyer le scénario d’apprentissage. On parle aussi de séquences pédagogiques ou
de story-boards.
Les scénarios d’apprentissage offrent des instruments permettant de gérer et orches-
trer des activités composant des unités d’apprentissage [Ouraiba, 2012]. Ils acquièrent
ces dernières années une grande importance au sein de la communauté des chercheurs
en EIAH. D’après Villiot-Leclercq [2007], le scénario a plusieurs rôles : il précise d’abord
l’activité proposée aux apprenants, le contrôle qui sera fait de la progression de l’ap-

17
 l’ingénierie pédagogique et la réutilisation

prenant durant cette activité et l’assistance pédagogique qui lui sera fournie automati-
quement en fonction de sa progression. Il s’agit d’un ensemble d’activités ordonnées
pouvant être des activités d’exécution, d’organisation, de consultation, de collaboration,
de détente, de métacognition, sociale ou autres [Paquette and Léonard, 2013].
Un scénario d’apprentissage peut décrire le déroulement, les objectifs, les acteurs,
les étapes, les consignes, les outils et documents utilisés ou à produire [Paquette and
Léonard, 2013]. Le scénario est perçu comme un ensemble d’activités et vise l’acquisition
d’un ensemble précis de connaissances [Pernin and Lejeune, 2004a]. Ces activités sont
gérées par des acteurs et génèrent des ressources pédagogiques [Paquette and Léonard,
2013].
On distingue dans la littérature plusieurs typologies de scénarios. Chacun de ces
travaux s’est appuyé sur des critères de classification différents. Afin de mieux com-
prendre le scénario, nous identifions dans le Tableau 2.1 des critères de classification et
les typologies associées qui serviront par la suite à guider notre analyse.

Finalité d’un scénario [Pernin and Lejeune, 2004b]

Scénario prédictif
Établi avant la mise en place d’une situation d’apprentissage
Scénarios descriptif
Décrit le déroulement effectif d’une situation d’apprentissage
Granularité d’un Scénario [Pernin and Lejeune, 2004b]
Activités élémentaire
Granularité la plus fine de situation d’apprentissage
Séquences d’activités
Séquences d’activités organisées pour atteindre un objectif d’apprentissage bien
déterminé
Unités de structuration pédagogique
Un ensemble de séquences pédagogiques sont assemblées pour former une unité
logique
Degré de contrainte des scénarios [Pernin and Lejeune, 2004b]
Scénario contraint
Décrit très précisément les activités à réaliser
Scénario ouvert
Décrit les rubriques de base des activités à réaliser en laissant des degrés de liberté
pour organiser les activités ou déterminer leur parcours
Scénario adaptable
Un scénario ouvert pouvant être modifié ou complété par les acteurs de la situation
d’apprentissage
Degré de personnalisation des scénarios [Pernin and Lejeune, 2004b]
Un profil
Un ensemble d’informations concernant un apprenant ou un groupe d’apprenants qui
sont saisies, collectées ou déduites suite à une ou plusieurs activités pédagogiques

18
 l’ingénierie pédagogique et la réutilisation

Un profil-type
Un cadre homogène permettant d’instancier des profils
Scénario générique
Un scénario prédictif dont l’exécution est toujours le même d’une session à l’autre
Scénario adaptatif
Un scénario prédictif prenant en compte des profils-type et permettant l’exécution
conditionnelle de plusieurs scénarios personnalisés se distinguant par la nature des
interactions proposées (rétroactions, parcours, etc.) ou par la nature des ressources de
manipulation de connaissance mises à disposition
Formalisation [Pernin and Lejeune, 2004b]
Formel
Décrit selon un langage ou selon un modèle connu tels que IMS-LD, PoEML ou
SCORM
Non formel
Décrit d’une manière non formelle n’obéissant pas à un langage et/ou un modèle bien
déterminé
Niveau de détail [IMS-LD, 2003]
Scénario prescriptif
Décrit par les rôles, activités, environnements et services
Scénario de personnalisation
Un scenario prescriptif avec ses propriétés, les conditions et les règles
Scénario dynamique
Un scenario de personnalisation en lui ajoutant l’enchainement et l’orchestration des
activités
Table 2.1. – Critères de classifications et typologies des scénarios d’apprentissage

Nous nous basons principalement sur la définition proposée dans les travaux de Per-
nin and Lejeune [2004a] qui est :
« Un scénario d’apprentissage représente la description, effectuée a priori ou a
posteriori, du déroulement d’une situation d’apprentissage ou unité d’apprentissage
visant l’appropriation d’un ensemble précis de connaissances, en précisant les rôles,
les activités ainsi que les ressources de manipulation de connaissances, outils et ser-
vices nécessaires à la mise en œuvre des activités ».
Sur la base de cette étude des définitions, typologies et caractéristiques de scénarios,
et tenant compte de notre problématique de recherche, nous utiliserons dans la suite
du rapport le terme scénario d’apprentissage qui est perçu comme un enchainement
d’activités affectées à des rôles et a pour fonction de décrire et formaliser (a priori, en
cours et à posteriori de l’apprentissage) l’organisation et le déroulement de la situation
d’apprentissage.
Dans ce cadre, parmi les objectifs de conception d’un scénario d’apprentissage nous
citons :
— aider à organiser les idées et à planifier, orchestrer et décrire les activités, les rôles
et les ressources (a priori) ;

19
 l’ingénierie pédagogique et la réutilisation

— aider à exprimer et modéliser un scénario d’une session d’apprentissage passée

(en cours et à postériori) ;
— aider à favoriser la communication entre les différents acteurs (e.g., apprenants,
enseignants et ingénieurs pédagogiques) ;
— assembler les différentes pratiques émergeant de différentes expertises (e.g., péda-
gogie, IHM, didactique) et un contenu d’apprentissage de différentes disciplines
(e.g., Informatique, Géologie, Photographie, FLE) ;
— faciliter la mise en place et l’intégration de scénarios opérationnalisés sur des pla-
teformes d’apprentissage, et tirer ainsi profit des moyens informatisés dans un
apprentissage hybride (à distance et en présentiel) ;
— capitaliser les expertises et les pratiques enseignantes pour pouvoir les réutiliser.

2.2 la réutilisation : axes et approches

Avec la généralisation et l’hétérogénéité des ressources numériques et logicielles (e.g.,

composants ou services logiciels, artefacts de conception ou d’architecture, ressources
documentaires, etc.), il devient important de réutiliser ces ressources afin de faciliter le
travail, de gagner en temps de conception et de développement et de profiter des efforts
fournis par d’autres et ayant témoigné de leur qualité. La réutilisation est une problé-
matique qui est largement traitée dans différents domaines et disciplines de recherche
dont nous citons par exemple, en plus du domaine des EIAH, les domaines du Génie
Logiciel et des Systèmes d’Information. Pour mieux comprendre les concepts liés à la
réutilisation, nous explorons dans la section 2.2.1 qui suit les approches et dimensions
liées à la réutilisation et adoptées dans ces domaines. Ceci nous guidera également à
classifier les travaux de la littérature sur la réutilisation en EIAH et à positionner nos
travaux. La section suivante (cf. Section 2.2.2) ciblera la réutilisation particulièrement
dans le domaine des EIAH.

2.2.1 La réutilisation dans les domaines du génie logiciel et des systèmes d’information

En génie logiciel, la réutilisation de logiciels (ou «software reuse» en anglais) a attiré

l’attention des chercheurs et des praticiens depuis longtemps et a été définie comme :
« The process of creating software systems from existing software rather than
building software systems from scratch » [Krueger, 1992].
Les chercheurs du domaine se sont beaucoup intéressés à cette problématique depuis
plusieurs années et ont défini des approches favorisant et assistant ce type de réuti-
lisation. Parmi les entités concernées par la réutilisation, on peut citer les objets, les
composants logiciels, du code source ou les lignes de produits. Quatre dimensions de
réutilisation ont été identifiées dans les travaux de Krueger [1992] qui sont résumées
dans le Tableau 2.2.

Dimension de Description
réutilisation
Dimension 1 : Déterminer que fait l’artefact logiciel et
l’abstraction quand/comment il peut être réutilisé.

20
 l’ingénierie pédagogique et la réutilisation

Dimension 2 : la sélection Localiser, comparer et sélectionner les artefacts logiciels

à réutiliser (à travers des bibliothèques d’artefacts
réutilisables).
Dimension 3 : la Spécialiser (ou adapter) l’artefact sélectionné à réutiliser
spécialisation (ou à travers des transformations, des contraintes ou
l’adaptation) d’autres formes de raffinement.
Dimension 4 : Intégrer l’artefact logiciel sélectionné et spécialisé dans
l’intégration un framework.
Table 2.2. – Dimensions de réutilisation en génie logiciel

À partir de ces dimensions, on peut dégager le cycle de vie d’un «artefact réutilisable»
qui consiste à : définir d’abord ces spécificités et contraintes de réutilisation (dimension
1), sélectionner parmi les artefacts existants ceux adaptés à un besoin de réutilisation
(dimension 2), spécialiser l’artefact sélectionné et l’adapter aux besoins de la situation
cible (dimension 3) et enfin de réutiliser en l’intégrant dans le système (dimension 4).
D’autre part dans le domaine des systèmes d’information, et selon un raisonnement
proche, trois types d’approches de réutilisation ont été distinguées selon les études de
Cauvet and Semmak [1999] qui sont montrées dans le Tableau 2.3.

Approche de Démarche adoptée

réutilisation
Approche 1 : Bibliothèque Proposer un catalogue de composants avec des interfaces
de composants de recherche. Dans ce cas, la sélection, l’adaptation et
l’intégration sont à la charge du développeur.
Approche 2 : Conception Formaliser des processus pour guider la sélection et la
par la réutilisation composition des entités réutilisées.
(design by reuse)
Approche 3 : Conception Formaliser des modèles d’entités réutilisables et leurs
pour la réutilisation processus de gestion, de composition, d’adaptation et
(design for reuse) d’intégration.
Table 2.3. – Approches de réutilisation en Systèmes d’Information

Ces approches citées permettent d’identifier les démarches adoptées par les travaux
de recherche et de pratique formalisant des catalogues, processus et modèles pour aider
à la réutilisation. Tenant compte des deux Tableau 2.2 et 2.3, nous distinguons deux
principales approches de réutilisation dont chacune insiste sur des dimensions bien
particulières :
(1) dans le cadre de la définition d’une approche de conception pour la réutilisa-
tion, se sont essentiellement les dimensions d’adaptation et d’intégration qui sont discutées
en définissant des formalismes de modélisation d’entités réutilisables et leur processus
d’adaptation (ou de spécialisation) à travers des raffinements (telles que les transforma-
tions et les contraintes) et leur processus d’intégration ;
(2) dans le cadre de la définition d’une approche de conception par la réutilisation,
les dimensions d’abstraction et de sélection d’entités réutilisables sont essentiellement trai-

21
 l’ingénierie pédagogique et la réutilisation

tées en proposant des processus guidant la localisation, la comparaison et la sélection

des entités à réutiliser à partir de bibliothèques/référentiels d’entités réutilisables, tout
en se basant sur les propriétés mises en place lors de son abstraction.

2.2.2 La réutilisation dans le domaine des EIAH et de l’ingénierie pédagogique

De même pour les EIAH, la réutilisation représente l’une des préoccupations de la

communauté. En effet, l’un des défis de la scénarisation dans les EIAH est de ne pas
tout concevoir à nouveau, mais plutôt de « partager ce qui existe déjà, d’identifier les pra-
tiques gagnantes, les facteurs de réussite, de réutiliser l’expertise existante et de partager des
objets pédagogiques » [Villiot-Leclercq, 2007]. Dans un contexte de conception en général,
Karsenty [2001] affirme que les concepteurs préfèrent une méthode qui nécessite moins
d’efforts pour capitaliser la logique de conception tout en favorisant la possibilité de sa
réutilisation.
La problématique de réutilisation dans les EIAH a été souvent abordée touchant dif-
férents aspects : la réutilisation de profils d’apprenants [Jean-Daubias et al., 2009], la
réutilisation de traces et d’indicateurs pédagogiques [Settouti et al., 2007; Broisin and
Vidal, 2007; Choquet et al., 2009; Diagne, 2009; Chaabouni and Laroussi, 2013], la réuti-
lisation d’objets et de ressources d’apprentissage [LOM, 2002; Dagger et al., 2003; Wiley,
2010] et la réutilisation de scénarios d’apprentissage [Villiot-Leclercq, 2007; Krämer et al.,
2010; Emin-Martinez, 2010].
À travers l’étude des différentes approches de réutilisation citées dans la section pré-
cédente et de l’analyse de la littérature relative aux EIAH, nous identifions deux grands
axes de recherche sur la réutilisation en ingénierie pédagogique :
— les travaux se focalisant sur l’adaptation des entités pédagogiques (axe 1) ;
— les travaux se focalisant sur la sélection des entités pédagogiques (axe 2) ;
— les travaux adoptant une approche mixte.
Nous détaillons dans la section [Link] qui suit les stratégies et techniques adoptées dans
ces axes et visant à favoriser la réutilisation d’entités pédagogiques. Dans la suite du
rapport, nous désignons par «entité pédagogique» tout artefact pouvant être réutilisé
qu’il soit une ressource, objet ou scénario d’apprentissage.

[Link] Les axes d’approches de réutilisation d’entités pédagogiques

axe 1 : les approches centrées sur l’adaptation des entités pédago-
giques (conception pour la réutilisation)
Des travaux ont traité ce premier axe en se centrant sur le format de modélisation de
scénarios, et ce, en formalisant des modèles réutilisables, soit des modèles adaptables
et/ou personnalisables. Dans cet axe, diverses approches peuvent être adoptées. Des
travaux préconisent l’utilisation de patrons de conception 2 pour la définition de scéna-
rios d’apprentissage [De Moura Filho, 2007; Clayer et al., 2013]. En effet, le format de
patrons de conception pédagogiques assiste les concepteurs dans l’expression des scéna-
rios sous forme de canevas adaptables et personnalisables selon le contexte. D’un autre

2. un patron de conception (ou «design pattern» en anglais) décrit un problème devant être résolu, une
solution, et le contexte dans lequel cette solution est adaptée [Johnson, 1997]

22
 l’ingénierie pédagogique et la réutilisation

côté, les approches à base de web sémantique se basant sur une ingénierie ontologique 3
ont été classées comme moyen pour favoriser la réutilisation. En effet, « conceptualisation,
partage et réutilisation sont considérés comme des concepts clés d’une ontologie » [Mizoguchi
and Bourdeau, 2004]. D’après Kravcik and Gasevic [2006], les technologies du web sé-
mantique peuvent améliorer la réutilisabilité et l’interopérabilité des modèles d’appren-
tissage. Dans cette approche, on peut citer le projet MODALES [Tetchueng et al., 2008]
qui s’est basé sur une approche de web sémantique et sur les ontologies pour assurer la
flexibilité, l’organisation et l’adaptation de ressources dans un système d’apprentissage.
D’autres travaux ont proposé des formats d’«ouverture» de scénarios [Pernin and Le-
jeune, 2004b; Ouraiba, 2012] ou de «malléabilité» de scénario [Sassi and Laroussi, 2011].
Ces approches étudient particulièrement le caractère adaptable du scénario. Des tra-
vaux se sont plutôt centrés sur la proposition de méthodes et stratégies d’adaptation
des scénarios, c’est-à-dire agissant sur le processus d’adaptation. Dans ce cadre, Emin-
Martinez [2010] propose dans sa thèse de concevoir et/ou interpréter le scénario de
façon dynamique et ce en l’ajustant successivement en fonction de variables situation-
nelles (contexte de l’activité) et des variables interactionnelles (entre les apprenants et
les enseignants).
Ainsi, dans cet axe, on part du principe qu’une bonne réutilisation d’un scénario est
assurée par son degré d’adaptabilité. Tchounikine [2009] considère que l’adaptation des
scénarios d’apprentissage entre dans le contexte de personnalisation de l’apprentissage
qui consiste à modifier les activités qu’on propose à un apprenant en fonction d’une
situation pédagogique donnée.
De ces faits, ces formats de représentation d’entités pédagogiques que nous venons
de citer permettent de favoriser la réutilisation de ces dernières. Ces formats visent une
définition d’entités adaptables selon les besoins et le contexte cible. Nous explorons de
plus près l’utilisation de certains de ces formats déjà évoqués pour les scénarios :
— les patrons de conception. Le projet MDEDUC [De Moura Filho, 2007] s’est basé
sur un formalisme et une syntaxe par patrons pédagogiques pour développer un
éditeur de patrons pour la conception des scénarios. Par ailleurs, Clayer et al.
[2013] proposent un cadre conceptuel méthodologique pour la réutilisation basé
sur les patrons et orienté-enseignant selon une approche de modélisation spéci-
fique au domaine (Domain Specific Modeling - DSM). Ces approches citées uti-
lisent le formalisme de patrons de conception comme vecteur de médiation pour
aider à la réutilisation ayant une facette suffisamment formulée pour garantir l’opé-
rationnalisation de la réutilisation ;
— les scénarios ouverts. La notion de scénario pédagogique «ouvert» a été également
proposée pour l’adaptabilité des scénarios. Ouraiba [2012] a proposé un modèle de
représentation de scénarios ouverts nommé SPO (Scénarios Pédagogiques Ouverts)
qui permet aux enseignants d’avoir des scénarios qui s’adaptent à la particularité
de chaque situation d’apprentissage (des variantes spécifiques aux contextes d’ap-
prentissages) et de conserver le caractère ouvert d’un scénario pour qu’il puisse
intégrer d’éventuelles nouvelles variantes, autres que celles déjà répertoriées. No-
tons qu’un scénario ouvert est, selon ces travaux discutés, « un scénario qui décrit
dans les grandes lignes les activités à réaliser en laissant aux acteurs de la situation d’ap-
prentissage des degrés de liberté importants pour organiser les activités ou déterminer leurs

3. une ontologie est une spécification explicite d’une conceptualisation définissant un ensemble de
termes représentationnels [Gruber et al., 1993]

23
 l’ingénierie pédagogique et la réutilisation

parcours ». En particulier, un scénario ouvert doit permettre de laisser aux acteurs

humains les choix ne pouvant être anticipés tout en gardant la qualité des objectifs
de l’apprentissage définis ;
— les scénarios malléables. La notion de malléabilité de scénarios a émergé égale-
ment de l’idée de définir des formats de scénarios adaptables qui puissent être
adaptés aux besoins et réutilisés dans des contextes différents. Pernin and Lejeune
[2004a] associent la malléabilité à l’adaptabilité ou à la souplesse des scénarios.
Dans ce même contexte, un scénario malléable a été défini comme « un scénario
exposant des fonctionnalités et des critères de paramétrage permettant l’adaptation du par-
cours tout en respectant certaines contraintes liées au contexte de l’exécution et au profil
de l’apprenant » [Sassi and Laroussi, 2011]. Ces mêmes auteurs ([Sassi and Laroussi,
2011]) ont défini une architecture pour la mise en œuvre d’un tel scénario en se
basant sur l’analyse des traces des apprenants.

axe 2 : les approches centrées sur la sélection des entités pédago-

giques (conception par la réutilisation)
Les travaux s’inscrivant dans ce deuxième axe de recherche proposent des méthodes
et techniques pour aider l’utilisateur (enseignant ou apprenant) à repérer et sélectionner
les entités pédagogiques à réutiliser. Paquette [2005] identifie des critères d’une réuti-
lisation «réussie» d’objets d’apprentissage qui sont le choix des activités à réaliser et
leur agencement dans des scénarios d’apprentissage adaptés aux objectifs de compé-
tence et aux écarts entre ceux-ci et la compétence actuelle des apprenants. Dans cet axe,
on trouve les études qui proposent des schémas de métadonnées tels que les standards
LOM [2002] pour l’indexation d’objets pédagogiques, CORDRA [2004] pour la mutuali-
sation d’objets pédagogiques et la facilitation de leur recherche ou le MLR [ISO, 2011]
pour l’indexation des ressources d’apprentissage.
Pour le cas des scénarios d’apprentissage, des travaux se sont basés sur les schémas de
métadonnées ou les ont étendus pour l’indexation. Les travaux de Paquette and Léonard
[2014] ont proposé un modèle générique d’un scénario d’apprentissage basé sur les
ontologies se basant sur les métadonnées définies dans le MLR [ISO, 2011]. Le référentiel
de scénarios IDLD [Paquette, 2007] utilise une indexation à l’aide d’un jeu spécifique des
métadonnées LOM pour les objets d’apprentissage. Pour assister la tâche de réutilisation,
des degrés de réutilisabilité sont associés aux scénarios de IDLD au niveau technique,
au niveau du contenu et au niveau contextuel. Ces valeurs sont importantes dans la
mesure où l’on peut filtrer les scénarios selon les besoins (un scénario indépendant du
contexte, un scénario adaptable, un scénario indépendant de la technique). Bien que
ces valeurs restent générales et pas assez précises. On trouve aussi le site Educnet 4 qui
indexe les scénarios avec des métadonnées relatives à leurs disciplines et descriptions.
Villiot-Leclercq [2006] ajoute aux descriptions de scénarios la possibilité d’exprimer les
intentions pédagogiques et les contraintes liées aux contextes de mise en œuvre.

les approches mixtes visant les deux axes d’adaptation et de sélection

des entités pédagogiques (conception pour et par la réutilisation)
Des travaux adoptent une approche mixte étudiant à la fois les deux axes de sélection
et d’adaptation d’entités d’apprentissage. Nous avons repéré principalement des travaux
suivant une approche par patrons de conception. Dans le projet COLLAGE, Hernández-
4. https ://[Link]/

24
 l’ingénierie pédagogique et la réutilisation

Leo et al. [2006] ont proposé des patrons d’activités-type d’apprentissage collaboratif
(CLFPs : Collaborative Learning Flow Patterns). Ces patrons sont des bonnes pratiques
réutilisables et personnalisables utilisées par les praticiens selon les spécifications d’une
situation d’apprentissage particulière. Ces travaux définissent un processus de conception
spécifiant la tâche de sélection des CLFPs et la tâche de mise en place d’un nouveau CLFP.
Nous trouvons d’autre part les travaux de Jovanovic et al. [2009], se basant sur le web
sémantique, qui ont développé le système TANGRAM pour l’assemblage dynamique et
la personnalisation de contenu d’apprentissage personnalisé sur le web.
La Figure 2.1 récapitule les concepts, formats et stratégies inscrits dans chacun de ces
deux axes de recherche (Axe 1 pour une conception pour la réutilisation et Axe 2 pour
une conception par la réutilisation), que nous appliquons particulièrement aux scénarios
d’apprentissage.

Figure 2.1. – Illustration des deux axes de travaux de « conception pour la réutilisation » et de «
conception par la réutilisation » pour les scénarios d’apprentissage

Nos travaux se positionnent dans le deuxième axe de recherche (Axe 2) et se focalisent

sur la définition de processus, méthodes et outils pour un cadre de conception par la
réutilisation.

[Link] Freins, motivations et stratégies de la réutilisation de scénarios d’apprentissage

En étudiant les travaux de la littérature ainsi que des bases de scénarios telles que
la base de scénarios BASAR et d’autres bases (une étude sera présentée plus tard à
la section 3.2.3), nous constatons certains facteurs pouvant freiner la réutilisation de
scénarios d’apprentissage partagés et capitalisés qui sont :
— l’utilisation de formalismes et d’approches de représentation hétérogènes de scé-
narios ;
— la définition de scénarios très rigides et difficile à adapter ;

25
 l’ingénierie pédagogique et la réutilisation

— la forte diversité des contextes variant d’une situation d’apprentissage à une autre,
surtout quand les scénarios sont détaillés d’une manière très spécifique à un
contexte bien particulier. On parle ici de scénarios contraints (cf. Tableau 2.1) ;
— la forte variabilité des domaines et des ressources utilisées dans le scénario ;
— le manque de moyens et d’outils pour assister le processus de sélection des bons
scénarios à réutiliser.
Une étude sur la base de scénarios PrimTice [Macedo-Rouet and Perron, 2007], s’inscri-
vant dans cette même perspective, a recensé et mutualisé les expériences pédagogiques
impliquant l’utilisation des technologies de l’information et de la communication pour
l’éducation (TICE) à l’école primaire. Cette étude a dégagé des facteurs pouvant consti-
tuer des obstacles à la réutilisation de scénarios qui sont : (1) la grande diversité des
formats et des contenus des scénarios, (2) la diversité des degrés de précision dans la
description du déroulement du scénario (soit très détaillée, soit très sommaire), (3) le
manque de formation à la rédaction et à l’usage de scénarios et (4) le manque ou la forte
contextualisation de scénarios.
D’après Pernin and Lejeune [2004b], les motivations de réutilisation d’un scénario
peuvent être d’ordre individuel ou collectif. D’abord individuel lorsqu’un praticien (ou
un ensemble de praticiens) veut améliorer l’efficacité d’un dispositif de formation pré-
cisément identifié en réutilisant des modalités ayant déjà fait leurs preuves. L’avantage
ici est la faible variabilité des contextes d’où un fort degré de réutilisation et une amé-
lioration progressive des scénarios utilisés. Et puis collectif lorsqu’une communauté de
pratique, dans un besoin de mutualisation, désire mettre en commun les savoir-faire ac-
quis par certains de ses membres. Dans ce cas, l’importante variété de contextes pourrait
constituer un frein si les scénarios mutualisés ne sont pas suffisamment souples pour
pouvoir être adaptés aux exigences de chacun.
D’autres questions peuvent se poser quant à la problématique de réutilisation qui
sont : que peut-on réutiliser dans les scénarios ? et comment les réutiliser ? Emin-
Martinez [2010] a distingué trois classes de stratégies de réutilisation et d’adaptation
selon le contexte et les objectifs :
— les stratégies d’imitation : Il s’agit de s’inspirer de scénarios associés a priori à
un contexte précis et décrivant les différentes facettes de la situation d’apprentis-
sage. Ces scénarios sont fortement contextualisés et leur mutualisation résulte gé-
néralement d’un processus de validation. Ce type de stratégies nécessite un effort
d’adaptation et d’appropriation par l’utilisateur pour pouvoir réutiliser le scéna-
rio ;
— les stratégies d’instanciation : Il s’agit de proposer des modèles (squelettes) des
scénarios qui sont par la suite instanciés par le concepteur selon le contexte ;
— les stratégies de composition : Il s’agit d’assembler des composants pour
construire une solution adaptée aux besoins du concepteur. Un modèle concep-
tuel définissant les relations entre les différents composants est nécessaire.

2.3 réutilisation, adaptation et réingénierie : liens et positionne-

ment

Réutilisation, adaptation et réingénierie sont des termes assez abordés dans notre
étude. Nous souhaitons expliciter le lien et le positionnement de ces trois notions dans le
cycle de vie du scénario. Pour cela, et en se basant sur ce qui a été étudié précédemment,

26
 l’ingénierie pédagogique et la réutilisation

nous illustrons ce cycle de vie dans la Figure 2.2 qui se présente comme un processus
d’ingénierie et de réingénierie de scénarios d’apprentissage.

Figure 2.2. – Processus d’ingénierie et de réingénierie d’un scénario d’apprentissage

Dans son cycle de vie, le scénario passe par une phase d’ingénierie et puis de réin-
génierie dans un processus itératif. Une fois conçu, le scénario est mis en œuvre dans
une situation d’apprentissage réelle. L’observation par les traces et les indicateurs pé-
dagogiques (qui sera étudiée de plus près dans le chapitre 4) peut être faite en temps
réel au cours de la mise en œuvre du scénario ou en différé (à posteriori). De même
pour l’adaptation qui peut se faire en temps réel : l’enseignant observe le déroulement
du scénario et l’adapte selon le feedback reçu au fur et à mesure de l’avancement du
scénario. L’adaptation peut se faire également en différé après l’exécution du scénario
lors de la mise en place d’une nouvelle situation. À partir de cette adaptation différée du
scénario, commence une réingénierie du scénario qui consiste à revoir la conception des
activités du scénario selon les besoins en le «reconstituant sous une nouvelle forme et mettre
ainsi en place une nouvelle situation pédagogique, prenant mieux en compte les usages observés
et l’évolution des pratiques pédagogiques » [Choquet, 2007]. Le scénario est capitalisé sous
un format bien déterminé. Dans une nouvelle situation de conception, c’est à ce niveau
de réingénierie qu’intervient la réutilisation de scénarios. L’adaptation et la réutilisation
sont des formes de réingénierie du scénario : dans une nouvelle situation, le concepteur
peut réutiliser des scénarios existants ou des séquences d’activités de scénarios (selon
une stratégie d’imitation, d’instanciation ou de composition selon la forme du scénario
tel que évoqué dans la section précédente), les adapter aux besoins de cette nouvelle
situation et/ou créer de nouvelles activités. Une conception devient donc un enchaine-

27
 l’ingénierie pédagogique et la réutilisation

ment d’activités de réutilisation, d’adaptation et de création : «je réutilise, j’adapte et

je crée». Chacune de ces tâches peut constituer une problématique de recherche à part
entière :
1. la tâche de réutilisation nécessite des solutions pour l’aide à la réutilisation de
scénarios (cf. Axe 2 ci-avant) qui assistent le concepteur dans la sélection des bons
scénarios à réutiliser et à mettre en place les mécanismes nécessaires pour assu-
rer cette sélection dans le cadre d’une conception par la réutilisation. Les travaux
de thèse actuels portent principalement sur cette tâche précise d’aide (ou d’assis-
tance) à la réutilisation. Cependant, des moyens sont utilisés, depuis les autres
phases, pour pouvoir assurer une telle assistance, notamment les phases d’obser-
vation, d’évaluation et de capitalisation. Dans ce processus présenté dans la Figure
2.2, nous distinguons (avec une couleur foncée) ces étapes sur lesquelles nous fo-
calisons notre étude.
2. la tâche d’adaptation nécessite des recherches sur l’aide à l’adaptation de scéna-
rios (cf. Axe 1 ci-avant) en définissant par exemple des stratégies à adopter pour
une telle adaptation ou des approches de recommandation d’adaptations selon le
contexte ou les résultats du scénario ;
3. la tâche de création nécessite des solutions pour l’aide à la conception de scéna-
rios adaptables et réutilisables (cf. Axe 1 ci-avant) en définissant des approches
de modélisation d’un scénario ayant un format compréhensible et assez flexible. Il
doit être conçu de manière à ce qu’il soit adaptable, qui est l’une des caractéris-
tiques qui favorise sa réutilisabilité. Il est question de tenir compte, dès la création
et la conception du scénario, de ses possibilités de réutilisation. Il s’agit donc d’une
conception pour la réutilisation. On parle à ce niveau d’une approche pré-planifiée
de réutilisation ou on regarde vers l’avenir pour une conception pour la réutilisa-
tion [Walker and Cottrell, 2016]. Plus le scénario est adaptable et flexible, plus il
est réutilisable : il est possible d’adapter ce scénario à plus de situations cibles de
réutilisation.
Outre son degré d’adaptabilité, d’autres caractéristiques du scénario peuvent influencer
sa réutilisabilité tels que son degré d’expressivité, son degré d’abstraction ou l’utilisa-
tion (ou non) de normes et standards. Cette utilisation des normes et standards comme
approche pour favoriser la réutilisation dans les EIAH est traitée plus en détail dans la
section qui suit.

2.4 utilisation des normes et standards comme approche pour favori-

ser la réutilisation dans l’ingénierie pédagogique

Les standards et les normes permettent une meilleure transférabilité d’entités et sont
généralement adoptés et/ou maitrisés par une large communauté ce qui favorise leur
réutilisation. Chacun des standards définis dans le domaine de l’apprentissage traite un
(des) aspect(s) particulier(s), peut agir à un niveau précis dans un processus d’ingénierie
et concerne des entités bien particulières. On peut citer par exemple :
— la formalisation de métadonnées pour objets d’apprentissage LOM [LOM, 2002] ;
— la modélisation des scénarios d’apprentissage : IMS-LD [IMS-LD, 2003] ;
— le séquencement, le packaging et le partage de contenu : SCORM [SCORM, 2004] ;
— la mutualisation d’objets pédagogiques : CORDRA [CORDRA, 2004] ;

28
 l’ingénierie pédagogique et la réutilisation

— la modélisation des profils de l’apprenant : IMS-LIP [IMS-LIP, 2008] ;

— la collecte des données sur les personnes et les activités lors des expériences d’appren-
tissage : TIN-CAN [ExperienceAPI, 2010] ;
— la formalisation de métadonnées pour les ressources d’apprentissage : MLR [ISO,
2011], etc.
Utiliser un standard par un environnement le rend plus interopérable et donc plus réuti-
lisable. Par exemple, plusieurs éditeurs de conception pédagogiques sont compatibles
avec IMS-LD [Dalziel, 2003; RELOAD, 2004], la plupart des plateformes d’apprentis-
sage (e.g., Moodle, Dokeos, Claroline) supportent le SCORM et divers outils utilisent
TIN-CAN.
Dans cette même perspective, notre approche tend vers une mutualisation de stan-
dards de l’apprentissage, à travers leur utilisation dans le processus d’ingénierie, et ce,
dans un but de favorisation de la réutilisation de scénarios. Ceci permettra d’exploiter
les différentes initiatives déjà mises en place et validées par une large communauté de
chercheurs. Nous présentons brièvement dans ce qui suit les trois standards LOM, MLR
et IMS-LIP qui nous seront utiles lors de la définition de nos propositions et qui peuvent
particulièrement caractériser le contexte d’un scénario.

2.4.1 LOM (Learning Object Metadata)

Le LOM [LOM, 2002] est un standard définissant un schéma de métadonnées pour

la description d’objets pédagogiques 5 . Ce standard d’indexation d’objets pédagogiques,
largement répandu dans la communauté EIAH, a pour objectif le catalogage et la réuti-
lisation de ces objets. Différentes initiatives ont émané de ce standard constituant des
profils d’application 6 adaptés à une communauté bien particulière tels que le LOM-
FR (profil français 7 ), le UK LOM Core (profil du Royaume-Uni 8 ), Normetic 1.2 (profil
québécois 9 ), CanCore (profil québécois 10 ), etc. .
Le Tableau 2.4 énonce un extrait des métadonnées définies dans le LOM-FR. Il permet
l’indexation de ces objets en vue de leur catalogage et leur réutilisation. Le LOM suit un
paradigme "documentaliste" fondé sur l’indexation et l’agrégation d’objets d’apprentis-
sage [Pernin and Lejeune, 2004a]. Il permet de faciliter la réutilisation en spécifiant les
objets et en aidant à sélectionner les objets pédagogiques adaptés.

5. Un objet pédagogique est défini comme toute entité, numérique ou non, qui peut être utilisée pour
l’enseignement ou l’apprentissage [LOM, 2002]
6. une collection structurée de spécifications d’éléments de données choisies pour répondre aux besoins
particuliers d’une communauté ou d’un ensemble de communautés
7. [Link]
8. [Link]
9. [Link]
pour-learning-objects-metadata
10. [Link]

29
 l’ingénierie pédagogique et la réutilisation

Table 2.4. – Extrait des métadonnées du LOM [2002]

Le LOM a été utilisé par plusieurs communautés de partage de contenus éducatifs

(e.g., ARIADNE, COLIS, EduSource, MERLOT) et a fait l’objet de plusieurs travaux
qui ont utilisé et étendu ce standard pour définir des approches d’indexation d’objets
d’apprentissage [Ghebghoub et al., 2008]. Ce standard LOM a montré des limites dans la
définition même des objets d’apprentissage et en termes d’utilisabilité des descripteurs
de nature pédagogique dans des contextes effectifs d’indexation ou de recherche [Pernin
and Lejeune, 2004a]. Il a fait l’objet de critiques surtout sur sa capacité à supporter
la description de différentes situations pédagogiques et sur sa capacité à s’adapter au
contexte, à la syntaxe et la sémantique des concepteurs pédagogiques [Drira, 2010], ce
qui le rend non suffisant et nécessitant des extensions pour l’indexation de scénarios
d’apprentissage.

2.4.2 ISO-MLR (Metadata for Learning Resources)

La norme ISO MLR [ISO, 2011] a comme but de spécifier les éléments de métadonnées
et attributs pour la description des ressources d’apprentissage. Ce standard se base sur
le LOM. Des profils d’application ont été mis en place tels que le profil Normetic 2.0
(profil québécois [Gauthier, 2011]). Paquette and Léonard [2014] ont proposé un modèle
ontologique d’un scénario d’apprentissage utilisant ce vocabulaire du MLR. Dans ce
même contexte, l’outil PALOMA a été également implémenté qui est un gestionnaire
de banques de ressources pédagogiques permettant l’interopérabilité entre différentes
banques conformes au LOM et supportant les profils SCORM, CanCore et Normetic.

30
 l’ingénierie pédagogique et la réutilisation

La Figure 2.3 montre un extrait des métadonnées proposées dans ce profil Normetic
2.0 du MLR.

Figure 2.3. – Extrait des métadonnées du profil Normetic 2.0 du MLR [Gauthier, 2011]

2.4.3 IMS-LIP (IMS Learner Information Package )

IMS-LIP [IMS-LIP, 2008] est une spécification d’une collection d’informations carac-
térisant un apprenant. Elle propose un modèle de l’apprenant. Le package IMS-LIP est
présenté sous la forme de catégories qui sont montrées dans la Figure 2.4.

31
 l’ingénierie pédagogique et la réutilisation

Figure 2.4. – Structures des données d’un package IMS-LIP [IMS-LIP, 2008]

Selon sa spécification, IMS-LIP vise l’interopérabilité entre les systèmes d’information

d’apprenants basé-internet. Il permet le partage et l’échange d’informations d’appre-
nants entre les plateformes d’apprentissage ce qui favorise sa réutilisation d’un environ-
nement à un autre.

2.5 synthèse et positionnement

La réutilisation de scénarios d’apprentissage est devenue une pratique importante de-

puis l’apparition et l’évolution des bases de scénarios, et ce, afin de faciliter la tâche de
conception à partir de l’existant et d’exploiter des travaux ayant déjà fait leurs preuves.
La réutilisation, vue d’une perspective plus large, est un sujet de recherche qui s’est
imposé depuis plusieurs années dans le domaine des EIAH ainsi que dans d’autres do-
maines tels que le Génie Logiciel ou les Systèmes d’Information. Ainsi, les enseignants
ont besoin de partager leurs pratiques et d’avoir des pratiques pédagogiques de réfé-
rence à analyser et à partir desquelles construire leurs propres pratiques. Il existe donc
un besoin de réutilisation de ces pratiques pédagogiques, pouvant être formalisées sous
forme de scénarios d’apprentissage ainsi qu’un besoin de méthodes et techniques pour
assister et favoriser cette réutilisation.
Plusieurs travaux de la littérature se sont intéressés à la problématique de l’amélio-
ration de la réutilisation d’entités d’apprentissage y compris les objets, ressources et
scénarios d’apprentissage. Suite à une étude de ces travaux, nous avons distingué deux
grands axes d’approches de réutilisation : (1) les approches centrées sur l’adaptation
des entités pédagogiques (e.g., De Moura Filho [2007]; Tetchueng et al. [2008]; Emin-
Martinez [2010]; Clayer et al. [2013]) et (2) les approches centrées sur la sélection des
entités pédagogiques (e.g., LOM [2002]; Villiot-Leclercq [2007]; Paquette and Léonard
[2014]). Des travaux ont traité les deux axes (e.g. Hernández-Leo et al. [2006]; Jovanovic
et al. [2009]).
Nous positionnons nos travaux dans le deuxième axe de recherche en définissant des
méthodes, processus et outils pour la sélection de scénarios d’apprentissage dans le

32
 l’ingénierie pédagogique et la réutilisation

cadre d’une conception par la réutilisation. Le but est d’aider l’enseignant-concepteur à

sélectionner les scénarios les plus appropriés à son contexte et d’assister leur indexation.
En étudiant différents travaux de la littérature, nous constatons que beaucoup d’ef-
forts ont été fournis pour la définition de formalismes de scénarios pouvant être adaptés
et réutilisés dans d’autres contextes, mais peu sont ceux qui définissent les méthodes et
processus complets pour la sélection des scénarios allant de la capitalisation, l’analyse,
la recommandation jusqu’à l’assistance à la réutilisation. Des travaux ont proposé des
schémas de métadonnées pour les objets/ressources d’apprentissage (e.g., [LOM, 2002;
ISO, 2011]) ou pour les scénarios d’apprentissage qui sont assez riches (e.g., [Paquette
and Léonard, 2014]) afin de faciliter leur indexation et leur réutilisation mais sans pour
autant définir des méthodes guidant cette réutilisation (particulièrement pour le cas des
scénarios) tels que les algorithmes de repérage des scénarios adaptés, les méthodes et
les outils pour la mise en place d’une telle indexation ou les outils pour cela. C’est ce qui
nous amène à l’idée de définir dans nos travaux un cadre global supportant un proces-
sus d’assistance à la réutilisation et la capitalisation d’un scénario d’apprentissage qui
guide l’enseignant-concepteur dans l’indexation, la sélection et la réutilisation du scé-
nario tout en définissant les formalismes et modèles à utiliser tout au long du processus.
Ce processus a comme spécificité de baser cette indexation sur une analyse détaillée
et instrumentée d’expériences réelles d’apprentissage se déroulant dans des contextes
différents.
Les standards et normes de l’apprentissage tels que le LOM, TIN-CAN ou SCORM
sont également considérés comme des moyens de favorisation de la réutilisation, étant
donné qu’ils sont utilisés et adoptés par une large communauté de pratique. L’utilisation
de standards/normes permet une meilleure interopérabilité entre les entités ou compo-
sants ce qui augmente le potentiel de leur réutilisation. Nous pensons alors qu’il serait
judicieux de baser notre approche sur de tels standards comme nous sommes dans une
optique favorisant le partage et la réutilisation.
L’adoption d’une approche de conception par la réutilisation implique des variabi-
lités du contexte d’usage d’une situation d’apprentissage source à une situation cible
de réutilisation. Nous pensons que ces variabilités contextuelles devraient être gérées
pour assurer une meilleure réutilisation principalement à travers : (1) la construction
d’un périmètre de réutilisation pour le scénario de la situation d’apprentissage source et (2)
l’estimation a priori de la pertinence de réutilisation du scénario à réutiliser (ou son degré de
réutilisabilité) dans une situation d’apprentissage cible. Il devient donc important d’insister
sur la dimension du contexte lors de la conception de scénarios d’apprentissage. Une
étude de la notion de contexte et de son utilisation dans une ingénierie pédagogique
fera l’objet du chapitre suivant.

33
L E C O N T E X T E D A N S L’ I N G É N I E R I E P É D A G O G I Q U E
3
Dans ce chapitre, nous étudions la notion de contexte dans les travaux en ingénierie
pédagogique. Nous commençons d’abord par explorer les définitions de contexte pro-
posées dans des travaux de la littérature et puis présenter notre définition du contexte
adoptée dans nos travaux (cf. Section 3.1). Par la suite, nous abordons les différentes
dimensions, classifications et modélisations du contexte identifiées dans la littérature
(cf. Section 3.2) qui nous serviront d’abord à la détermination des verrous scientifiques
et qui seront aussi utilisées comme bases pour la définition de nos contributions. Nous
étudions ensuite les liens entre la contextualisation et la réutilisation (cf. Section 3.3)
pour le cas des scénarios d’apprentissage.

3.1 le contexte d’un scénario d’apprentissage

Pour mieux comprendre la notion de contexte, nous identifions quelques définitions

liées à ce terme qui sont vues de différents angles. Dans l’informatique contextuelle en
général (ou «context-aware computing», en anglais), le contexte a été défini par Dey
[2001] comme « toute information pouvant être utilisée pour caractériser la situation d’une
entité». Une entité, selon ces mêmes travaux, peut être une personne, un lieu ou un
objet considéré comme pertinent à l’interaction entre un utilisateur et une application,
incluant l’utilisateur et l’application eux-mêmes. Dans le domaine de l’apprentissage,
Lefevre et al. [2011] ont défini le terme de contexte d’utilisation comme « un ensemble
d’informations permettant de caractériser la situation dans laquelle se trouve un appre-
nant lorsqu’il effectue la séance de travail ». Berns and Erickson [2001] quant à eux ont
évoqué la notion de «Contextualized Teaching and Learning» (CTL ), ou l’enseignement
et l’apprentissage contextualisés, comme étant une conception de l’apprentissage et de
l’enseignement aidant l’enseignant à relier le contenu de la matière à des situations du
monde réel. D’autres travaux définissent le contexte comme « un ensemble de contraintes
qui influencent le comportement d’un système embarqué dans une tâche donnée » [Bazire and
Brézillon, 2005].
Sur la base de ces définitions, nous proposons notre définition du contexte d’un
scénario d’apprentissage qui est :
« L’ensemble des caractéristiques et des contraintes de l’environnement (in-
cluant l’organisation, les acteurs, le système et l’activité) pouvant influencer, directe-
ment ou indirectement, le déroulement du scénario d’apprentissage et susceptibles
de varier d’une situation d’apprentissage à une autre ».
Nous considérons qu’une situation d’apprentissage effective est la mise en oeuvre d’un
scénario dans un contexte donné. Une situation d’apprentissage effective comprend
alors un enchainement d’activités affectées à des rôles (le scénario) et immérgées dans
un contexte (cf. Figure 3.1 ).

34
 le contexte dans l’ingénierie pédagogique

Figure 3.1. – Une situation d’apprentissage

3.2 dimensions, classifications et modélisations contextuelles

Afin d’identifier les dimensions, propriétés et facettes du contexte d’un scénario d’ap-
prentissage, nous commençons par étudier les approches de modélisation des scénarios
d’apprentissage, objets centraux de notre étude, tout en explicitant leur prise en compte
de la dimension contextuelle (cf. Section 3.2.1). Par la suite, nous explorons des travaux
qui se sont focalisés sur la notion de contexte relative aux environnements informati-
sés en général et puis relative aux environnements d’apprentissage (cf. Section 3.2.2).
Enfin, nous étudions certaines bases de scénarios existantes et leurs dimensions contex-
tuelles. Cette étude constituera plus tard (dans le Chapitre 7) une base à la mise en
place et l’identification des principes à adopter pour notre approche de modélisation du
contexte d’un scénario d’apprentissage.

3.2.1 Les approches de modélisation de scénarios d’apprentissage et leur prise en compte de la

dimension contextuelle

Lors de la conception des scénarios d’apprentissage, il est important d’adopter une

approche de modélisation et de formalisation des scénarios qui facilite la tâche de
l’enseignant-concepteur. On trouve les approche de formalisation des scénarios par les
langages de modélisation pédagogique ou les EML (Educational Modeling Language),
les approches de conception basées sur l’IDM (Ingénierie Dirigée par les Modèles) et
celles basées sur le web sémantique. En étudiant ces travaux, nous prêtons une attention
particulière à la considération des éléments contextuels par ces approches.

[Link] L’approche de conception de scénario par les langages de modélisation pédagogique EML
Les travaux de Koper [2001], ayant entrepris le courant des langages de modélisa-
tion d’apprentissage ou ce qu’on appelle les EML, a affirmé qu’il est nécessaire de pas-
ser d’une conception de l’enseignement vers une conception de l’apprentissage et que,
contrairement au courant documentaliste, les activités sont au centre du dispositif d’ap-
prentissage plutôt que les objets d’apprentissage. Dans ce cadre, cet auteur a proposé
ainsi de décrire les situations effectives d’apprentissage à l’aide de ces langages de mo-
délisation pédagogique qui placerait les situations d’apprentissage et non les ressources
au centre du processus. Les EML permettent aux enseignants concepteurs de modéliser
le déroulement des situations d’apprentissage à travers la définition des activités et leur
enchaînement. L’objectif de ces langages est de « proposer un formalisme computationnel,
indépendant de toute implémentation technique, permettant la description de l’orchestration de
situations d’apprentissage mettant en jeu les technologies numériques » [Emin et al., 2011].

35
 le contexte dans l’ingénierie pédagogique

Koper [2001] a défini dans ce sens un modèle EML reposant essentiellement sur le
principe de structurer les situations d’apprentissage en «Unités d’études» (ou «Units of
Study» en anglais) pouvant représenter un cours, une leçon, un travail pratique, une
étude de cas, etc. Une unité d’étude peut être reliée à des objectifs pédagogiques, peut
être assurée à distance, en présentiel ou mixte et peut reposer sur tout type de supports.
Les EML (Educational Modelling Language) offrent des formalismes et des notations
permettant aux concepteurs de créer des modèles visuels de leurs conceptions de scéna-
rios. Le principal avantage de ces modélisations visuelles, d’après Derntl and Hummel
[2005], est la réduction de la complexité du processus de conception et la création d’un
moyen de communication et de documentation.
Un EML est «un modèle d’information et un binding sémantiques, décrivant le contenu et
le processus au sein d’une unité d’apprentissage d’un point de vue pédagogique afin de soute-
nir la réutilisation et l’interopérabilité»[Rawlings et al., 2002]. À la base, dès les premières
définitions des EML, ces derniers visaient la réutilisabilité et l’interopérabilité des scé-
narios. À noter que l’interopérabilité est le fait que des composants logiciels qui sont
développés indépendamment peuvent échanger l’information et peuvent donc être uti-
lisés ensemble [Duval, 2004]. L’interopérabilité favorise et facilite ainsi la réutilisation
particulièrement de point de vue technique puisqu’elle permet à plus de composants
de fonctionner ensemble, et donc la réutilisation est plus faisable.

Figure 3.2. – Vue simplifiée du modèle EML [Pernin, 2003]

La figure 3.2 montre une vue simplifiée du modèle EML. Dans ce modèle, l’environne-
ment est séparé des notions d’activité et d’acteur. Un scénario est vu comme une unité
d’étude qui est composée d’un ensemble d’activités effectuées par un ensemble de rôles
(occupés par des acteurs) dans un environnement donné. L’environnement, qui repré-
sente en quelque sorte le contexte du scénario, est composé d’un ensemble d’objets. Il
peut s’agir de ressources pédagogiques ou d’outils et services nécessaires à l’apprentis-
sage.
Dans cet axe, des EML sont apparus, depuis les années 2000, tels que les langages
IMS-LD [IMS-LD, 2003], LDL [Martel et al., 2006], POEML [Caeiro et al., 2007] et PALO
[Rodríguez-Artacho and Maíllo, 2004]. Ils représentent des exemples de languages de
modélisation de scénarios d’apprentissage.

36
 le contexte dans l’ingénierie pédagogique

Afin d’étudier les composants/caractéristiques de ces types de scénarios d’apprentis-

sage utiles à la compréhension des connaissances contextuelles associées aux scénarios,
nous explorons brièvement quelques langages.

le langage ims-ld (ims-learning design)

La spécification IMS-LD [IMS-LD, 2003] est un EML qui permet de définir formel-
lement une unité d’apprentissage UoL (cours, module, séance, etc.). Le principe de ce
langage est qu’il utilise la logique et le lexique théâtral pour formaliser les différents
éléments qui le composent. Dans son modèle conceptuel [IMS-LD, 2003], cet EML consi-
dère qu’une méthode décrivant une unité d’apprentissage, conçue selon des objectifs
et préalables, peut être décomposée en un ou plusieurs cheminements. Ces derniers
sont composés d’actes eux même composés de partitions. L’élément central du pro-
cessus de conception pédagogique est l’activité effectuée par des rôles (apprenants et
facilitateur) et utilisant un environnement. Un environnement est décomposé en sous-
environnements, et est une agrégation de productions, d’objets d’apprentissage et de
services (tels que le chat ou les forums de discussion asynchrone) .
IMS-LD tient compte de la modélisation par niveau, permettant de définir : (niveau
A) des scénarios prescriptifs à savoir les rôles, activités, environnements et services qui
sont les éléments de base de l’unité d’apprentissage, (niveau B) des scénarios de per-
sonnalisation de l’apprentissage rajoutant les propriétés, les conditions et les règles qui
agissent sur l’ensemble et (niveau C) des scénarios dynamiques à travers les notifications
permettant l’orchestration.
Plusieurs travaux se sont intéressés à ce langage de modélisation IMS-LD, qui est
devenu un standard de la conception pédagogique. Des travaux ont proposé et implé-
menté des outils auteurs pour la modélisation de ce type de scénarios. Parmi les ini-
tiatives d’implémentation de IMS-LD, on trouve l’outil LAMS [Dalziel, 2003], un outil
graphique pour la conception, la gestion et la diffusion en ligne d’activités collaboratives
d’apprentissage séquentielles et l’éditeur RELOAD (Reusable ELearning Object Autho-
ring & Delivery) [RELOAD, 2004] permettant de créer les packages IMS-LD à l’aide de
formulaires et les importer.

le langage de modélisation pédagogique ldl

Le langage LDL (Learning Design Language) [Martel et al., 2006] vient répondre à
certaines lacunes des langages de modélisation pédagogiques et notamment IMS-LD en
rajoutant l’aspect collaboratif aux activités des scénarios. Le méta-modèle du langage
LDL [Martel et al., 2006] se centre principalement sur les notions d’interaction décrivant
l’action et les informations associées, d’enceinte (ou Arena, en anglais) qui est l’environne-
ment ou lieux dans lequel l’interaction se déroule et dans laquelle les différents acteurs
(associés à des rôles) peuvent interagir, de positions individuelles et collectives prises
par les acteurs lors des échanges au cours de la progression de l’activité pour exprimer
les réactions et la perception et de règles définissant les règles de l’activité et testant les
différentes positions.

langage de modélisation pédagogique orienté perspectives poeml

Comme pour le cas du langage LDL, le langage PoEML [Caeiro et al., 2007]
(Perspective-oriented EML) a été conçu pour la formalisation des scénarios pédago-
giques dans le domaine collaboratif. Le défi de ce langage est de renforcer les aspects

37
 le contexte dans l’ingénierie pédagogique

d’orchestration et d’automatisation d’un scénario complexe intégrant des questions de

type QCM au format IMS-QTI (IMS Question Test Interoperability) et utilisant un outil
de simulation « TPElec » [Guéraud, 2005].
Le méta-modèle du langage PoEML [Caeiro-Rodrıguez et al., 2007] montre qu’un scé-
nario est composé d’activités variées qui sont sollicitées par des acteurs. Des transitions
entre les activités sont définies et des traces tel que le résultat de chaque activité, sont
exploitées. Quant à l’environnement du scénario, ce langage le considère comme un
ensemble de sous-environnements imbriqués et une agrégation d’éléments de données
et d’outils.

le langage de modélisation pédagogique palo

Pour le langage PALO [Rodríguez-Artacho and Maíllo, 2004], les scénarios sont struc-
turés en modules. Un module est caractérisé par une structure et les activités à réaliser.
Le principe de ce langage est la définition de séquences en spécifiant des points de syn-
chronisation et des dépendances de type prérequis entre les différents modules et tâches.
La modélisation préconise l’utilisation de la notion de gabarits appelés « instructionnal
template ».
Pour la définition de ses éléments, le langage PALO utilise une logique multicouches
comme suit [Rodríguez-Artacho and Maíllo, 2004] :
— couche management (management layer) : interopérabilité entre les plateformes
d’apprentissage ou LMS ;
— couche séquencement (sequencing layer) : planification, prérequis et dépendances ;
— couche structure (structure layer) : modèle de navigation et table de matières ;
— couche activité (activity layer) : activité, communauté, rôles, ressources et outils ;
— couche contenu (content layer) : contenu d’apprentissage, objets d’apprentissage
et modélisation des connaissances éducatives basée sur les ontologies.
Les travaux sur ce langage n’évoquent pas, explicitement, la dimension contextuelle (ou
d’environnement) dans la représentation du scénario.

langage de modélisation par objets typés mot

Le langage MOT [Paquette, 2002] est un langage de modélisation pédagogique déve-
loppé par le Centre de recherche LICEF de la Téléuniversité. Une implémentation de la
modélisation graphique du langage MOT est fournie (TELOS/GMOT). Les scénarios TE-
LOS sont vus comme des agrégateurs de ressources, exprimés formellement et pouvant
être exécutés. GMOT est l’éditeur intégrant le modèle TELOS et permettant ainsi de mo-
déliser d’une manière graphique le cheminement des activités, les acteurs, les ressources
puis les conditions d’exécution. Le méta-modèle MOT [Paquette et al., 2006] distingue
trois principales classes : Concepts (classes d’objets, types de documents, catégories d’ou-
tils ou classes d’événements), procédures (opérations génériques, catégories de tâches,
activités, instructions ou scénarios) et principes (propriétés d’objets, contraintes sur les
procédures, relations cause/effet, théories, etc.).
Le vocabulaire graphique MOT+LD est conçu pour le cas spécifique du learning de-
sign produisant des unités d’apprentissage conforme à IMS-LD. Ce vocabulaire aborde
la notion d’environnement considéré comme une composition d’autres environnements
récursifs ou d’autres types de ressources, d’objets d’apprentissage, de résultats et / ou
de services.

38
 le contexte dans l’ingénierie pédagogique

[Link] L’approche de conception de scénarios basée sur l’Ingénierie Dirigée par les Modèles
IDM
Outre ces travaux proposant de formaliser les scénarios à travers des langages de
modélisation ayant le caractère formel, des travaux se sont orientés vers l’Ingénierie
Dirigée par les Modèles – IDM («Model Driven Engineering – MDE», en anglais), pour
aider l’enseignant à concevoir ses scénarios. Il s’agit d’une approche qui met les modèles
au centre du processus de conception
L’IDM est une approche d’ingénierie logicielle qui est fondée sur la notion de modèles
et méta-modèles. Elle offre des méthodes de définition de modèles à travers la méta-
modélisation, des mécanismes de transformation et de retranscription entre les modèles
ainsi que les règles associées. Cette approche a été adoptée notamment dans des travaux
en EIAH pour la modélisation des scénarios d’apprentissage.
Deux axes de travaux ont émergé de cette approche :
1. ceux adoptant des approches de modélisation spécifiques DSM (Domain Specific
Modeling) qui leur sont propres :
une approche DSM favorise une modélisation spécifique au domaine. C’est une
approche qui s’inscrit dans le cadre d’une ingénierie dirigée par les modèles
obéissant ainsi à ses principes. Dans cet axe nous pouvons citer les travaux de
De Moura Filho [2007] proposant l’environnement MDEduc permettant d’expri-
mer un scénario pédagogique, vu comme un ensemble d’événements d’apprentis-
sage, et ce, en se basant sur trois modèles : le modèle de connaissances, le modèle
pédagogique et le modèle médiatique. On peut également citer les travaux de
Clayer et al. [2013] un cadre conceptuel pour la définition de patrons de scénarios
selon une approche DSM ;
2. ceux adoptant des notations génériques comme UML :
tels que les travaux de Laforcade [2005] définissant le langage CPM-Cooperative
et le PBL Metamodel basé sur un langage graphique. Ce langage se situe dans le
cadre de modélisation de situations problèmes coopératives, en insistant sur les as-
pects pédagogiques et sociaux. Il utilise les notions de stéréotype et de profil pour
la définition de modèles en UML. Dans ce même axe, on trouve les diagrammes
de type PCel (Person-Centered e-Learning) [Derntl and Hummel, 2005] prenant la
forme de patrons de scénarios d’apprentissage.

[Link] L’approche de conception de scénarios basée sur le web sémantique

Nous évoquons également les travaux ayant adopté des approches à base de web
sémantique et défini des ontologies pour la modélisation de scénarios pédagogiques
tels que les travaux de Amorim et al. [2006], de Tetchueng et al. [2008] et de Paquette
and Léonard [2014]. D’une manière générale, en employant les technologies du web
sémantique, l’espace de connaissances des modèles de domaine peut être représenté
par l’utilisation des ontologies de domaine [Kravcik and Gasevic, 2006]. Ces ontologies
peuvent être utilisées pour formaliser, au niveau des connaissances, différents modèles
requis dans les systèmes d’apprentissage [Tetchueng et al., 2008] : modèles de l’appre-
nant et de l’enseignant, modèles de domaine, modèles de cadre, modèles de scénarios,
modèles pédagogiques et/ou didactiques, modèles d’adaptation et des règles, etc.

39
 le contexte dans l’ingénierie pédagogique

[Link] Synthèse sur la prise en compte de la dimension contextuelle par les approches de concep-
tion de scénarios
Le Tableau 3.1 résume, pour chacun de ces travaux abordés, l’approche de modélisa-
tion qu’ils ont adoptée et comment ils expriment la dimension contextuelle.

Travaux Approche Prise en compte de la dimension

contextuelle
IMS-LD [IMS-LD, 2003] EML Environnement (environment) : services
(chat, forum, messagerie), objets
d’apprentissage (titre, item, métadonnée) et
productions
LDL [Martel et al., 2006] EML Enceinte (arena) : le/les lieu(x) de l’activité
POEML [Caeiro et al., EML Environnement : sous-environnements,
2007] outils (applications and services) et
éléments de données
PALO EML Non explicitée
[Rodríguez-Artacho and
Maíllo, 2004]
MOT [Paquette, 2002] EML Environnement : sous-environnements,
ressources, objets d’apprentissage, résultats
et services
Environnement MDEduc IDM - DSM Contexte du langage du scénario, contexte
[De Moura Filho, 2007] du concepteur et contexte de l’élève
langage IDM - UML Non explicitée
CPM-Cooperative
PBL Metamodel
[Laforcade, 2005]
PCel (Person-Centered IDM - UML Contexte physique tel que les ouvrages,
e-Learning) [Derntl and Contexte digital tel que les e-papers,
Hummel, 2005] Contexte du dispositif,
Contexte de l’apprenant tel que les
informations contextuelles,
Contexte du monde tel que la localisation
Ontologie d’un scénario Web sémantique Unité de formation, niveau de granularité,
d’apprentissage[Paquette et ontologies relation avec d’autres scénarios
and Léonard, 2014]
[Tetchueng et al., 2008] Web sémantique Environnement didactique : type de la
et ontologies classe, outils CITT (chat, email, forum, etc.),
liste d’instruments techniques et
enseignement présentiel ou à distance.
Table 3.1. – Éléments du contexte modélisé dans les approches de conception de scénarios d’ap-
prentissage

40
 le contexte dans l’ingénierie pédagogique

3.2.2 Les travaux sur la modélisation contextuelle

Dans cette section, nous nous intéressons particulièrement aux travaux se focalisant
sur la dimension du contexte. Nous commençons d’abord par étudier les travaux de
modélisation de contexte hors EIAH et par la suite nous explorons ceux définis dans
le cadre des EIAH et de l’ingénierie pédagogique en traitant finement leurs visions,
classifications et utilisations du contexte.

[Link] Les travaux de modélisation de contexte hors EIAH

les travaux de Bradley and Dunlop [2005]
Ces travaux se sont intéressés aux environnements informatiques contextualisés. Ils
proposent un modèle de contexte multidisciplinaire pour supporter le «context-aware
computing». La Figure 3.3 illustre le modèle proposé.

Figure 3.3. – Modèle détaillé du contexte [Bradley and Dunlop, 2005]

41
 le contexte dans l’ingénierie pédagogique

Les couches circulaires représentent tout ce qui est monde contextuel influençant le
processus dans lequel les actions de coordination de l’utilisateur sont entreprises. Ce
travail distingue trois dimensions de contexte :
1. les dimensions communes aux utilisateurs et à l’application :
— contexte de tâche (task context) : la relation fonctionnelle de l’utilisateur et les
autres personnes et objets ;
— contexte physique (physical context) : l’emplacement environnemental y com-
pris le gradient, l’altitude, objets physiques, orientation, etc., l’objectif de ces
objets et le type d’informations transmises ;
— contexte social (social context) : la relation, le flux et le comportement des per-
sonnes environnantes ;
— contexte temporel (temporal context) : basé sur des situations / événements
passés, les événements futurs attendus et le contexte temporel de niveau supé-
rieur se rapportant à l’heure de la journée, de la semaine, du mois, ou de la
saison ;
2. les dimensions relatives au monde de l’utilisateur :
— contexte de l’application (application’s context) : les capacités et les limites de
l’application et des sources dont dérivent les données ;
— contexte cognitif (cognitive context) : les capacités de traitement cognitives de
l’utilisateur, les capacités de mémoire, les aversions et les préférences, les opi-
nions et les croyances, les interprétations culturelles, les capacités de perception,
etc. ;
3. les dimensions relatives au monde de l’application :
— contexte de l’utilisateur (user’s context) : le journal personnel de l’utilisateur,
y compris les activités prévues, les notes et les rappels, la physiologie et les
modèles de suivi du comportement de l’utilisateur.

[Link] Les travaux de modélisation de contexte dans les EIAH

L’étude et la modélisation du contexte dans une ingénierie des EIAH peut avoir dif-
férents objectifs. Le contexte peut être identifié et modélisé pour des fins d’adaptation
ou de personnalisation de l’entité contextualisée ou également pour des fins d’indexa-
tion. Nous présentons dans ce qui suit des travaux en ingénierie pédagogique qui ont
étudié le contexte pour des objectifs bien particuliers. Chacun des travaux s’intéresse
à une entité qui est concernée par le contexte : le scénario, la ressource, le dispositif
d’apprentissage, etc.

les travaux de Tetchueng et al. [2008]

Ces travaux proposent un modèle de scénario adaptatif et "context-aware". Ce modèle
de scénario est basé sur la théorie de l’anthropologie didactique des connaissances de
Chevallard, les pratiques réelles et le savoir-faire de l’enseignant et un modèle de tâche
hiérarchique. Le système d’apprentissage est basé sur 4 modèles différents : un modèle
de scénario, un modèle du domaine, un modèle d’apprenant et un modèle de contexte
traitant les différentes dimensions du scénario.
Ces travaux visent essentiellement à concevoir un scénario générique qui peut trai-
ter la plupart des situations pour les sciences de l’apprentissage en tenant compte des
spécificités du contexte. À partir d’un scénario générique, le système d’apprentissage

42
 le contexte dans l’ingénierie pédagogique

calcule un scénario particulier dédié à l’apprenant actuel et à sa situation d’apprentis-

sage. Ce scénario délivré varie selon les ressources, le domaine, les connaissances et
le savoir-faire de l’apprenant, le modèle pédagogique et/ou didactique, les procédures
d’apprentissage suivant l’établissement (école, institution, université), le type de classes,
le type d’enseignement (face à face ou à distance) et les outils CITT (chat, email, forum,
etc.).
Pour le modèle de contexte, il représente l’environnement didactique. Il est décrit
par le type de la classe dans laquelle les activités vont prendre place, les outils CITT
associés, une liste d’instruments techniques qui sont un sous-ensemble du domaine et
l’enseignement présentiel ou à distance.

les travaux de Drira [2010]

D’après ces travaux, le contexte est une « structure variable et dynamique qui évolue
continuellement ». Ces travaux proposent un Framework conceptuel se focalisant prin-
cipalement sur l’interdépendance entre un système d’apprentissage et son contexte. Ce
travail a considéré que le contexte du système d’apprentissage est un ensemble de règles
contextuelles influençant la conception et l’exécution d’un système TEL (Technology En-
hanced Learning).
Une règle contextuelle peut être : une pratique, une contrainte ou un guide prescrit.
Un contexte peut être vu sur différents niveaux. Par exemple, une institution (univer-
sité, etc.), une sous-unité d’une institution (faculté ou département), un cursus ou un
cours. Chaque niveau impose ses propres règles contextuelles dans les systèmes d’infor-
mation. Ce travail divise le contexte d’un système d’apprentissage en 3 sous-contextes :
le contexte organisationnel, le contexte technique et le contexte de déploiement.

le travail de Emin-Martinez [2010]

Le processus d’élaboration d’un scénario pédagogique, d’après Emin-Martinez [2010],
prend en compte progressivement les différentes contraintes liées au contexte. Cet au-
teur distingue deux types de contexte :
— le contexte de connaissance (curriculum, programme ou référentiel), composé
d’items de différents types : compétences, habiletés, attitudes, etc.
— le contexte situationnel qui définit les rôles des acteurs, les dimensions spatiales,
temporelles ou instrumentales de la situation à mettre en place.
La prise en compte des éléments de contexte est différente à chaque niveau de concep-
tion. Le contexte de connaissance du scénario est principalement pris en compte au ni-
veau intentionnel, alors que le contexte situationnel est considéré lors de la sélection des
situations-types d’interaction correspondant à la solution préconisée au niveau tactique.

les travaux de Paquette and Léonard [2014]

Le contexte d’un scénario est précisé en spécifiant trois éléments : une ou plusieurs
unités de formation, un niveau de granularité et des relations avec d’autres scénarios.
La Figure 3.4 illustre les composantes du contexte d’un scénario selon ces travaux.

43
 le contexte dans l’ingénierie pédagogique

Figure 3.4. – Les composantes du contexte d’un scénario Paquette and Léonard [2014]

les travaux de Lefevre et al. [2011]

Ce travail propose le modèle PERSUA2 qui permet à chaque enseignant de définir
ses stratégies pédagogiques, chacune étant associée à un ou plusieurs contextes d’utilisa-
tion. Les informations permettant de caractériser la situation dans laquelle se trouve un
apprenant portent sur la liste des élèves pour lesquels une personnalisation des séances
est souhaitée, sur leur profil, et sur des caractéristiques plus générales de la séquence
d’activités (nombre d’activités, variation des énoncés, durée de la séance, support de la
séquence).
Ce travail ajoute que le contexte peut contenir les exceptions. Ces exceptions per-
mettent de prendre en compte des difficultés ou des facilités de certains apprenants qui
ne figureraient pas dans le profil utilisé, leurs contraintes d’emploi du temps, etc.

les travaux de Derntl and Hummel [2005]

Ces travaux proposent des méthodes de modélisation de contexte relatives à un scé-
nario d’apprentissage. Ils visent à définir une méthode pour inclure l’information du
contexte dans les diagrammes PCel (Person-Centered e-Learning). Le projet PCel utilise
le langage UML pour modéliser des patrons de scénarios d’apprentissage. Ce projet
fournit des scénarios génériques (ou patrons) pouvant être réutilisés en dehors de leurs
contextes originaux.
Ce travail a identifié et classé les différents éléments du contexte selon les catégories
suivantes :
— contexte du monde (World context) tels que la localisation, la date et le temps ;
— contexte physique (physical context) qui décrit les ressources d’apprentissage et
une liste de personnes (personnes, livres, journaux, équipements d’apprentissage) ;
— contexte digital (digital context) décrit les ressources d’apprentissage digitales dis-
ponibles (e-books, e-papers, services e-learning, e-collaboration. . .) ;
— contexte du dispositif (device context) décrit le matériel, le logiciel et la connecti-
vité du réseau du dispositif utilisé ;

44
 le contexte dans l’ingénierie pédagogique

— contexte de l’information de l’apprenant (learner information context) décrit les

informations personnelles de l’apprenant et les informations relatives à ses tâches.
Afin de modéliser le contexte, ils proposent le CSM (Context Structure Model), illustré
dans la Figure 3.5 qui définit un nombre de classes génériques représentant le contexte.

Figure 3.5. – Structure du modèle de contexte Derntl and Hummel [2005]

La contextualisation consiste à annoter les activités d’apprentissage du LAM (Lear-

ning Activity Model), montrant les activités du cours et son processus de déroulement,
avec des connaissances contextuelles.

[Link] Synthèse sur les travaux de modélisation contextuelle

Le Tableau 3.2 récapitule des travaux sur le contexte (dont certains ont été étudiés
précédemment) et précise pour chacun l’entité concernée par la contextualisation. Le ta-
bleau précise également les dimensions, classifications et éléments du contexte explicités
et pour quelles fins il a été exploité.

45
 le contexte dans l’ingénierie pédagogique

Travaux Entités Dimensions- Fins d’utilisation du

étudiées classifcations-éléments contexte
du contexte
[Tetchueng Scénario d’ap- cf. Tableau 3.1 Générer
et al., 2008] prentissage automatiquement un
scénario particulier à
partir d’un scénario
générique selon le
contexte (et d’autres
facteurs)
[Drira, 2010] Dispositif contexte institutionnel : Améliorer la conception
d’apprentis- contexte organisationnel, de dispositifs
sage contexte technique d’apprentissage en tenant
(plateforme et règles compte du contexte
d’usage) et contexte de institutionnel
déploiement
[Emin- Scénario - le contexte de Élaborer progressivement
Martinez, pédagogique connaissance (curriculum, le scénario en intégrant
2010] programme ou les différentes dimensions
référentiel) : ensemble (ou contraintes) du
d’items de connaissances contexte de la situation
(connaissances, (durée, outils, ressources,
compétences, habiletés, lieux . . .)
attitudes, etc.) ;
- le contexte situationnel :
rôles des acteurs, les
dimensions spatiales,
temporelles ou
instrumentales de la
situation
[Paquette Scénario d’ap- cf. Tableau 3.1 Indexer le scénario
and Léonard, prentissage
2014]
[Malek et al., Environnement - environnement interne : Gérer le contexte et
2006] d’apprentis- modèle de l’utilisateur l’adapter à l’apprenant
sage (e.g. ses compétences, ses dans des applications
mobile centres d’intérêts), l’état mobiles (M-learning)
courant de l’apprenant
durant l’interaction (e.g.
degré de concentration,
état psychologique) ;
- environnement externe :
les éléments physiques,
temporels et matériels.

46
 le contexte dans l’ingénierie pédagogique

[Benlamri Environnement - contexte de l’apprenant Traduire les changements

and Zhang, d’apprentis- (e.g., son language de contexte en
2014] sage préféré, son objectif adaptations
mobile d’apprentissage, les centré-système et
activités qu’il a centré-apprenant pour la
consommé) ; personnalisation
- context de l’activité :
(e.g., les dispositifs
utilisés, sa date de début
et fin) ;
- contexte du dispositif :
(e.g., le profil logiciel, le
profil matériel, langage) ;
- contexte de
l’environnement : (e.g.,
emplacement, réseau
wifi) ;
[Derntl and Patron de cf. Tableau 3.1 Adapter l’activité
Hummel, conception d’apprentissage selon le
2005] d’un scénario contexte
d’apprentis- Adapter le contexte à
sage l’activité
[Lefevre Stratégie - la liste des élèves et Permettre à chaque
et al., 2011] pédagogique leurs profils ; enseignant de définir ses
- caractéristiques de la stratégies pédagogiques
séquence d’activités : en fonction du contexte
nombre d’activités,
variation des énoncés,
durée de la séance,
support de la séquence,
etc. ;
- exceptions
Table 3.2. – Récapitulatif des travaux étudiés sur la modélisation du contexte en EIAH

3.2.3 Étude de bases de scénarios d’apprentissage existantes

Différentes initiatives académiques ou communautaires de partage d’expériences

et pratiques pédagogiques ont émergé mettant en œuvre les différentes approches
et outils de conception et de modélisation d’entités pédagogiques (objets, ressources
ou scénarios). Nous citons les bases découlant des projets BASAR [BASAR, 2012],
CAUSA [CAUSA, 2006], e-LEN [E-LEN, 2002], Pedagogical Patterns [PP, 2007] et IDLD
[Lundgren-Cayrol et al., 2006]. Nous citons également les bases carrefour education ,
profweb , Q4R Teluq et Edu’bases.
Nous commençons par une étude de la base BASAR [BASAR, 2012] mise en place
par l’Agence Universitaire de la Francophonie (AUF) s’intégrant dans notre programme

47
 le contexte dans l’ingénierie pédagogique

de recherche et qui représentera les principaux cas d’usage sur lesquels nous testons
notre approche. Nous sélectionnons par la suite quelques bases, spécialement celles qui
formalisent les pratiques d’apprentissage sous formes de scénarios d’apprentissage, que
nous traitons d’une manière détaillée.

[Link] Conception de scénarios d’apprentissage hybrides de la base BASAR

La banque de scénarios BASAR a pour objectif principal la mise en place et l’ali-
mentation d’une banque de scénarios hybrides destinée aux enseignants des universités
francophones. Les scénarios de cette banque s’inscrivent dans de multiples domaines
scientifiques et concernent les trois niveaux de l’enseignement universitaire : Licence,
Master et Doctorat. Un scénario dans BASAR est décomposé en un ensemble d’activités
où chaque activité est constituée de 4 parties [Laroussi, 2015] :
— les modalités :
— durée d’apprentissage de l’apprenant ;
— la modalité spatiale : elle peut être en présentiel, à distance ou mixte ;
— la modalité temporelle : elle peut être synchrone, asynchrone ou mixte ;
— les modalités collaboratives : elle peut être individuelle, en groupe ou mixte ;
— le type d’activité : C’est une entité qui permet d’indexer et de mutualiser une
activité pédagogique. Le type d’activité est défini par un ensemble de verbes
d’action qui sont utilisés pour formuler des résultats d’apprentissage, des at-
tentes et même des indicateurs de performance. Des verbes tels que coopérer,
produire, s’évaluer et organiser peuvent servir à formuler des objectifs. Le type
d’activité utilise la norme LOM-FR ;
— l’objectif pédagogique de l’activité : un scénario pédagogique est une suite d’acti-
vités, chaque activité a un objectif pédagogique opérationnel ;
— l’activité pour l’apprenant est constituée de 3 entités :
— les consignes pour l’apprenant ;
— le matériel pédagogique que l’apprenant va utiliser pendant le déroulement de
l’activité ;
— les informations et autres ressources complémentaires à l’activité de l’appre-
nant.
— l’activité pour le formateur : elle se décline également en 3 entités :
— les consignes pour le formateur ;
— le matériel pédagogique utilisé par le formateur pendant l’activité ;
— des informations et autres ressources complémentaires pour le formateur.
Pour stocker les scénarios, plusieurs formats de sortie sont possibles : un format Web,
un format ODT et un format IMSCC/SCORM. Ce dernier est un format interopérable
et interchangeable que nous pouvons intégrer à la plupart des plateformes d’apprentis-
sage.
Nous modélisons la structure d’un scénario dans BASAR sous la forme d’un méta-
modèle illustré dans la Figure 3.6. En tenant compte de notre définition du contexte
présentée au début de ce chapitre (cf. Section 3.1), nous distinguons les classes «grisées»
dans ce diagramme que nous considérons comme des parties du contexte.

48
 le contexte dans l’ingénierie pédagogique

Figure 3.6. – Méta-modèle d’un scénario BASAR

Les scénarios de la base BASAR peuvent être consultés sur le site du

projet sur le lien «[Link]
scenarii-hybrides-concus2».

[Link] Bases de scénarios d’apprentissage dans d’autres projets de recherche

Nous exposons dans cette partie quelques bases/référentiels de scénarios d’appren-
tissage qui sont : Le référentiel IDLD, la base de scénario du projet PP et le référentiel
E-LEN.

le référentiel du projet idld

IDLD (Implementation and Deployment of the Learning Design specification)
[Lundgren-Cayrol et al., 2006] offre un référentiel de scénarios pédagogiques soutenant
la réutilisation. Il s’agit en effet de scénarios modélisés en IMS-LD auxquels sont as-
sociés des métadonnées en LOM. Ils permettent la mise en place d’unités d’apprentis-
sage à travers la définition de rôles, de documents et d’outils. Les scénarios adoptent
l’approche MISA [Paquette, 2002] et sont classés en fonction de différents paramètres
[Villiot-Leclercq, 2007] : le modèle de diffusion, la stratégie pédagogique, le modèle
d’évaluation et le niveau de réutilisabilité.

la base de scénarios du pp project

Comme son nom l’indique, le projet PP (Pedagogical Patterns) [PP, 2007] offre une
base de scénarios représentés sous la forme de patrons de conception. Le principe est de
proposer des bonnes pratiques de l’enseignement en exposant différents éléments néces-
saires en fonction de problèmes récurrents à traiter, de contexte ou autres. La Figure 3.7
montre la structure de tels patrons.

49
 le contexte dans l’ingénierie pédagogique

Figure 3.7. – La structure de patrons de conception des scénarios de la base PP

Des exemples de scénarios sont accessibles sur le web sur le lien «[Link]
[Link]/».

le référentiel du projet e-len

Adoptant une modélisation assez proche du projet Pedagogical Pattern, le projet E-
LEN [2002] propose des scénarios sous forme de patrons de conception, des feuilles de
route et des guides pour différents problèmes d’ordre organisationnel, pédagogique et
technique. Ce projet, impliquant un réseau d’institutions européennes, met en place un
portail collectant des expériences d’apprentissage effectives informées par des centres
e-learning en particulier.
Les différents éléments définissant un scénario sont à peu près les mêmes qu’un scéna-
rio PP (cf. Figure 3.7) rajoutant essentiellement l’élément « catégorie » dont la valeur est
limitée à trois alternatives (pédagogique, organisationnelle ou technique). Des patrons
de type CSCL ont été définis dans le cadre de ce projet et ont alimenté cette base de
scénarios [Baggetun et al., 2004]. Un exemple d’un tel patron peut être consulté sur le
lien [Link]

3.3 la contextualisation et la réutilisation des scénarios d’appren-

tissage

Nous analysons maintenant le lien entre la contextualisation et la réutilisation des scé-

narios d’apprentissage. D’après Pernin and Lejeune [2004b], la contextualisation permet
de déterminer les conditions d’exploitation d’un scénario abstrait dans un contexte en
termes d’acteurs, de planning, de ressources, d’outils et de services, etc. Une description
trop précise du contexte le rend difficilement transférable dans d’autres contextes. À titre
d’exemple, une analyse empirique dans le site Educnet (EducnetSecondaire) présentée
dans [Pernin and Lejeune, 2004b] a montré qu’une bonne partie des scénarios mutuali-
sés, correspondant à des objectifs très précis en termes de contexte, peut difficilement
être réutilisée dans d’autres contextes. De même pour l’exemple extrait de BASAR que
nous avons montré précédemment dans la Section 1.2 du chapitre introductif. La réuti-
lisation de scénarios pédagogiques, selon El-Kechai [2008], impose un formalisme de

50
 le contexte dans l’ingénierie pédagogique

modélisation qui soit suffisamment abstrait pour décrire des situations d’apprentissage
dans différents contextes. Cet auteur énonce que plus ce formalisme est abstrait, plus la
réutilisation est favorisée. Cependant, plus ce formalisme est abstrait, moins les spécifi-
cités d’une situation d’apprentissage sont prises en compte. Nous adoptons cette vision
de séparation du scénario de son contexte dans le but d’exprimer un scénario décontex-
tualisé qui est plus susceptible d’être réutilisé dans d’autres situations d’apprentissage.
Nous ajoutons un autre but à cette séparation du scénario de son contexte qui est le fait
de pouvoir gérer et exploiter ce dernier plus facilement pour des fins d’indexation du
scénario. Cela s’intègre également dans une perspective d’amélioration de la réutilisa-
tion.

3.4 synthèse et positionnement

Les problématiques de conception et de modélisation des scénarios d’apprentissage,

artefacts résultant de l’activité de scénarisation, sont largement traitées dans la littéra-
ture. Dans ce cadre, différentes approches sont proposées dont les langages de modélisa-
tion pédagogique (EML), les approches dirigées par les modèles (IDM) et les approches
utilisant les principes du web sémantique et des ontologies. Ces approches tendent prin-
cipalement à assister et faciliter la tâche de l’enseignant-formateur dans l’expression de
ces pratiques pédagogiques et à lui fournir des méthodes adaptées et des outils utili-
sables permettant de gérer et de visualiser ces pratiques. La mise en place de plusieurs
travaux spécifiant des approches de modélisation pédagogique montre la richesse des
aspects traités dans ces formalismes d’un point de vue pédagogique, stratégique, tech-
nique, ou autres. Cependant, dans les travaux étudiés, nous constatons une prise en
compte (ou une exploitation) plus ou moins importante de la dimension contextuelle (cf.
Tableau 3.1).
Certains EML ont montré quelques limites quant à la favorisation de la réutilisation
des scénarios, entre autres, à cause de leurs difficultés d’adaptation. Kravcik and Ga-
sevic [2006] ont montré par exemple que IMS-LD permet seulement de très simples
adaptations. Ils constatent également que les connaissances procédurales sont encodées
et fixées dans les environnements d’apprentissage, ce qui pose des difficultés aux ensei-
gnants pour les adapter suivant leurs besoins dans les différents contextes d’enseigne-
ment. Nous pensons que des approches permettant de réduire les besoins d’adaptation
peuvent remédier, en partie, à ces limites. Ces approches peuvent fournir les moyens
pour explorer leurs contextes et proposer au concepteur les scénarios mis en œuvre
dans des situations avec des contextes proches du contexte cible de réutilisation. Les
scénarios seront ainsi filtrés avant d’être proposés au concepteur pour la réutilisation ce
qui peut minimiser les besoins d’adaptation.
D’autre part, avec l’évolution et la diversité de ces approches de modélisation de scé-
narios et des formes d’apprentissage liées, différentes bases (académiques ou commu-
nautaires) de partage d’expérience d’apprentissage ont été mises en place. Nous avons
étudié certains de ces référentiels qui nous semblaient les plus proches à notre cadre
de recherche. Nous constatons que ces bases ne gardent pas de traces des résultats
d’exécution d’un scénario dans différentes situations d’apprentissage réelles ou de leurs
contextes effectifs, ce qui pourrait être intéressant pour la délimitation de leur périmètre
de réutilisation. Ceci nous amène à discuter cet axe de recherche portant sur l’obser-
vation des scénarios qui sera étudié de plus près dans le chapitre suivant. Nous nous

51
 le contexte dans l’ingénierie pédagogique

positionnons dans cette perspective en définissant les moyens pour assister l’indexation
des expériences d’apprentissage sur la base de leurs contextes effectifs et sur la base
de critères de réussite et de pertinence du scénario dans de tels contextes. L’indexation
devient un élément essentiel à la capitalisation, ce qui motive notre initiative.
Nous avons également abordé dans ce présent chapitre une étude sur les travaux se
focalisant sur la dimension contextuelle. Nous avons pu dégager différents éléments et
dimensions du contexte pouvant influencer un système informatique contextualisé en
général ou un environnement pédagogique en particulier (cf. Section 3.2.2). Ces travaux
ont fait des propositions de différentes classifications du contexte : contexte institution-
nel, contexte numérique, contexte du dispositif, contexte de connaissance, contexte si-
tuationnel, contexte organisationnel, etc. Dans l’ingénierie pédagogique, chacun des tra-
vaux étudiés (cf. Tableau 3.2) traite des dimensions du contexte d’un point de vue diffé-
rent : certains traitent le contexte comme un environnement didactique [Tetchueng et al.,
2008], d’autres se focalisent sur le contexte institutionnel du scénario [Drira, 2010] ou
sur le contexte physique, digital, du dispositif ou de l’apprenant [Derntl and Hummel,
2005]. Benlamri and Zhang [2014] décomposent par exemple le contexte en contexte de
l’apprenant, contexte de l’activité, contexte du dispositif et contexte de l’environnement.
Le contexte joue également un rôle important dans l’apprentissage par les jeux («game-
based learning», en Anglais) relevant actuellement plusieurs défis relatifs à l’adaptation,
l’adaptativité et l’amélioration de l’apprentissage [Lewandowski et al., 2011; Hwang
et al., 2015]. Le contexte pervasif [Lamrani et al., 2015] est la principale facette contex-
tuelle sur laquelle se focalisent les travaux dans ce domaine.
Nous avons dégagé à travers cette étude la diversité des aspects contextuels pouvant
caractériser différents environnements ou entités d’apprentissage tels que les scénarios,
les stratégies d’apprentissage ou les environnements d’apprentissage mobiles. Plusieurs
interprétations du contexte sont décrites, variant en fonction des niveaux de spécification
de ce contexte. Cependant, nous constatons que les travaux étudiés modélisent chacun
la diversité du contexte sur plusieurs dimensions qui leurs sont propres, et qui sont
identifiées selon le besoin de la communauté cible.
La perception du contexte dépend en effet de l’objectif de son utilisation. Dans la
littérature, la plupart des travaux se focalisent d’abord sur les objectifs d’adaptation
et de personnalisation des environnements/entités d’apprentissage selon leur contexte
[Derntl and Hummel, 2005; Benlamri and Zhang, 2014] et/ou inversement l’adaptation
du contexte à l’activité [Derntl and Hummel, 2005; Malek et al., 2006]. On trouve aussi
les objectifs de définition d’approches de conception et de génération de dispositifs/scé-
narios selon le contexte [Tetchueng et al., 2008; Drira, 2010; Emin-Martinez, 2010; Lefevre
et al., 2011]. Cependant, peu sont ceux qui se centrent sur les objectifs d’indexation et
de capitalisation de scénarios, tel est le cas des travaux de Paquette and Léonard [2014].
D’autre part, nous remarquons que parmi ces travaux évoqués, spécialement ceux trai-
tant le contexte d’un scénario d’apprentissage, il manque ceux qui offrent une solution
complète regroupant la collecte, la modélisation, les transformations et l’exploitation de
cette information contextuelle spécialement pour des fins d’amélioration de la réutilisa-
tion. Il manque à notre avis des modélisations, tenant compte des différentes facettes du
contexte, et des techniques de raisonnement permettant la réutilisation et l’intégration
des scénarios dans des contextes variés.
Nous dégageons par ailleurs des limites dans les travaux étudiés concernant la prise
en considération de la variabilité des formes de contexte selon la phase du cycle de vie

52
 le contexte dans l’ingénierie pédagogique

du scénario dans lequel le contexte est traité : le contexte perçu lors de la phase de
conception du scénario peut être différent que celui perçu lors de la phase d’exécution
réelle du scénario (des valeurs peuvent être ajoutées ou changées). Le format de contexte
peut différer également lors de la phase de capitalisation du scénario. À ce niveau (de
capitalisation), il doit refléter au plus les contraintes et propriétés contextuelles pour
tirer profit de ces informations lors de la phase de réutilisation.
Une autre constatation faite est que les travaux étudiés ne tiennent pas compte de
la réussite et/ou de l’efficacité effectives d’un scénario mis en œuvre dans un contexte
précis. Nous pensons que cette information, analysée de près, pourrait avoir un impact
sur l’estimation de la pertinence de la réutilisation du scénario dans un autre contexte.
L’observation des scénarios par les indicateurs pédagogiques pour déterminer ces cri-
tères de réussite et de pertinence dans un contexte donné peut être une solution à cette
problématique.

53
L’ O B S E R VAT I O N D E S S C É N A R I O S D ’ A P P R E N T I S S A G E
4
Nous étudions maintenant l’axe d’observation de scénarios d’apprentissage relevant
du domaine du Learning analytics et qui représente pour nous le moyen utilisé pour
une amélioration et optimisation de la réutilisation de scénarios. Dans ce chapitre, nous
commençons par présenter les traces d’usage et les indicateurs pédagogiques qui consti-
tuent les éléments de base de l’observation. Nous présentons ensuite les objectifs de
l’observation par les traces et indicateurs proposés dans les travaux de la littérature afin
de nous positionner par rapport à ces derniers.

4.1 traces d’usage et indicateurs pédagogiques

Dans un environnement d’apprentissage informatisé, les traces d’usage sont souvent

exploitées pour des fins d’observation du déroulement d’un processus ou d’une activité
dans le but d’analyser leurs usages. Dans le domaine de la scénarisation pédagogique,
les traces d’usage sont utilisées pour analyser le déroulement des scénarios d’apprentis-
sage lors de leurs mises en œuvre dans des situations réelles. Ces traces, qui peuvent être
collectées sont volumineuses et hétérogènes et peuvent provenir de sources multiples (à
partir des plateformes d’apprentissage LMS par exemple ou tout autre système informa-
tisé). L’analyse de ces traces est donc nécessaire pour qu’elles soient formatées et com-
préhensibles par l’utilisateur. Les indicateurs pédagogiques, un aspect largement étudié
dans la littérature, permettent d’assurer une telle analyse afin de calculer et visualiser
des informations d’une manière claire et structurée. Ces indicateurs sont significatifs
renvoyant un feedback interprété de l’exécution des scénarios d’apprentissage.
Le schéma de la Figure 4.1 résume ce processus de collecte et d’analyse de traces,
qui illustre l’approche classique généralement adoptée par les travaux sur l’analyse de
traces et les indicateurs.

Figure 4.1. – Processus de collecte et analyse de traces

4.1.1 Traces et indicateurs pédagogiques : définitions et taxonomie

Une fois un scénario d’apprentissage conçu, il est mis en œuvre dans une situation
d’apprentissage réelle. Cette exécution génère des traces d’usage (provenant de fichiers
log, bases de données des plateformes d’apprentissage, etc.). Une trace est toute donnée
fournissant de l’information sur une session d’apprentissage. Le processus d’analyse de
ces traces peut être assuré à l’aide des indicateurs pédagogiques. Un indicateur a été
défini comme « une variable qui assiste l’enseignant à accompagner et à suivre l’activité de l’ap-
prenant » [Djouad et al., 2010]. Les travaux de Choquet and Iksal [2007a] insistent sur l’ap-
port pédagogique que doit porter ce type d’indicateurs en les considérant comme «des

54
 l’observation des scénarios d’apprentissage

représentations numériques ou symboliques de ce qui est important et vus comme des données
signifiantes sur le plan pédagogique supportant l’analyse de l’activité d’apprentissage» [Cho-
quet et al., 2009]. Le processus d’analyse des traces amène à abstraire ces dernières
de manière à les utiliser pour mieux comprendre le parcours cognitif et l’activité d’un
apprenant [Choquet, 2007].
Les classes d’indicateurs proposées aux enseignants et tuteurs diffèrent selon les as-
pects à observer. Nous repérons certaines classes d’indicateurs pédagogiques de la litté-
rature que nous montrons dans le Tableau 4.1.

Classe Description Source

d’indicateurs
Indicateurs Décrivent le mode ou la qualité de l’activité [Dimitrakopoulou,
d’analyse du système cognitif considéré, ainsi que les 2004]
d’interaction fonctionnalités et la qualité de l’interaction
entre les différents participants
Indicateurs Mesurent le degré de manipulation d’objets [Elammari and
d’activité pédagogiques pendant le processus Khoukhi, 2010]
d’apprentissage d’un apprenant
Indicateurs de Mesurent le degré des moyens alloués en [Elammari and
motivation qualité suffisante (temps, effort, attention, Khoukhi, 2010]
etc.)
Indicateurs Mesurent le degré de participation de [Elammari and
cognitifs l’apprenant en produisant des réponses ou Khoukhi, 2010]
des solutions à des exercices ou des
questions
Indicateurs de Permettent d’évaluer le niveau de [Gendron, 2010]
collaboration collaboration entre les étudiants et visent à
l’améliorer
Indicateurs de Produisent des informations brutes [Gendron, 2010]
statut ou d’état décrivant les caractéristiques des données
Indicateurs de Mesurent la divergence entre les [Gendron, 2010]
risque caractéristiques des données brutes et les
besoins des utilisateurs
Indicateurs de Mesurent la performance d’une activité, [Gendron, 2010]
performance d’une entreprise ou d’un groupe de travail
Indicateurs de Évaluent les résultats obtenus par rapport à [Gendron, 2010]
résultat l’objectif visé
Indicateurs Évaluent les effets suite à des actions [Gendron, 2010]
d’impact effectuées
Table 4.1. – Taxonomie des indicateurs

A titre d’exemple, un indicateur d’analyse d’interaction a été défini dans [Dimitra-

kopoulou, 2004] comme « une variable généralement calculée ou établie à l’aide de données
observées, témoignant du mode, du processus ou de la qualité de l’interaction ». Pour mieux

55
 l’observation des scénarios d’apprentissage

comprendre la notion d’indicateurs, nous exposons quelques exemples d’indicateurs

d’analyse d’interaction identifiés et définis dans le projet ICALTS (Interaction and Col-
laboration Analysis’ supporting Teachers and Students’ Self-regulation) [Dimitrakopou-
lou, 2004; ICALTS, 2004] :
— indicateur de division de travail (Division of Labor Indicator) : cet indicateur re-
flète la division du travail adoptée par deux personnes agissant sur un ensemble
de ressources ;
— indicateur du niveau d’activité (Activity Level Indicator) : calcule le niveau d’ac-
tivité des groupes. Il évalue la contribution des différents rôles (apprenants et
tuteurs) dans la production de fichiers et de messages ;
— indicateur de la fonction de l’action collaborative (Collaborative Action Function
Indicator) : évalue l’action collaborative à l’aide d’une fonction mathématique ;
— indicateur du pourcentage de participation (Participation Percentage Indicator) :
mesure la participation des agents dans la collaboration, dans tous les types d’ac-
tions ;
— indicateur des interactions (Interactions Indicator) : mesure le nombre d’actions
dans une plage horaire précédente ;
— indicateurs des objets insérés/supprimés (Inserted/Deleted Objects per partici-
pant Indicator), etc.

4.1.2 Formalismes de modélisation des traces et des indicateurs pédagogiques

Beaucoup de travaux ont traité les notions d’indicateurs et des traces. Des travaux
ont centré leurs études sur la proposition des formalismes de représentation des traces
et des indicateurs et la définition des transformations entre les deux aspects tels que
les langages UTL/DCL4UTL [Choquet and Iksal, 2007a; Pham Thi Ngoc, 2011] ou les
systèmes à base de traces [Settouti et al., 2007]. Certains se sont focalisés sur l’identi-
fication et la modélisation des indicateurs sous forme de patrons tels que les patrons
d’indicateurs réutilisables (Reusable Indicator Patterns) [Diagne, 2009], les patrons des
indicateurs de collaboration [Gendron, 2010] ou également le langage UTL, et ce afin de
faciliter leur réutilisation.
Nous présentons dans ce qui suit ces travaux évoqués proposant des approches de
modélisation des traces et indicateurs.

[Link] Les systèmes à Base de Traces (SBT)

Les systèmes à base de traces (SBT) proposés dans le cadre des travaux de Settouti
et al. [2007] définissent un cadre général pour l’exploitation des traces dans les EIAH.
Dans ce type de systèmes, la trace peut être un historique de l’usage de l’environnement
ou toute autre production ou objet provenant de l’activité dans la machine. Une trace
modélisée, notée «M-trace», fait l’objet d’un modèle de traces et l’ensemble d’instances
de ce modèle, vue comme des séquences temporelles d’observées. Chaque indicateur
est relié à un modèle de traces nécessaires à son calcul.
Les SBT appliquent une approche par modèles (approche IDM). Le processus d’ob-
servation passe par un ensemble de transformations de modèles partant d’une trace
première jusqu’à un indicateur (considéré comme une forme de traces). Une visualisa-
tion des traces modélisées est également proposée.

56
 l’observation des scénarios d’apprentissage

Cette approche est intéressante dans le sens où elle permet d’exploiter des traces ayant
des formats hétérogènes et venant de plusieurs sources.

[Link] Les patrons d’indicateurs réutilisables (Reusable Indicator Patterns)

Dans EM-AGIIR (Environnement Multi-AGent de supervIsion à base d’Indicateurs
Réutilisés), Diagne [2009] s’intéresse particulièrement à la définition d’un format réutili-
sable des indicateurs. Le travail propose de modéliser un indicateur sous forme d’un Pa-
tron d’Indicateur Réutilisable (PIR) considéré comme une structure comprenant quatre
parties :
— un descriptif qui donne un aperçu général de l’indicateur (Nom, Type, Descrip-
tion) ;
— un problème posé qui décrit l’objectif de régulation visé et le contexte de supervi-
sion dans lequel l’indicateur a été défini et utilisé ;
— une solution proposée qui écrit la fonction "indicateur" et son domaine de défini-
tion ;
— d’autres patrons définis dans le même contexte.

[Link] Les patrons des indicateurs de collaboration

Le travail de Gendron [2010] propose un cadre conceptuel pour l’élaboration d’indi-
cateurs de collaboration. Il modélise chaque indicateur par trois vues :
— une carte d’identité qui fournit les informations générales permettant d’identifier
et de décrire l’indicateur (nom, description, date de création, créateur, date de mise
à jour, etc.) ;
— un patron qui permet de spécifier la méthode de calcul d’indicateurs (type, struc-
ture, règles de calcul associées) ;
— une vitrine qui regroupe toutes les informations décrivant les représentations pos-
sibles de l’indicateur lorsqu’il est instancié (éléments concernés, espaces déployés,
vues associées, etc.).
Ces travaux ont identifié huit principaux indicateurs répondant à des besoins en observa-
tion variés tels que l’indicateur sur l’état d’avancement d’un processus, la détermination
de rôles ou le niveau de collaboration, etc.

[Link] Les patrons DPULS

Le projet DPULS (Design Patterns for collecting and analysing Usage of Learning
Systems) 1 s’est intéressé à la capitalisation du savoir-faire de collecte et d’analyse des
usages dans un EIAH sous la forme de patron de conception des modalités d’observa-
tion et de l’analyse de l’observation.
Le modèle du langage de patrons proposé dans le cadre de ce projet comprend trois
principales parties :
— un gabarit qui représente le modèle d’information spécifiant la structure du pa-
tron ;
— des types de relations tels que ceux de spécialisation, de précédence ou d’incom-
patibilité entre patrons ;

1. Une action du Réseau Européen d’Excellence Kaleidoscope [Link]

57
 l’observation des scénarios d’apprentissage

— des opérations pour manipuler les patrons tels que ceux de la création, la suppres-
sion ou la recherche.
Un patron DPULS définit la structure générale décrivant la portée du problème, le pro-
blème d’analyse d’usage à traiter par le patron, un ensemble de solutions applicables au
problème (indicateurs et méthodes d’analyse), l’ensemble de patrons en relation et une
partie identifiant le patron pour l’indexer.

[Link] Les langages UTL et DCL4UTL

UTL (Usage Tracking Language) [Choquet et al., 2009] est un langage opérationna-
lisé permettant de modéliser des indicateurs pédagogiques générés à partir des traces
d’usage des apprenants. Il s’agit d’un langage de description de données d’observation
qui permet de définir des indicateurs sous une forme proche des patrons de conception
assurant ainsi la capitalisation et la réutilisation. Ce langage s’inscrit dans un objectif de
capitalisation des pratiques d’observation de l’utilisation d’un EIAH. UTL vient complé-
ter la démarche de capitalisation des patrons de conception d’analyse et de collecte de
traces initiée par DPULS (cf. Section [Link] précédente).
Chaque indicateur est décrit formellement comme le résultat de plusieurs transforma-
tions, combinaisons et abstractions de données collectées durant une session d’appren-
tissage. L’objectif du langage UTL est de décrire les différentes données nécessaires à
l’analyse des traces dans une forme indépendante du langage de scénarisation et du
format de représentation des traces.
Pham Thi Ngoc [2011] a également défini une extension du langage UTL qui est le
langage DCL4UTL (Data Combination Language for Usage Tracking Language). Il s’agit
d’un langage de calcul déclaratif qui permet de décrire formellement la façon de calculer
l’indicateur à partir des traces brutes.
Les principaux ajouts du langage DCL4UTL sont :
— la description formelle des méthodes de calcul des indicateurs à partir des traces ;
— l’expression de la sémantique des données UTL ;
— le calcul des indicateurs en temps réel ;
— la capitalisation de l’expertise de calcul des indicateurs pour la réutiliser ;
— l’intégration de fonctions externes nécessaires aux différents calculs par le déve-
loppeur ;
— la spécification de liens entre l’indicateur, le scénario pédagogique et l’objectif d’ob-
servation.

58
 l’observation des scénarios d’apprentissage

Figure 4.2. – Modèle conceptuel du méta-langage UTL [Choquet, 2007]

Le modèle conceptuel de UTL illustré dans la Figure 4.2 montre trois principales par-
ties : la partie (UTL/P) pour la définition de la structure d’un observable sous forme
de patron, la partie (UTL/S) représentant le scénario et permettant de lier sémantique-
ment la description des indicateurs au scénario pédagogique, qui est instancié avec un
langage de modélisation adopté par le concepteur et la partie (UTL/T) représentant les
traces et permettant de lier la donnée à collecter à la donnée effective à observer dans le
dispositif d’apprentissage.
La partie UTL/P illustre les différentes formes des données manipulées par UTL :
partir des données primaires, pouvant être des données brutes (raw-datum), des don-
nées de contenu (content-datum) ou des données additionnelles (additionnal-datum)
pour arriver à l’indicateur (indicator), et ce à travers le calcul de données intermédiaires
(intermediate-datum) si nécessaire (cf. Figure 4.3).

Figure 4.3. – Le modèle d’information de l’indicateur [Iksal, 2012]

59
 l’observation des scénarios d’apprentissage

4.2 les objectifs de l’observation par les traces et les indicateurs

Dans cette optique d’observation, l’analyse de traces et les indicateurs peuvent être
utilisés comme des moyens pour la définition de méthodes d’adaptation, de personna-
lisation, de régulation, d’autorégulation de l’apprentissage ou autres. La régulation du
scénario est le fait de modifier le contenu des activités du scénario ou leur enchaîne-
ment, la structure du scénario, les ressources associées, etc., de manière à améliorer ses
résultats. Cette régulation peut être faite par l’enseignant qui est guidé par les indica-
teurs. L’autorégulation (ou «self-regulation» en anglais) est la capacité des apprenants à
diriger leur propre apprentissage [Boekaerts, 1999].
Les indicateurs pédagogiques, générés à partir d’une analyse des traces, sont toujours
associés à des objectifs d’observation. Par exemple, Dimitrakopoulou [2004] propose
un ensemble d’indicateurs pour une analyse de l’interaction et de la collaboration et
Bousbia et al. [2009] proposent des indicateurs pour la déduction des styles d’appren-
tissage des apprenants. Ces indicateurs peuvent être exploités pour la proposition de
stratégies d’apprentissage, la personnalisation et l’adaptation des ressources et des ac-
tivités de l’apprenant. Ceci s’inscrit dans la perspective de mise en place de systèmes
d’apprentissage adaptatifs et du support de l’apprentissage autorégulé. On trouve par
exemple l’utilisation des traces par les indicateurs dans les travaux de Bousbia et al.
[2010] pour identifier automatiquement les comportements des apprenants et les styles
d’apprentissage. Les travaux de Chachoua et al. [2016] permettent par contre de four-
nir des stratégies d’apprentissage (ou chemins d’apprentissage) personnalisées et des
ressources adaptées en s’appuyant sur un modèle d’adaptation basé-traces. Les travaux
de Winne and Hadwin [2013], quant à eux, utilise les traces pour la reconnaissance de
patrons d’apprentissage dans l’activité des apprenants pouvant signaler l’apprentissage
stratégique et autorégulé dans un environnement nommé «nStudy». Les travaux de May
et al. [2011] pour la visualisation des activités de communication aident les apprenants
à analyser et évaluer leurs activités. On trouve également les travaux de Marty and Car-
ron [2011] qui se sont orientés vers la régulation des sessions d’apprentissage dans des
environnements de Learning games en utilisant l’observation dans un but d’adaptation
du scénario d’apprentissage.
L’évaluation du scénario peut être également l’objet de l’observation par les traces. On
trouve l’approche présentée dans les travaux de thèse de Ben Sassi [2015] proposant une
méthode d’évaluation formative et préventive du scénario d’apprentissage en se basant
sur les traces. Ils adoptent pour cela une modélisation formelle des traces et ce, dans le
but de mesurer l’adéquation de la conception du scénario d’apprentissage par rapport
à son contexte de déploiement.

4.3 synthèse et positionnement

Les travaux portant sur les traces et les indicateurs pédagogiques étudiés ont pour
but commun d’améliorer la perception des activités déroulées dans des sessions d’ap-
prentissage réelles. Certains travaux ont prêté une principale attention à la proposition
d’approches pour la représentation et la modélisation de ces traces et indicateurs avec
différents formats (langages, patrons, modèles, etc.) et ont également défini et spécifié
des indicateurs et des catégories d’indicateurs pour des objectifs d’observation bien dé-
terminés (e.g., la réingénierie des EIAH, l’analyse de l’interaction ou de la collaboration

60
 l’observation des scénarios d’apprentissage

ou la déduction des styles d’apprentissage) [Dimitrakopoulou, 2004; Settouti et al., 2007;

Choquet and Iksal, 2007a; Diagne, 2009; Gendron, 2010; Pham Thi Ngoc, 2011]. Le but
principal est d’assurer la réutilisabilité de ces traces et indicateurs (formats et données).
D’autre part, des travaux se sont orientés vers la définition de méthodes pour ex-
ploiter les traces et indicateurs comme moyens pour améliorer l’apprentissage. Certains
ont comme finalité d’aider l’enseignant dans la régulation de son scénario (ou activi-
tés) s’inscrivant dans un cadre d’une réingénierie [Kepka et al., 2007; Bousbia et al.,
2010; Marty and Carron, 2011; van Leeuwen et al., 2015]. D’autres utilisent les traces
pour assurer une adaptation, personnalisation et/ou auto-régulation des activités pour
l’apprenant en fonction de ses préférences ou actions [Hadwin et al., 2007; Winne and
Hadwin, 2013; Ji et al., 2014; Chachoua et al., 2016]. Certains visent des méthodes pour
les deux acteurs (apprenants et enseignants) [May et al., 2011; Verbert et al., 2013].
Nous partageons le même but commun d’améliorer la perception des activités dérou-
lées dans des sessions d’apprentissage réelles à travers les indicateurs. Nous exploitons
ces indicateurs calculés pour des fins d’indexation et de recommandation de scénarios,
et plus globalement pour des fins d’amélioration et d’optimisation de la réutilisation
par les enseignants-concepteurs. Dans notre cas de recherche, les indicateurs sont utili-
sés comme des moyens utiles dans l’évaluation du contexte d’usage du scénario et dans
la détermination des degrés de réussite et de pertinence du scénario dans ce contexte
précis ce qui nous permet d’indexer le scénario en se basant sur des expériences d’ap-
prentissage réelles. Dans nos travaux, nous nous appuyons spécialement sur les langages
UTL/DCL4UTL pour la modélisation des traces et des indicateurs pédagogiques.

61
V E R R O U S S C I E N T I F I Q U E S , P R O B L É M AT I Q U E E T
MÉTHODOLOGIE DE RECHERCHE
5
5.1 verrous scientifiques et problématique de recherche

Avec l’évolution des pratiques enseignantes et l’émergence des TICE, les enseignants
font recours à la conception de scénarios d’apprentissage afin de planifier et formaliser
leurs expériences pédagogiques et les partager avec les apprenants et avec les autres
enseignants. L’activité de conception peut s’avérer complexe et coûteuse notamment en
terme de temps de conception vu la multiplicité des méthodes et stratégies d’appren-
tissage et l’apparition de nouvelles pratiques innovantes (e.g., les pédagogies actives,
les classes inversées, l’apprentissage par la pratique), la richesse du contenu pédago-
gique et des formats de diffusion de ce contenu (e.g., vidéos, pages web, présentations,
ouvrages et articles, du code source) et la diversité des types d’activités (e.g., quizz, fo-
rums, ateliers, évaluations). La réutilisation de tels aspects peut aider et faciliter cette
activité de conception. Dans cette perspective, différentes initiatives académiques ou
communautaires de partage d’expériences d’apprentissage ont été mises en place (e.g.,
CAUSA [2006], E-LEN [2002], PP [2007], BASAR [2012]), conscientes de l’utilité de la
réutilisation des pratiques enseignantes et du contenu pédagogique. Ceci nous a amené
à nous intéresser à la problématique de la réutilisation de scénarios d’apprentissage.
Une telle réutilisation peut être freinée, entre autres, par l’aspect contextuel du scénario.
En effet, les scénarios disponibles à la réutilisation peuvent être issus de contextes variés
surtout pour le cas de bases de scénarios multi-niveaux (universitaire, scolaires, etc.),
multi-culturels et/ou multi-disciplinaires et s’inscrivant dans une optique d’ouverture
et de partage. Si on prend par exemple le cas de la base BASAR à l’état actuel, les scé-
narios sont conçus par des enseignants/formateurs issus de 18 pays différents relevant
des niveaux Licence, Master et Doctorat et s’intégrant dans environ 25 disciplines.
La prise en compte de la dimension contextuelle fait l’objet de plusieurs travaux de
recherche dans divers domaines (génie logiciel, systèmes d’information, EIAH, etc.) et
pour divers objectifs (réutilisation, adaptation, personnalisation, etc.). Dans une situation
de conception de scénarios a priori de la session d’apprentissage, l’enseignant identifie
mentalement le contexte dans lequel il mettra en œuvre son scénario et tente de se pro-
jeter dans ce contexte cible pour définir des activités d’apprentissage adaptées. D’après
El-Kechai [2008], lors d’une modélisation pédagogique, le raisonnement se fait impéra-
tivement par référence à un contexte pédagogique spécifique. De ce fait, les scénarios
peuvent être conçus par des enseignants pour des contextes d’usage très différents, qui
peuvent être éloignés du contexte cible de réutilisation. Il devient donc important de
considérer la dimension du contexte liée au scénario d’apprentissage, et dont la forte
variabilité peut influer la pertinence de la réutilisation.
Dans cette perspective, nous présentons la question principale traitée dans nos
travaux comme suit :

62
 verrous scientifiques, problématique et méthodologie de recherche

QUESTION PRINCIPALE : Comment optimiser la réutilisation de scé-

narios d’apprentissage en tenant compte du contexte ?

L’objectif principal est de proposer des processus, méthodes et outils pour assister les
enseignants et les formateurs, jouant le rôle de concepteurs, dans la réutilisation et la
capitalisation de scénarios d’apprentissage dans un cadre d’ingénieirie et de réingénierie
pédagogiques. Ces contributions sont présentées sous la forme d’une approche nommée
CAPtuRe (a Context-based Approach to assist educational scenarios Reuse), qui est
une approche basée-contexte pour assister la réutilisation et capitalisation de scénarios
d’apprentissage.
Pour répondre à cette problématique, nous posons les deux hypothèses qui suivent :

(H1) la réutilisation améliore la tâche de conception de scénarios d’apprentissage

(utilité de la réutilisation pour la conception) ;
(H2) si le contexte est bien explicité, modélisé et évalué, il aide à identifier les
scénarios pertinents à une situation donnée et à améliorer ainsi la réutilisation (utilité
du contexte pour la réutilisation).

Des recherches de la littérature ont abordé la problématique de réutilisation de scéna-

rios en proposant des formats de modélisation de scénarios adaptables selon le contexte,
favorisant ainsi leur réutilisation tels que les EML (e.g., IMS-LD [IMS-LD, 2003], LDL
[Martel et al., 2006], PoEML [Caeiro et al., 2007]) ou les approches de conception en
IDM (e.g., les travaux de De Moura Filho [2007], Clayer et al. [2013], Ouraiba [2012]).
Ces formats proposés visant à faciliter l’adaptation du scénario sont bien utiles pour
élargir le champ de réutilisation de ce dernier, mais il est important d’effectuer une
sélection préliminaire des scénarios appropriés pour diminuer les efforts d’adaptation :
un scénario trop éloigné des besoins nécessite beaucoups d’efforts d’adaptation. Dans ce
sens, des travaux ont spécifié des vocabulaires de métadonnées pour décrire le scénario
qui sont utiles pour son indexation tels que les travaux de Paquette and Léonard [2014]
ou pour décrire les ressources et objets pédagogiques en général tels que LOM [LOM,
2002] ou le MLR [ISO, 2011]. Ces métadonnées, qu’elles soient d’ordre contextuel ou
sémantique, sont effectivement utiles pour l’identification des scénarios correspondant
aux besoins. Cependant, nous constatons qu’il manque un processus complet assistant
le concepteur dans les différentes phases allant de la construction de telles connais-
sances pour l’indexation et de l’automatisation de cette tâche jusqu’à la réutilisation
des scénarios en sélectionnant ceux jugés les plus appropriés à une situation donnée
(sur la base des métadonnées construites) et leur recommandation au concepteur. De
plus, l’évaluation des métadonnées, notamment les métadonnées contextuelles, ne re-
lèvent généralement pas d’une observation instrumentée et fine du déroulement effectif
des scénarios dans des expériences d’apprentissage réelles.
Nous formulons ainsi notre première question de recherche, déclinant de la question
principale précédemment énoncée, comme suit :

63
 verrous scientifiques, problématique et méthodologie de recherche

question1 : Comment intégrer un processus d’assistance à la réutilisation et à

la capitalisation de scénarios d’apprentissage, basé sur l’observation et l’évalua-
tion du contexte d’usage, dans un cadre d’ingénierie et de réingénierie péda-
gogiques ? Quelles phases comporte ce processus, quels moyens utilise-t-il et
comment peut-on l’instrumenter ?

L’objectif est d’identifier et définir un processus d’assistance à la réutilisation et la

capitalisation d’un scénario d’apprentissage (CAPtuRe-process) se basant sur l’évalua-
tion du contexte d’usage et de le positionner dans un cadre global d’ingénierie et de
réingénierie pédagogiques.
Les données principales manipulées par ce processus sont les données contextuelles.
Les informations du contexte susceptibles d’être collectées des sessions d’apprentissage
sont diverses, hétérogènes et peuvent concerner différentes caractéristiques et dimen-
sions liées aux apprenants, aux enseignants, aux ressources avec leurs différents formats
(logiciels, matériels, documentaires, etc.), aux aspects cognitifs, sociaux, pédagogiques
ou autres. Il convient alors d’expliciter ces informations, de les structurer et de les modé-
liser avec un format clair et exploitable. D’autre part, pour certains aspects contextuels,
une forte variabilité peut être perçue au cours d’une même session d’apprentisssage
comme par exemple l’état psychologique ou le niveau de concentration de l’apprenant
pouvant varier continuellement durant les interactions. Ce type d’éléments contextuels
est utile surtout si on désire faire des adaptations en temps réel des activités d’apprentis-
sage. Cependant, comme nous nous positionnons dans une approche de capitalisation
des contextes de scénarios, nous considérons comme éléments contextuels les aspects
ayant une certaine stabilité au cours d’une même session d’apprentissage et qui peuvent
être utiles pour guider des futures réutilisations.
Par ailleurs, dans certains travaux de formalisation de scénarios d’apprentissage que
nous avons étudiés, la dimension du contexte a été peu évoquée [Caeiro et al., 2007; Mar-
tel et al., 2006] ou a été traitée comme l’un des éléments intégrés ou figés au scénario
[Paquette and Léonard, 2013; Ferraris et al., 2007; IMS-LD, 2003]. Ceci fait que la modé-
lisation du contexte reste dépendante de ce formalisme bien particulier du scénario et
qu’il devient difficile de l’exploiter.
D’autre part, les travaux existants de la littérature modélisent la diversité du contexte
dans leurs champs d’application spécifiques et leurs représentations particulières. En
effet, les dimensions du contexte sont vues de différents points de vue : certains traitent
le contexte ubiquitaire de l’activité du scénario [Malek et al., 2006] et d’autres se foca-
lisent par exemple sur le contexte institutionnel du scénario [Drira, 2010]. On trouve par
ailleurs des travaux percevant le contexte de point de vue personnel, organisationnel
et technique [Schmidt, 2005]. On constate ainsi que le contexte du scénario d’apprentis-
sage est riche et ouvert. Il devient alors difficile d’en obtenir une modélisation stable et
complète de ce contexte.
Une autre problématique repérée est que, durant les différentes phases du processus,
la forme du contexte varie continuellement : contexte source / contexte cible, contexte
brut / contexte interprété, contexte prévisionnel / contexte effectif, contexte de réuti-
lisation, etc. Les besoins en termes d’informations contextuelles modélisées varient :
par exemple des données contextuelles utiles à la phase de mise en œuvre du scénario
peuvent ne pas l’être à la phase de capitalisation du scénario.

64
 verrous scientifiques, problématique et méthodologie de recherche

À partir de ces constatations, nous dégageons notre deuxième question de recherche

qui est :

question2 : Comment définir, structurer et modéliser le contexte du scénario

d’apprentissage pour être exploité dans le cadre d’une assistance à la réutili-
sation et à la capitalisation de scénarios ?

Compte tenu des problèmes identifiés, l’objectif est donc de proposer une approche
de modélisation du contexte d’un scénario d’apprentissage (CAPtuRe-metamodel) qui :
1. supporte la prise en compte de la multiplicité des facettes et dimensions contex-
tuelles relatives au scénario d’apprentissage ;
2. permet d’organiser les connaissances contextuelles d’une manière «générique» et
«ouverte» c’est à dire qu’elle permet d’exprimer le contexte sans restriction des
propriétés et qu’elle offre la possibilité d’adapter et d’organiser les éléments et
dimensions contextuels à considérer selon les besoins d’une communauté cible ;
3. permet d’exprimer le contexte indépendamment du format de représentation du
scénario afin qu’elle puisse être interopérable avec différents formats et élargir le
champs d’utilisation de l’approche ;
4. permet au contexte d’évoluer et de s’ajuster en fonction des besoins et des objectifs
de chacune des phases du processus d’assistance proposé ;
5. exploite les efforts de standardisation relatifs à l’ingénierie pédagogique ;
L’objectif est également d’appliquer cette approche de modélisation pour le cas des
scénarios hybrides de la base BASAR (CAPtuRe-model) afin de mettre en pratique l’ap-
proche proposée dans des cas réels. Il s’agit ainsi d’identifier et structurer les différentes
facettes et éléments du contexte relatifs à ces scénarios.
Comme déjà mentionné, le contexte est structuré et modélisé dans le but d’être utilisé
par CAPtuRe-process. Ce dernier exploite l’information contextuelle pour proposer
deux dimensions d’assistance : (1) assistance à la capitalisation à travers des mécanismes
d’indexation du scénario et (2) assistance à la réutilisation à travers des mécanismes de
sélection et de recommandation se basant sur les index construits. Les questions 3 et 4
sont dégagées respectivement pour ces deux dimensions d’assistance.

question3 : Quelle méthode adopter pour indexer le scénario d’apprentissage en

se basant sur l’observation et l’évaluation de son contexte d’usage et définir son
périmètre de réutilisation tout en utilisant l’approche identifiée de modélisation
du contexte ?
Au niveau de la question 3, l’objectif est de définir une méthode d’indexation du
scénario d’apprentissage en exploitant les connaissances liées à son contexte d’usage
effectif et son évaluation à travers l’observation par les indicateurs pédagogiques.
Cette indexation par le contexte est utile, lors d’une situation de conception par la
réutilisation, pour déterminer les scénarios ayant été mis en œuvre dans des contextes
proches au contexte cible de réutilisation. Il s’agit notamment de fournir les moyens
pour automatiser «partiellement» cette indexation.
Par ailleurs, un scénario conçu et mis en œuvre dans un contexte donné est associé à
un certain degré de réussite. Nous considérons que ce degré de réussite du scénario est

65
 verrous scientifiques, problématique et méthodologie de recherche

estimé par le degré d’adéquation entre les objectifs fixés au préalable par l’enseignant-
concepteur et les résultats effectifs perçus lors du déroulement du scénario dans une
situation d’apprentissage réelle. Ceci reflète la pertinence du scénario dans le contexte
précis de cette situation. Dans le cas où le scénario est jugé non pertinent dans un
contexte donné, le réutiliser dans un contexte proche ne serait pas judicieux. L’observa-
tion du déroulement des expériences d’apprentissage et de leurs degrés de réussite dans
un contexte précis est alors important afin d’enrichir et optimiser l’activité d’indexation
contextuelle.
Par conséquent, nous décomposons la question 3 en trois questions sous-jacentes qui
sont les suivantes :

question3.1 : Comment évaluer et analyser le contexte du scénario d’apprentis-

sage ? et comment assister et guider cette évaluation/analyse ?
question3.2 : Comment utiliser cette évaluation/analyse pour construire les in-
dex contextuels des scénarios définissant leurs périmètres de réutilisation ?
question3.3 : Comment prendre en considération les expériences d’apprentis-
sage passées inscrites dans des contextes précis et exploiter leurs résultats pour
renforcer et optimiser l’indexation ?

Cette indexation sert ainsi à identifier les scénarios les plus appropriés dans un
contexte d’apprentissage cible dans le cadre de l’assistance à la réutilisation, d’où la
question 4 suivante :

question4 : Comment exploiter cette indexation basée-contexte pour sélectionner

et recommander des scénarios appropriés à réutiliser pour une situation d’ap-
prentissage donnée ?

Pour cela, l’objectif est de fournir des moyens pour sélectionner et recommander
des scénarios appropriés. A notre sens, un scénario «approprié» est un scénario ayant
«réussi» dans un contexte «proche» de celui de la situation d’apprentissage cible de
réutilisation. Il s’agit de définir et mettre en place un algorithme de calcul de similarités
contextuelles entre scénarios d’apprentissage (CAPtuRe-algorithm) pour la suggestion
et la recommandation de scénarios appropriés adaptés à une situation d’apprentissage
exprimée.
Nous procédons dans notre approche, entre autres, à assister l’enseignant et à l’inciter
à exprimer les informations contextuelles pour lui recommander les scénarios adéquats
et lui faciliter ainsi la réutilisation. Ces mêmes informations contextuelles ainsi que les
résultats de déroulement des situations d’apprentissage effectives évalués à travers les
indicateurs sont utilisés pour l’indexation des scénarios pour des futures réutilisations.
Nous reprenons dans la Figure 5.1 les différentes contributions de la thèse évoquée
précedemment et les liens entre elles.

66
 verrous scientifiques, problématique et méthodologie de recherche

Figure 5.1. – Aperçu sur les contributions théoriques et pratiques de la thèse

5.2 méthodologie adoptée

Nous explorons quelques méthodologies de recherche afin de repérer celle qui

s’adapte au plus à notre cas et de l’adopter comme un cadre méthodologique guidant
nos travaux.
Nous citons d’abord la recherche design en éducation RDE (educational design re-
search, en Anglais) qui concerne principalement, selon Nieveen and Folmer [2013], les
projets générant des connaissances utilisables à travers des modèles et des théories et
vise explicitement à apporter une contribution scientifique en plus du développement
d’une intervention. Il s’agit de ce qu’on appelle «design-based research» appliquée par-
ticulièrement aux TEL. L’objectif d’une recherche de type science du design est de «déve-
lopper une intervention au niveau de la pratique et à créer et documenter du savoir réutilisable,
ancré dans la théorie et générant de nouveaux éléments théoriques» [Class and Schneider,
2013]. La RDE vise l’étude, l’analyse, la conception, le développement et l’évaluation
des interventions éducatives (comme les programmes, les stratégies d’enseignement et
d’apprentissage, les systèmes. . .) fournissant des solutions à des problèmes complexes
dans la pratique éducative. Nous trouvons par ailleurs la recherche par action (action re-
search, en Anglais) qui a pour principal objectif de concevoir et développer une solution
à un problème pratique [Kelly, 2013]. Elle partage avec la recherche design en éduca-
tion le principe qu’elles portent sur les problèmes du monde réel visant à améliorer la
pratique et qu’elles sont de natures itératives et participatives. Cependant la recherche
par action ne génère pas des principes de conception et est généralement adoptée par
des professionnels voulant utiliser la recherche pour améliorer leurs propres pratiques
[Tjeerd, 2013]. Par ailleurs, les travaux adoptant les méthodologies de recherche par
évaluation (evaluation research, en Anglais) visent principalement à décrire, évaluer
(ou estimer l’efficacité) et éventuellement améliorer les qualités d’une intervention parti-

67
 verrous scientifiques, problématique et méthodologie de recherche

culière (un programme, un produit ou un procédé). Comparées à la RDE, il y’a peu (ou
pas) d’efforts dans la construction de théories, de modèles ou de principes pour guider
les futures initiatives de design [Reeves et al., 2011].
Nous adoptons dans nos travaux la méthodologie Recherche Design en Éducation
RDE . Ce choix est dû au fait que dans notre cas de recherche, nous visons à fournir
des solutions à l’enseignant-concepteur pour l’assistance à la réutilisation et la capitali-
sation de scénarios d’apprentissage ce qui revient à la proposition d’une solution à un
problème dans la pratique éducative. Pour cela, nous spécifions des modèles contextuels
utilisables par un processus déployant une telle assistance et qui sont construits sur des
bases théoriques. Ces contributions scientifiques sont opérationnalisées sous la forme
d’une plateforme d’aide à la réutilisation et la capitalisation se présentant comme le
développement d’une «intervention éducationnelle» au sens de la RDE. Ceci implique
une étude, une analyse, une conception, un développement et une évaluation de ces
interventions éducatives tel qu’il est défini dans une recherche de type RDE.
A partir des travaux de McKenney and Reeves [2014] et de Wang and Hannafin [2005],
nous avons extrait des caractéristiques d’une RDE pour nous guider dans nos travaux :
— pragmatique : affine des connaissances théoriques et des solutions à des problèmes
de la pratique,
— fondée et orientée théorie : utilise la théorie pour fonder le design, les résultats
empiriques et des solutions à des problèmes concrets pour guider le travail,
— interventionniste : intervient pour réaliser un changement dans un contexte édu-
catif particulier,
— adaptative : le design de l’intervention et le design de la recherche sont souvent
modifiés suivant les connaissances émergentes,
— intégrative : utilise des méthodes de recherche mixtes qui varient au cours des
différentes phases selon les nouveaux besoins, les enjeux émergeants et l’évolution
de la recherche.
Une recherche de type RDE est aussi itérative car elle évolue à travers plusieurs cycles
de design de type analyse-développement-évaluation-révision : un prototype est généré
à chaque cycle, dès les premières phases de la recherche, et est réévalué dans le cycle
qui suit tant qu’il est jugé nécessaire.
Nous nous sommes inspirés des phases du modèle générique pour conduire de la
recherche selon l’approche RDE présenté par McKenney and Reeves [2014] pour définir
notre méthodologie de recherche présentée dans la Figure 5.2.

68
 verrous scientifiques, problématique et méthodologie de recherche

Figure 5.2. – Aperçu de la méthodologie de recherche adoptée

itération 0
Durant nos travaux, nous avons commencé par une étape d’exploration et d’ana-
lyse des travaux de la littérature liés à la conception et la modélisation de scénarios
pédagogiques, à leur réutilisation, à leur contextualisation et à leur observation par les
indicateurs. Cette étape a porté également sur des bases de ressources/scénarios exis-
tantes, notamment la base de scénarios BASAR. Le but est d’identifier les problèmes
et les verrous scientifiques liés, situer notre travail de thèse, fixer les problématiques à
traiter et dégager nos objectifs.
Suite à cette étude, nous avons procédé à la conceptualisation 1 du cadre général
d’assistance à la réutilisation et la capitalisation de scénarios. Cette conceptualisation
est exprimée sous la forme d’un processus explicitant clairement les différents acteurs,
concepts, entités et pratiques impliqués dans l’ingénierie et la réingénierie de scénarios
d’apprentissage et les interactions entre eux et qui contribuent particulièrement à la mise
en place de l’assistance à la réutilisation et la capitalisation de scénarios. Ce processus
sera présenté dans le Chapitre 6.
Cette itération constitue la base sur laquelle nous construisons notre approche d’in-
dexation contextuelle et de recommandation de scénarios. Les travaux abordés jusque-là
ont été réalisés principalement lors de la première année de thèse (cf. Chaabouni [2014]),
et sont bien entendu approfondis et révisés tout au long des itérations suivantes.
Notons que dans chacune des itérations qui suivent, comme le montre la Figure 5.2,
nous suivons des cycles de «opérationnalisation - implémentation - évaluation/révi-
sion» : (1) nous proposons des moyens et des instruments pour l’opérationnalisation 2
de certains aspects du processus à travers la définition de modèles et méthodes (cf. Cha-
pitre 7), (2) nous implémentons une nouvelle version du prototype de la plateforme
d’aide à la réutilisation et la capitalisation de scénarios CAPtuRe-platform (cf. Chapitre
8) et (3) nous sélectionnons des aspects à évaluer, selon le niveau d’avancement des

1. Une vue abstraite et simplifiée du monde que nous souhaitons représenter pour un but donné [Gru-
ber et al., 1993]
2. Le processus de transformation des concepts d’une abstraction niveau-théorique (theory-level) en
une forme concrète mesurable et vérifiable dans le monde réel [Cozby, 2009]

69
 verrous scientifiques, problématique et méthodologie de recherche

travaux, sur lesquels nous basons notre analyse (cf. Chapitre 9) et qui nous permettent
de réviser les productions. Trois itérations sont réalisées dans le cadre de cette thèse.
L’adoption d’une telle méthodologie nous permet d’abord de concrétiser et mettre en
pratique les savoirs théoriques élaborés, assister leurs évolutions et vérifier au fur et à
mesure la faisabilité de l’approche proposée à travers le développement d’un prototype
de la plateforme. En plus de la théorie étudiée dans la littérature guidant nos travaux,
la méthodologie permet également de baser nos analyses sur des cas d’usage réels à
travers différentes formes d’évaluations formatives (enquêtes, entretiens informels et
semi-formels, inspections par des experts, tests utilisateurs) à des stades précoces de la
recherche, ce qui permet une validation progressive des contributions. Cette méthodolo-
gie favorise aussi l’ouverture à des perspectives d’évolution du travail exposé à travers la
mise en place de nouvelles itérations pour explorer et opérationnaliser d’autres aspects
du processus, les implémenter et procéder à des évaluations à plus grandes échelles.

itération 1
Cette itération a pour principal objectif d’opérationnaliser la modélisation du
contexte d’un scénario d’apprentissage exploitée par CAPtuRe-process en spécifiant une
approche répondant aux enjeux identifiés dans la problématique. Il s’agit de définir et
mettre en place le méta-modèle (CAPtuRe-metamodel) du contexte d’un scénario. Une
instanciation de ce méta-modèle sur le cas des scénarios hybrides de la base BASAR est
construite (CAPtuRe-model). Une première version (V1) du prototype est développée.
Ces contributions sont établies sur la base d’évaluations exploitant des données réelles
existantes notamment des connaissances acquises de la base BASAR et des usages de
concepteurs (enseignants et formateurs). Ces évaluations se présentent à travers :
— des analyses du corpus des scénarios existants dans la banque de scénarios BA-
SAR en explorant les différentes approches et techniques mises en œuvre pour la
réutilisation et la contextualisation de ces scénarios, et également d’autres bases
de scénarios existantes,
— l’observation et la compréhension du comportement et des pratiques des ensei-
gnants en situation de création de nouveaux scénarios d’apprentissage, en insis-
tant sur les pratiques liées à la réutilisation et à la prise en compte et l’expression
de l’information contextuelle,
— la diffusion d’un questionnaire aux concepteurs de BASAR ayant pour objectif de
révéler des besoins concrets de concepteurs et des informations contextuelles sup-
plémentaires quand ils ne disposent pas d’un outil d’assistance à la réutilisation.
Ceci a permis de confronter ces besoins aux travaux existants de la littérature et
repérer les limites.
Ces activités nous ont permis d’identifier des besoins, pratiques, usages et vocabulaire
métier. Les modèles CAPtuRe-metamodel et CAPtuRe-model ont été construits et ré-
visés sur la base de ces évaluations. Ces dernières ont permis également d’enrichir la
base de scénario BASAR par la construction et l’ajout de la couche contextuelle confor-
mément aux modèles spécifiés. Les travaux de cette itération ont été effectués au cours
de la deuxième année de thèse et les résultats ont été présentés dans Chaabouni et al.
[2015b] et Chaabouni et al. [2015a].

itération 2
Cette itération a pour objectif de définir la méthode d’indexation contextuelle et de la

70
 verrous scientifiques, problématique et méthodologie de recherche

stratégie de recommandation de scénarios se basant sur l’approche de modélisation de

contexte et assistant le concepteur réspectivement dans la capitalisation et la réutilisation
de scénarios. La stratégie de recommandation est traduite à travers la mise en place de
l’algorithme de calcul de similarités contextuelles (CAPtuRe-algorithm). A ce niveau, les
évaluations concernent la validation (1) de la pertinence et la consistance de l’algorithme
spécifié à travers des simulations et analyses des résultats de recommandation et (2) de
l’utilisabilité de la deuxième version de la plateforme implémentée durant cette itération
à travers des inspections par des experts en IHM afin de repérer les incohérences et les
limites de nos contributions. Les travaux de cette itération ont été achevés à la troisième
année de thèse et des parties des résultats ont été présentées dans [Chaabouni et al.,
2016b].

itération 3
Sur la base des évaluations, feedbacks et propositions d’améliorations faites au ni-
veau de l’itération précédente, cette itération avait pour objectif d’améliorer d’abord
la méthode d’indexation contextuelle à travers l’intégration de nouveaux mécanismes
d’automatisation de cette dernière. Ceci a entrainé des révisions au niveau des modèles
contextuels proposés (CAPtuRe-metamodel et CAPtuRe-model). Des améliorations au
niveau de l’algorithme de calcul de similarités contextuelles sont également effectuées
à travers l’intégration de nouveaux paramètres supplémentaires dans le but d’optimiser
les résultats de recommandation. Pour l’étape d’implémentation, une troisième version
du prototype de CAPtuRe-platform est mise en place intégrant certaines mises à jour
des éléments de la contribution. Les évaluations de cette itération se focalisent sur la
validation de l’utilisabilité et de l’utilité de CAPtuRe-platform. Elles se présentent sous
la forme de tests utilisateurs grandeurs réelles qui sont menés avec des enseignants et
formateurs ayant déjà participé aux tests de l’itération 1. Cette itération 3 est effectuée
durant la quatrième année de thèse et les résultats sont présentés dans Chaabouni et al.
[2016a].
Le Tableau 5.1 présente une synthèse de nos travaux conduits par une recherche de-
sign en éducation. La présentation de ce tableau de synthèse est inspirée des travaux de
Class and Schneider [2013].

Problème
Des scénarios d’apprentissage très variés et peu réutilisables à cause du manque de
prise en compte de la dimension contextuelle des scénarios.
Point central
Optimiser la réutilisation de scénarios d’apprentissage en proposant des processus,
méthodes et outils assistant les enseignants et les formateurs dans les activités de
conception par la réutilisation et de capitalisation de scénarios en tenant compte du
contexte.
Questions de recherche

71
 verrous scientifiques, problématique et méthodologie de recherche

— Question 1. Comment intégrer un processus d’assistance à la réutilisation et à la

capitalisation de scénarios d’apprentissage, basé sur l’observation et l’évaluation
du contexte d’usage, dans un cadre d’ingénierie et de réingénierie pédagogiques ?
Quelles phases comporte ce processus, quels moyens utilise-t-il et comment
peut-on l’instrumenter ?
— Question 2. Comment définir, structurer et modéliser le contexte du scénario
d’apprentissage pour être exploité dans le cadre d’une assistance à la réutilisation
et à la capitalisation de scénarios ?
— Question 3. Quelle méthode adopter pour indexer le scénario d’apprentissage en
se basant sur l’observation et l’évaluation de son contexte d’usage et définir son
périmètre de réutilisation tout en utilisant l’approche identifiée de modélisation
du contexte ?
— Question 3.1. Comment évaluer et analyser le contexte du scénario
d’apprentissage ? et comment assister et guider cette évaluation/analyse ?
— Question 3.2. Comment utiliser cette évaluation/analyse pour construire les
index contextuels des scénarios définissant leurs périmètres de réutilisation ?
— Question 3.3. Comment prendre en considération les expériences
d’apprentissage passées inscrites dans des contextes précis et exploiter leurs
résultats pour renforcer et optimiser l’indexation ?
— Question 4. Comment exploiter cette indexation basée-contexte pour sélectionner
et recommander des scénarios appropriés à réutiliser pour une situation
d’apprentissage donnée ?

Savoirs à créer / Objectifs

— Un processus de réutilisation et de capitalisation d’un scénario d’apprentissage

basé sur une observation guidée par les indicateurs pédagogique et une
évaluation du contexte d’usage : CAPtuRe-process
— Une approche de modélisation du contexte d’un scénario d’apprentissage :
CAPtuRe-metamodel et CAPtuRe-model
— Une méthode d’indexation des scénarios d’apprentissage exploitant les
contextes d’usage effectifs des expériences d’apprentissage : CAPtuRe-index
— Une méthode de sélection et de recommandation de scénarios d’apprentissage
définie à travers un algorithme de calcul de similarités contextuelles :
CAPtuRe-algorithm

Intervention à développer
Une plateforme logicielle d’aide à la réutilisation et à la capitalisation de scénarios
d’apprentissage basée sur une modélisation fine de leurs contextes effectifs d’usage et
sur leur observation par des indicateurs pédagogiques
Méthodes de recherche utilisées

72
 verrous scientifiques, problématique et méthodologie de recherche

Observations et analyse d’usages ; analyses de données acquises de bases existantes ;

simulations ; enquêtes ; entretiens non formels et semi-formels ; jugements d’experts ;
tests utilisateurs
Table 5.1. – Récapitulatif de nos travaux conduits par une recherche design en éducation

Les savoirs à créer et l’intervention à développer dégagés dans ce tableau s’alignent

avec les quatres types de productions (ou research outputs en anglais) d’une recherche
en science du design qui sont, selon March and Smith [1995], des constructions, des
modèles, des méthodes et des instanciations :
— des constructions : représentant le langage des concepts qui caractérise un phé-
nomène que nous avons présenté dans l’étape de conceptualisation à travers le
processus d’assistance à la réutilisation et à la capitalisation d’un scénario d’ap-
prentissage (cf. Chapitre 6) ;
— des modèles : décrivant les tâches, les situations et les artefacts qui sont dans notre
cas les méta-modèles/modèles contextuels ;
— des méthodes : un ensemble de procédures (algorithmes et pratiques) utilisées
pour effectuer des tâches et basées sur les construction et les modèles. Nous pro-
posons dans notre cas la méthode d’indexation et la méthode de sélection et de
recommandation de scénarios d’apprentissage. Les modèles et méthodes ont été
présentés dans les étapes d’opérationnalisation (cf. Chapitre 7) ;
— des instanciations : la réalisation d’un artefact dans un environnement implémen-
tant les constructions, les modèles et les méthodes. Il s’agit dans notre cas de la
plateforme d’assistance à la réutilisation et à la capitalisation de scénarios que nous
avons présentées dans les étapes d’implémentation (cf. Chapitre 8).

73
 Deuxième partie

C O N T R I B U T I O N S E T M I S E À L’ É P R E U V E

Cette deuxième partie regroupe les contributions de la thèse et leur mise à

l’épreuve. La première contribution, présentée dans le Chapitre 6, consiste en
la proposition d’un cadre spécifiant les différents niveaux des moyens pro-
posés à l’enseignant-concepteur pour une mise en place d’une assistance à la
réutilisation et à la capitalisation de scénarios d’apprentissage. Le cadre pro-
posé s’intègre dans un contexte global d’ingénierie et de réingénierie d’un
scénario d’apprentissage. Ce même chapitre définit un processus ayant pour
rôle de conceptualiser ce cadre d’assistance en spécifiant les phases, concepts,
entités, pratiques et acteurs impliqués. La deuxième contribution, présentée
dans le chapitre 7, est une approche pour l’opérationnalisation du proces-
sus d’assistance spécifié. Cette approche définit les modèles utilisés par le
processus notamment les modèles contextuels, une méthode d’indexation
contextuelle et une méthode de sélection et de recommandation de scénarios
dans un cadre de conception par la réutilisation. Ainsi, cette approche prête
une attention particulière aux phases de (1) structuration et évaluation du
contexte et du déroulement du scénario, (2) indexation et capitalisation du
scénario et (3) recommandation et réutilisation de scénarios. Nous enchai-
nons ensuite avec la troisième contribution, présentée dans le chapitre 8, qui
implémente les éléments proposés pour valider la faisabilité technique de
l’approche. Cette troisième contribution se présente sous la forme d’une pla-
teforme d’assistance à la réutilisation et à la capitalisation de scénarios d’ap-
prentissage (CAPtuRe-platform). Dans sa version actuelle, la plateforme in-
tègre principalement les modèles et méthodes proposées. CAPtuRe-platform
est une initiative qui tend vers la mise en place d’une plateforme d’assistance
à la conception, la réutilisation, l’opérationnalisation, la mise en œuvre, l’in-
dexation et la capitalisation des scénarios d’apprentissage en adoptant diffé-
rents formats de modèles. Elle vise ainsi à supporter l’ensemble du processus
d’ingénierie et de réingénierie, tout en se basant sur des standards de l’ap-
prentissage.
Cette partie présente par la suite, dans le Chapitre 9, la mise à l’épreuve des
contributions en détaillant les expérimentations et évaluations mises en place
pour valider des aspects de la proposition.
S P É C I F I C AT I O N D ’ U N C A D R E G L O B A L D E R É U T I L I S AT I O N E T
D E C A P I TA L I S AT I O N D E S C É N A R I O S D ’ A P P R E N T I S S A G E
6
Comme nous l’avons montré dans le Chapitre 2, la réutilisation est une activité im-
portante notamment pour le cas des scénarios d’apprentissage. Ces scénarios présentent
une multiplicité de méthodes et stratégies d’apprentissage et des pratiques enseignantes
et une grande richesse des contenus pédagogiques. Nous avons également montré dans
le Chapitre 3 que l’aspect contextuel relatif à ces scénarios est très varié et riche ce qui
pourrait influer sur la pertinence de la réutilisation. L’objectif principal de cette thèse est
d’optimiser la réutilisation de scénarios d’apprentissage en tenant compte du contexte.
La solution proposée est d’assister d’abord cette réutilisation de scénarios en aidant le
concepteur à trouver les scénarios les plus appropriés à sa situation d’apprentissage. Il
s’agit aussi d’assister leur capitalisation en se basant sur des observations et des évalua-
tions de leurs contextes effectifs.
La première section de ce chapitre est consacrée à la présentation du cadre global
proposé pour l’assistance à la réutilisation et à la capitalisation de scénarios d’apprentis-
sage en introduisant les différents éléments le composant et qui contribuent à la mise en
place d’une telle assistance. La deuxième section de ce chapitre décrit le processus mis
en place pour la conceptualisation de ce cadre qui va de la sélection et la recommanda-
tion de scénarios à réutiliser jusqu’à leur capitalisation dans une base de scénarios sous
un format guidant leur réutilisation.

6.1 présentation générale du cadre de réutilisation et de capitalisa-

tion d’un scénario d’apprentissage

Le cadre global de réutilisation et de capitalisation de scénarios d’apprentissage que nous

proposons, formalisant l’approche CAPtuRe, a pour rôle de fournir les moyens à
l’enseignant-concepteur (ou formateur-concepteur) pour l’assister à sélectionner les scé-
narios à réutiliser, observer et évaluer leurs scénarios, les indexer et les capitaliser. Ces
moyens se présentent sous la forme de processus, modèles, méthodes et outils logiciels
destinés à l’enseignant-concepteur qui contribuent à la mise en place de cette assistance.
Nous rappelons que ces contributions s’accordent respectivement avec les quatre types
d’output définis dans une recherche en science du design qui sont [March and Smith,
1995] : des constructions, des modèles, des méthodes et des instanciations. L’objectif final
est d’optimiser la réutilisation des scénarios dans un cadre de conception et de réingé-
nierie pédagogiques. La Figure 6.1 présente une vue globale de ce cadre d’assistance
en illustrant les différents niveaux proposés allant de la conceptualisation (construction
par des concepts abstraits) jusqu’à l’implémentation (instanciation par des composants
concrets). Certains éléments de cette figure ont été délibérément sous-dimensionnés afin
d’assurer une visibilité globale du cadre. Ces éléments font référence à d’autres figures
plus détaillées dans la suite du document.

75
 spécification d’un cadre global de réutilisation et de capitalisation de
scénarios d’apprentissage

Figure 6.1. – Vue globale du cadre d’assistance à la réutilisation et à la capitalisation de scénarios

d’apprentissage

Ce cadre d’assistance s’intègre dans un cadre plus général d’ingénierie et de réingénie-

rie d’un scénario. Le processus d’assistance à la réutilisation et à la capitalisation d’un scénario
(CAPtuRe-process) proposé s’aligne ainsi dans le processus d’ingénierie et de réingénierie
d’un scénario que nous avons construit à partir de l’étude de la littérature et qui a été
présenté précédemment dans le Chapitre 2 à la Figure 2.2. Le processus proposé spécifie
les différentes phases supportant une telle assistance notamment la recommandation, la
réutilisation, l’observation, l’évaluation, l’indexation et la capitalisation de scénarios. Le
rôle du processus est la conceptualisation du cadre d’assistance. Les conceptualisations
(ou les constructions) sont importantes dans une recherche de type science du design car
elles définissent les termes utilisés en décrivant et en identifiant les tâches. Elles forment
ainsi un langage spécialisé et des connaissances partagées d’un champ donné [March
and Smith, 1995].
Le cadre d’assistance est guidé par un raisonnement basé sur les cas (ou Case-Based Rea-
soning – CBR en Anglais). Nous appliquons ainsi ce type de raisonnement à l’ingénierie
des scénarios d’apprentissage. Nous rappelons le principe du CBR, déjà introduit dans
le premier chapitre, qui consiste à apprendre à partir des expériences passées qui sont
considérées comme des «cas» : le système utilise les anciennes situations similaires à la
situation actuelle pour résoudre de nouveaux problèmes en s’adaptant au besoin.

76
 spécification d’un cadre global de réutilisation et de capitalisation de
scénarios d’apprentissage

Le cadre d’assistance propose (et utilise) des modèles et définis des méthodes pour
opérationnaliser le processus identifié. Les modèles décrivent les artefacts 1 utilisés pour
la formalisation et l’échange des connaissances. Le cadre gère des modèles contextuels, des
modèles de scénarios d’apprentissage, des modèles d’indicateurs et des modèles de scénarios d’ob-
servation qui sont véhiculés dans le processus. Ces modèles se basent sur des normes et
standards de l’apprentissage (e.g., LOM, MLR, IMS-LIP) et des langages et formats définis
pour la conception de scénarios (e.g., EML, IMS-LD, Scenari BASAR) et pour l’observation
de scénarios (e.g., UTL/DCL4UTL). Ces modèles sont exploités par une méthode d’évalua-
tion et d’indexation contextuelles des scénarios qui est partiellement automatisée ainsi qu’une
méthode de sélection et de recommandation de scénarios. Cette dernière est présentée sous
la forme d’un algorithme de calcul de similarités contextuelles entre scénarios et qui
prend en considération les résultats des expériences d’apprentissage passées. Les deux
méthodes proposées définissent les procédures, les règles et les pratiques à suivre pour
atteindre de tels objectifs d’indexation et de recommandation.
Afin de concrétiser les aspects identifiés et de valider leurs faisabilités techniques,
le cadre offre des outils techniques présentés sous la forme d’une plateforme logicielle
d’assistance à la réutilisation et à la capitalisation de scénarios implémentant le processus,
les modèles et les méthodes définis. Cette plateforme communique et interagit avec des
plateformes d’apprentissage (e.g., Moodle).
Maintenant que nous avons montré une vue globale du cadre d’assistance, nous procé-
dons dans la section qui suit à la description du processus d’assistance à la réutilisation
et à la capitalisation mis en place ainsi qu’à la spécification de ses différentes phases. Les
modèles et méthodes pour opérationnaliser ce processus sont présentés dans le chapitre
suivant (cf. Chapitre 7).

6.2 le processus d’assistance à la réutilisation et à la capitalisation

de scénarios d’apprentissage : capture-process

La conceptualisation du cadre de réutilisation et de capitalisation du scénario est

exprimée sous la forme d’un processus explicitant les différents acteurs, concepts, en-
tités et pratiques impliqués dans un cadre d’ingénierie et de réingénierie de scénarios
d’apprentissage (cf. Figure 2.2) et les relations entre eux et qui contribuent particulière-
ment à la mise en place de l’approche d’assistance à la réutilisation et la capitalisation
de scénarios. Ce processus est basé sur l’observation et l’évaluation du contexte. Les
connaissances principalement étudiées sont celles relatives au contexte du scénario qui
sont structurées selon une approche de modélisation bien déterminée. Le processus per-
met de supporter le suivi, la transformation et la mise en œuvre des modèles contextuels
tout au long du cycle de vie du scénario.
Tel que déjà mentionné, le processus d’assistance s’inspire du cycle de travail du CBR
(cf. Figure 1.1). Selon ce dernier, le système utilise les anciennes situations similaires à la
situation actuelle pour résoudre de nouveaux problèmes en s’adaptant au besoin. Ainsi,
nous considérons la mise en œuvre d’un scénario dans une situation d’apprentissage
réelle comme une histoire («story» au sens CBR) reflétant une expérience passée ou ce
qu’on appelle un «cas». Dans ce type de raisonnement, « les nouveaux problèmes sont réso-
lus par la réutilisation, et si nécessaire l’adaptation, des solutions de problèmes proches ayant été
1. Un artefact est un rendu qui est produit, modifié ou utilisé par une séquence de tâches qui ont une
valeur pour un rôle [Méndez Fernández et al., 2010]

77
 spécification d’un cadre global de réutilisation et de capitalisation de
scénarios d’apprentissage

résolus auparavant » [De Mantaras et al., 2005]. L’approche que nous proposons consiste
à bénéficier de ces histoires passées en les évaluant et les indexant sur la base de cri-
tères de réussite et de pertinence du scénario dans le but de résoudre des problèmes de
conception de scénarios adaptés à un contexte d’usage donné. Pour cela, le système juge
le degré de réutilisabilité d’un scénario dans un contexte cible donné en analysant ses
mises en œuvre antérieures. Un cas ou une expérience d’apprentissage regroupe ainsi
tous les éléments relatifs à cette expérience y compris le scénario suivi, son contexte et
les résultats du déroulement du scénario dans ce contexte précis. De ce fait, un scénario
est conçu dans une situation de conception par la réutilisation, mis en œuvre dans une si-
tuation d’apprentissage, observé, évalué, indexé et puis stocké pour enrichir une base de
scénarios indexés considérée comme une base de «cas». Les systèmes basés sur le CBR
traitent principalement les problématiques de recherche, de réutilisation, de révision et
de maintien. Le CBR est basé sur l’heuristique principale que « les problèmes similaires ont
une forte probabilité d’avoir des solutions similaires » [Ahmed et al., 2010]. Parmi les apports
de l’utilisation du raisonnement par les cas pour la définition de notre approche nous
pouvons citer :
— se baser sur un cadre conceptuel solide et cohérent pour la réutilisation,
— la possibilité de gérer des informations éparses, bruyantes ou manquantes en re-
trouvant les cas les plus proches si un matching complet n’est pas disponible dans
la base de cas [Weis, 2015], ce qui est compatible avec l’information contextuelle
que nous visons à modéliser qui peut varier considérablement d’une situation d’ap-
prentissage à une autre et qui peut avoir des éléments manquants non exprimés
ou non accessibles ;
— faciliter le problème d’acquisition de connaissances et d’apprentissage à partir des
expériences sans obligation d’une formalisation détaillée et complète du domaine,
ce qui est le cas de la modélisation du contexte qui ne peut être assez formelle et
finie ;
— enrichir et alimenter au fil du temps la base de cas qui sont les scénarios déroulés
dans des situations d’apprentissage effectives.
Nous illustrons dans la Figure 6.2 le processus d’assistance à la réutilisation et à la
capitalisation de scénarios CAPtuRe-process. Les sections qui suivent présentent les dif-
férentes phases identifiées dans ce processus d’assistance en exposant les concepts, les
symboles, les acteurs et les pratiques d’une manière abstraite sans aborder les détails
des langages, formalismes et techniques à adopter pour leurs mises en œuvre. Ceci per-
met de définir une approche générique pouvant être opérationnalisée et instanciée de
différentes manières. L’acteur principal est l’enseignant ou le formateur jouant le rôle
d’un concepteur. Nous utilisons dans ce qui suit les termes enseignant ou concepteur
(selon le rôle adopté) pour simplifier l’usage.

78
 spécification d’un cadre global de réutilisation et de capitalisation de
scénarios d’apprentissage

Figure 6.2. – Processus d’assistance à la réutilisation et à la capitalisation de scénarios d’appren-

tissage : CAPtuRe-process

6.2.1 La sélection, la recommandation, la réutilisation et la conception d’un scénario d’appren-

tissage

Cette section traite les étapes 1 et 2 du processus d’assistance de la Figure 6.2 qui
sont la «Sélection et recommandation de scénarios» et la «Réutilisation et conception du scéna-
rio». Nous nous plaçons dans une situation de conception où un enseignant définit son
scénario en réutilisant les scénarios indexés et capitalisés (une conception par la réuti-
lisation). Il commence par renseigner, avec l’assistance du système, le «contexte prévu»
qui est le contexte d’usage planifié pour la situation d’apprentissage générant un mo-
dèle contextuel identifié par le symbole PCM-LS (Planed Context Model for Learning
Scenario). Ce contexte peut concerner différentes dimensions ou facettes tels que la pé-
dagogie, les aspects techniques et technologiques, les aspects sociaux ou culturels ou
autres. Il peut inclure par exemple les profils pédagogiques et sociaux des apprenants
qui participeront effectivement à la situation d’apprentissage, les caractéristiques des
ressources matérielles ou logicielles qui seront utilisées ou les modalités à adopter. Le
système sélectionne les scénarios les plus appropriés susceptibles d’être les plus adaptés
à ce contexte prévu dans la base de scénarios indexés et les recommande au concepteur.
Ces scénarios recommandés relèvent de la capitalisation d’expériences d’apprentissage
antérieures constituant des exécutions complètes de ce processus. Dans notre approche,
un scénario «approprié» est un scénario ayant été «pertinent» et ayant «réussi» dans un
contexte «proche» de celui de la situation d’apprentissage cible de réutilisation. Nous
revenons sur ces notions d’appropriation, de pertinence et de réussite plus tard dans
l’étape 6 de structuration et d’évaluation des résultats du déroulement du scénario.
L’enseignant procède à la conception de son scénario à l’aide d’un outil de conception
en utilisant un langage de modélisation donné du scénario (e.g., IMS-LD, POEML, LDL,
etc.), avec la possibilité de réutiliser les scénarios recommandés. Il peut réutiliser un
scénario tel qu’il est (sans modifications), ou sinon il peut l’adapter selon son besoin

79
 spécification d’un cadre global de réutilisation et de capitalisation de
scénarios d’apprentissage

et/ou réutiliser seulement des activités ou des séquences d’activités et construire ainsi
un nouveau scénario. Par conséquent, le scénario doit être formalisé de manière à ce
qu’il soit adaptable. L’étape d’adaptation a été positionnée dans le processus d’ingénierie
et de réingénierie de scénarios d’apprentissage (cf. Section 2.2). Ces notions d’adaptation
et d’adaptabilité du scénario ne font pas parties des objectifs de la thèse.

6.2.2 La scénarisation de l’observation

Cette section traite l’étape 3 du processus d’assistance de la Figure 6.2 qui est la «Scé-
narisation de l’observation». En plus de la conception du scénario d’apprentissage, une
scénarisation de l’observation est également effectuée avec l’assistance du système. À
cette étape les besoins d’observation sont définis, préalablement à la mise en œuvre
du scénario, et sont traduits par les besoins en termes d’indicateurs pédagogiques. La
scénarisation de l’observation est l’activité générant un «scénario d’observation» qui se
présente comme un enchainement (ou une séquence) d’indicateurs à calculer à partir de
traces d’usages, et reflétant le déroulement du scénario dans une situation d’apprentis-
sage réelle. Cette étape représente une planification de l’observation, a priori, permettant
au système de préparer les données utiles au calcul des indicateurs et, dans certains cas,
de placer des sondes d’observation dans le système de traces. Ce dernier peut être inté-
gré à une plateforme d’apprentissage ou à tout autre système informatisé générant des
traces et utilisé durant la mise en œuvre du scénario (e.g., une application ou un outil
web, une ressource hébergée dans un serveur). Nous notons ici la différence entre un «
scénario d’apprentissage » qui est l’ensemble des activités d’apprentissage à réaliser et
un « scénario d’observation » qui est l’ensemble des indicateurs pédagogiques à calculer
accompagnés des entrées nécessaires à ce calcul.
Les définitions d’indicateurs ainsi que les formats et sources de traces en entrées sont
stockés dans une base d’indicateurs. Cette base peut être décrite à l’aide de langages
ou de formalismes pour l’observation tels que ceux que nous avons évoqué au Chapitre
4 qui sont les langages UTL/DCL4UTL [Choquet et al., 2009; Pham Thi Ngoc, 2011],
les patrons d’indicateurs réutilisables Diagne [2009] ou les formalismes des systèmes
à base de traces Settouti et al. [2007]. Une méthode de mise en place d’une telle base
d’indicateurs a été présentée dans des travaux précédents [Chaabouni and Laroussi,
2013].
Nous citons ici quelques exemples d’indicateurs et traces pouvant être stockés dans
une base d’indicateurs :
— un indicateur sur le taux de participation à une session de discussion synchrone qui
nécessite comme entrées les traces informant sur le nombre d’apprenants ayant
participés à la session à observer durant une période donnée et le nombre total
d’apprenants inscrits au cours ;
— un indicateur sur l’implication d’un apprenant ayant comme entrées les traces sur les
interactions faites par cet apprenant au cours de la session d’apprentissage ;
— un indicateur sur le taux de réussite d’un quiz ayant comme entrées les traces infor-
mant sur les résultats des réponses au quiz ;
— un indicateur sur le taux de consultation d’une ressource web ayant comme entrées les
traces du serveur web hébergeant la ressource.
Vu que cette base d’indicateurs peut être volumineuse et peut contenir des indicateurs
de différents types et objectifs, il serait alors pertinent de sélectionner les indicateurs

80
 spécification d’un cadre global de réutilisation et de capitalisation de
scénarios d’apprentissage

les plus appropriés à une situation bien particulière et les suggérer à l’enseignant. À
cette phase, le système repère les définitions d’indicateurs qui peuvent convenir le plus
aux besoins en observation et les recommande à l’enseignant afin de l’assister dans la
tâche de scénarisation de l’observation. L’enseignant choisit ensuite parmi ces indica-
teurs recommandés ceux qui lui conviennent et qu’il souhaite utiliser. Ceci produit une
flexibilité de l’observation orientant ensuite la phase d’évaluation vers les objectifs effec-
tifs de l’enseignant. Cette tâche de recommandation d’indicateurs se fait sur la base (1)
des critères informant le contexte prévu, (2) des choix de conception du scénario d’ap-
prentissage par l’enseignant, (3) des recommandations de scénarios d’apprentissage et
des indicateurs liés à ces scénarios et (4) des contraintes techniques relatives au calcul
d’indicateurs.
En plus de la sélection des indicateurs à calculer, l’enseignant a la possibilité de fixer
des objectifs relatifs à certaines de ces observations à priori. En d’autres termes, il peut
déterminer des valeurs des indicateurs à partir desquelles il considère que le scénario
a réussi pour cet aspect précis. Par exemple, un enseignant considère que son quiz est
réussi si l’indicateur sur le taux de réussite de ce quiz atteint la valeur «80%». Un enseignant
concevant un scénario d’apprentissage dont l’objectif est d’améliorer la communication
des apprenants, vise par exemple à avoir au moins «60%» des apprenants classés comme
«communicatifs» au cours de la session d’apprentissage suite au calcul d’un indicateur
sur l’implication d’un apprenant. Ces objectifs fixés par rapport aux valeurs des indica-
teurs sont utiles pour vérifier l’adéquation entre les objectifs planifiés par l’enseignant
et les résultats effectifs lors de la session d’apprentissage ce qui aide à estimer la perti-
nence du scénario déployé dans le contexte précis de cette session. Cette pertinence est
prise en considération lors de l’activité de sélection et de recommandation de scénarios
d’apprentissage (cf. étape 1 du processus).
A l’issue de cette étape, des modèles de scénarios d’observation sont générés iden-
tifiant les différents indicateurs à calculer, les paramètres nécessaires à leur calcul, les
activités du scénario liées et les objectifs fixés par l’enseignant sur ces indicateurs.

6.2.3 Mise en œuvre du scénario dans une situation d’apprentissage réelle

Cette partie traite l’étape 4 du processus d’assistance de la Figure 6.2 qui est la «Mise
en œuvre du scénario». Une fois le scénario d’apprentissage et le scénario d’observation
conçus, ils sont mis en œuvre dans une situation d’apprentissage réelle. Comme nous
nous positionnons dans le cadre d’un apprentissage incluant obligatoirement l’aspect
distant (apprentissage hybride ou FOAD), la mise en œuvre du scénario d’apprentis-
sage se fait soit «en présentiel et à distance» soit «totalement à distance» à travers une
plateforme d’apprentissage (LMS) tels que Moodle, Claroline ou autres. Par conséquent,
cette mise en œuvre génère des traces d’usage et produit des résultats relatifs au dé-
ploiement des différentes activités du scénario dans le contexte préalablement identifié.

6.2.4 Structuration et évaluation du contexte et des résultats de déroulement du scénario

Cette partie traite les étapes 5 et 6 du processus d’assistance de la Figure 6.2 qui
sont la «Structuration-Évaluation du contexte» et la «Structuration-Évaluation des résultats
de déroulement du scénario». Suite à l’exécution du scénario, les informations relatives (1)

81
 spécification d’un cadre global de réutilisation et de capitalisation de
scénarios d’apprentissage

au contexte dans lequel s’est déroulé le scénario qui forment le «contexte d’usage brut»
et (2) au déroulement des activités du scénario qui forment les «résultats bruts» sont
collectées à partir de différentes sources comme par exemple les bases de données, les
fichiers log, les formulaires d’information (e.g., formulaire de collecte du contexte prévu
au début du processus), etc.
L’étape 5 de structuration et d’évaluation du contexte permet au système de
construire, à partir du « contexte d’usage brut» collecté, le «contexte d’usage structuré et
évalué» : structuré selon un format spécifié de modèles contextuels et puis évalué par des
indicateurs sur le contexte (indicateurs contextuels) pour former le modèle de contexte
effectif que nous nommons ECM-LS (Planed Context Model for Learning Scenario). Ces
indicateurs contextuels reflètent des observations relatives aux éléments contextuels ap-
portant des informations additionnelles sur ceux-ci. Nous distinguons ici deux types
de connaissances : les éléments contextuels et les indicateurs contextuels. Les éléments
contextuels représentent les aspects relatifs au contexte ayant une certaine stabilité au
cours d’une même session d’apprentissage et qui peuvent être utiles pour guider des
futures réutilisations comme par exemple les types et les configurations des ressources
matérielles ou les spécialités des apprenants et de l’enseignant. Par contre, les indica-
teurs contextuels reflètent des connaissances relatives aux éléments contextuels qui sont
perçus d’une manière dynamique et qui peuvent varier considérablement durant une
session d’apprentissage. Les indicateurs sont calculés/générés à partir de traces d’usage
et sont utiles pour analyser le contexte tels que le niveau de concentration d’un apprenant
ou l’évolution des états des dispositifs matériels (e.g., leurs connectivités et leurs taux d’activi-
té/inactivité) durant la session d’apprentissage.
À l’étape 6, le système structure et puis évalue les résultats du déroulement du scé-
nario dans cette situation précise. Cette tâche est réalisée à travers la structuration des
«résultats bruts» issus de la mise en œuvre du scénario et leurs évaluations à travers
des indicateurs sur le déroulement effectif des activités du scénario. Pour ce type d’in-
dicateurs, on peut citer par exemple les indicateurs sur la division du travail ou sur le
taux de réussite d’un quiz qui vont permettre d’analyser la pertinence du scénario dans le
contexte de la situation.
La phase d’observation s’inscrit ainsi dans ces deux étapes à travers la structuration
des traces et le calcul d’indicateurs générant ainsi des modèles d’indicateurs guidant
l’enseignant et le système dans les tâches d’analyse et d’indexation que nous détaillons
dans la section suivante.

6.2.5 Analyse et indexation du scénario

Cette partie traite l’étape 7 du processus de la Figure 6.2 qui est l’«Analyse-Indexation
du scénario». À ce niveau, l’enseignant a une vue globale et structurée sur le déroulement
de son scénario en session et du contexte dans lequel il a été exécuté. Il dispose en effet :
1. du «contexte d’usage structuré et évalué» ou le ECM-LS enrichi par les indica-
teurs sur le contexte, formant ainsi le contexte effectif dans lequel le scénario s’est
déroulé ;
2. des résultats structurés et évalués à travers les indicateurs calculés, reflétant le
déroulement effectif de la situation d’apprentissage.

82
 spécification d’un cadre global de réutilisation et de capitalisation de
scénarios d’apprentissage

Le contexte effectif construit du scénario permet à l’enseignant de raisonner par rapport

aux différents éléments contextuels et de mettre en valeur ceux utiles à la capitalisation.
Par ailleurs, les indicateurs sur le déroulement de son scénario informent l’enseignant
sur le degré de réussite du scénario dans ce contexte précis. Nous considérons que ce
degré de réussite du scénario est estimé par le degré d’adéquation entre les objectifs
fixés au préalable par l’enseignant-concepteur et les résultats effectifs perçus lors du dé-
roulement du scénario dans une situation d’apprentissage réelle, comme par exemple
le degré d’atteinte des objectifs pédagogiques, didactiques, sociaux du scénario ou bien
l’atteinte des objectifs relatifs aux observations (cf. étape 3 de la scénarisation de l’obser-
vation). Ceci aide à analyser et estimer la pertinence du scénario dans ce contexte précis
avec l’assistance du système.
Sur la base des connaissances générées et des analyses effectuées, un modèle de l’in-
dex contextuel nommé ICM-LS (Indexing Context Model for Learning Scenario) est
construit. Il s’agit ici de la tâche d’indexation du scénario qui est réalisée par l’ensei-
gnant avec l’assistance du système, et qui consiste en d’autres termes à la détermination
du périmètre de réutilisation de ce scénario.
Nous notons que, lors de la mise en œuvre du scénario dans une situation d’ap-
prentissage réelle, l’enseignant peut apporter des changements par rapport au scénario
préalablement prévu en adaptant par exemple certaines activités et/ou en modifiant
leurs ordres d’exécution selon les besoins de la situation perçus en temps réel. De ce fait,
le scénario prévu conçu au début du processus peut représenter certaines différences
comparé au scénario effectif mis en œuvre. Le même raisonnement concerne également
les éléments contextuels exprimés à priori du déploiement du scénario. Afin d’apporter
plus de fidélité aux éléments à capitaliser (scénario et contexte), l’enseignant est amené
à introduire des ajustements à la conception de son scénario et aux valeurs des éléments
contextuels (produits à l’étape 2 de ce processus) pour qu’ils s’accordent plus avec la
situation réelle.

6.2.6 Capitalisation du scénario indexé

Cette partie traite l’étape 8 du processus de la Figure 6.2 qui est la «Capitalisation du
scénario». À cette étape, la base de scénarios indexés est enrichie par l’ajout d’un nou-
veau cas représentant une nouvelle expérience d’apprentissage à capitaliser. La partie
droite de la Figure 6.3 montre le format de capitalisation d’un cas (inspiré de la logique
CBR) composé de trois éléments : un problème, une solution et des résultats. Le pro-
blème dans ce cas consistait en la conception d’un scénario d’apprentissage adapté à un
contexte. Ce dernier a subi le processus d’analyse pour former l’index contextuel (ICM-
LS) à capitaliser. Dans ce contexte, un scénario d’apprentissage a été mis en œuvre et
représente ainsi une solution qui a été associée à ce problème. Cette mise en œuvre du
scénario (solution) dans ce contexte précis (problème) a produit des résultats qui sont
perçus sous la forme de critères de réussite et d’efficacité du scénario dans ce contexte
précis. Comme nous l’avons déjà présenté, ces résultats sont déterminés à l’aide des
indicateurs calculés reflétant le déroulement du scénario.
Dans une future instanciation du processus d’assistance, l’enseignant exprimera à la
phase de «réutilisation et conception du scénario» le contexte d’usage prévu PCM-LS
qui constituera le nouveau problème à résoudre tel que le montre la partie gauche de
la Figure 6.3. Le système sélectionnera et recommandera ainsi les scénarios capitalisés

83
 spécification d’un cadre global de réutilisation et de capitalisation de
scénarios d’apprentissage

associés aux problèmes les plus proches au problème actuel (avec un calcul de similarités
contextuelles) et qui ont été les plus efficaces (c’est à dire qui ont produit les résultats
les plus réussis). Ceci permettra de concevoir un nouveau scénario qui sera déployé et
analysé pour représenter une nouvelle expérience d’apprentissage.

Figure 6.3. – Formalisation du problème en une approche CBR

Un scénario peut être associé à plusieurs index contextuels s’il a été réutilisé tel qu’il
est (sans aucune modification) dans plusieurs situations d’apprentissage différentes. Ce-
pendant, chaque situation est stockée dans la base de cas comme une nouvelle expé-
rience d’apprentissage puisque, même si le scénario conçu est le même, il représente un
problème (le contexte) et des résultats différents.

84
PROPOSITION D’UNE APPROCHE POUR
L’ O P É R AT I O N N A L I S AT I O N D E L’ A S S I S TA N C E À L A
7
R É U T I L I S AT I O N E T À L A C A P I TA L I S AT I O N D E S S C É N A R I O S
D’APPRENTISSAGE

Dans ce chapitre, nous proposons une approche pour l’opérationnalisation du proces-

sus d’assistance à la réutilisation et à la capitalisation de scénarios d’apprentissage défini
dans le chapitre précédent. Cette opérationnalisation consiste à spécifier des modèles et
des méthodes pour la mise en place du processus. Pour cela, nous procédons comme
suit :
1. la spécification des modèles manipulés par le processus d’assistance qui sera pré-
sentée dans la première Section (7.1) de ce présent chapitre :
a) la définition des formats de représentation des modèles contextuels qui sont les
artefacts de base utilisés par le processus, et ce, à travers la proposition d’une
approche de modélisation des connaissances contextuelles d’un scénario d’ap-
prentissage ;
b) la proposition de choix de formalismes à adopter pour les autres modèles utili-
sés dans le processus notamment les modèles de scénarios, les modèles d’indicateurs
et les modèles de scénarios d’observation et leurs relations/intégrations avec les
modèles contextuels ;
2. la spécification de méthodes pour la mise en place de l’assistance à la réutilisation
et la capitalisation de scénarios :
a) la spécification d’une méthode d’indexation contextuelle de scénarios à travers
la définition des procédures et les règles à suivre ainsi que la manière de gé-
nérer et exploiter les différents modèles. Cette méthode sera détaillée dans la
deuxième Section (7.2) de ce présent chapitre ;
b) la spécification d’une méthode de sélection et de recommandation de scéna-
rios appropriés à travers la définition d’un algorithme de calcul de similarités
contextuelles se basant sur les modèles générés. Cette méthode sera détaillée
dans la troisième Section (7.3) de ce présent chapitre.

7.1 proposition d’une approche de modélisation du contexte d’un scé-

nario d’apprentissage

Comme évoqué précédemment dans le Chapitre 3, de multiples interprétations du

contexte ont été présentées dans la littérature variant selon les niveaux de spécification
de ce dernier. Nous rappelons notre définition du contexte d’un scénario d’apprentis-
sage qui a été établie suite à l’étude de la littérature d’une part et l’étude des corpus de
scénarios dans des bases existantes d’autre part, qui est :
« L’ensemble des caractéristiques et des contraintes de l’environnement (in-
cluant l’organisation, les acteurs, le système et l’activité) pouvant influencer, direc-

85
 proposition d’une approche pour l’opérationnalisation de l’assistance à la
réutilisation et à la capitalisation des scénarios d’apprentissage

tement ou indirectement, le déroulement du scénario dans une situation d’appren-

tissage ».
Afin de pouvoir exploiter les connaissances contextuelles du scénario d’apprentissage, il
est nécessaire de les organiser et de les modéliser. Notre première contribution consiste à
proposer une approche de modélisation du contexte d’un scénario d’apprentissage enri-
chie par les indicateurs pédagogiques. Pour définir cette approche de modélisation, nous
utilisons des pratiques de gestion des connaissances (knowledge management - KM) et
de leur gestion organisationnelle. Ce champ de recherche KM a été adopté dans les
EIAH pour la définition des tâches de création, d’acquisition, de capture, d’agrégation,
de partage et d’utilisation des connaissances dans le but d’améliorer l’apprentissage.
Dans notre approche qui vise une capitalisation des scénarios, le contexte est vu d’une
perspective globale couvrant le scénario d’apprentissage dans sa totalité, et non pas
comme un contexte spécifique à une activité particulière du scénario. Nous rappelons les
différentes problématiques qui ont été identifiées suite à l’étude des verrous scientifiques
liés aux travaux de la littérature (cf. Chapitre 5) et que nous visons à résoudre à travers
cette approche de modélisation du contexte :
— supporter la prise en compte de la multiplicité des facettes et dimensions contex-
tuelles relatives au scénario d’apprentissage ;
— permettre d’organiser les connaissances contextuelles d’une manière «générique»
et «ouverte». En effet, l’approche doit permettre d’exprimer le contexte sans restric-
tion des propriétés et d’offrir la possibilité d’adapter et d’organiser les dimensions
et éléments contextuels à considérer selon les besoins d’une communauté cible ;
— refléter au plus des expériences d’apprentissage réelles ayant déployé le scénario ;
— permettre d’exprimer le contexte indépendamment du format de représentation
du scénario pour que l’approche soit interopérable avec différents formats et élar-
gir ainsi son champ d’utilisation ;
— permettre au contexte d’évoluer et de s’ajuster en fonction des besoins et des ob-
jectifs de chacune des phases du processus d’assistance proposé ;
— exploiter les efforts de standardisation relatifs à l’ingénierie pédagogique.
Dans cette perspective, la modélisation du contexte d’un scénario d’apprentissage que
nous proposons suit les principes suivants :
principe1 : une modélisation multi-niveau du contexte d’un scénario d’apprentis-
sage
principe2 : une modélisation indépendante du langage de formalisation du scéna-
rio
principe3 : une approche par méta-modélisation du contexte
principe4 : une modélisation multi-facette du contexte enrichie par les indicateurs
pédagogiques
Nous détaillons dans ce qui suit chacun de ces principes évoqués en justifiant les choix
établis pour solutionner les différentes problématiques et répondre aux exigences iden-
tifiées. L’approche de modélisation proposée est expliquée au fur et à mesure de la
présentation de ces principes.

86
 proposition d’une approche pour l’opérationnalisation de l’assistance à la
réutilisation et à la capitalisation des scénarios d’apprentissage

7.1.1 Principe 1 : une modélisation multi-niveau du contexte d’un scénario d’apprentissage

Comme démontré par le processus d’assistance proposé, le scénario d’apprentissage

passe par différentes phases durant son cycle de vie depuis sa conception par la réuti-
lisation, en passant par sa mise en œuvre dans une situation d’apprentissage réelle,
l’analyse de son contexte et de son déroulement dans son contexte d’usage et enfin son
indexation et sa capitalisation. Durant ce cycle de vie du scénario, la forme et l’objectif
de modélisation du contexte varient. En effet, la formalisation du contexte du scénario
d’apprentissage, durant les différentes phases du processus, peut avoir différentes fins.
On a besoin de représenter le contexte pour (1) décrire une nouvelle situation d’appren-
tissage dans laquelle l’enseignant prévoit de mettre en œuvre son scénario dans le but
de sélectionner et réutiliser les scénarios appropriés, (2) décrire une situation d’appren-
tissage effective mettant en œuvre le scénario dans le but d’analyser cette situation et
(3) indexer le scénario dans le but de le capitaliser de manière à favoriser des futures
réutilisations.
Pour cela, nous distinguons les trois types (ou rendus) de modèles de contexte liés
à un scénario (cf. Figure 7.1) reflétant les différents niveaux de perception du contexte
déjà introduits lors de la description du processus :
— le modèle de contexte prévu (ou planifié) du scénario noté PCM-LS (Planed
Context Model of Learning Scenario ) : ce type de modèle est construit au cours
de la phase de conception du scénario par la réutilisation pour décrire la situa-
tion d’apprentissage à planifier. Les connaissances contextuelles modélisées repré-
sentent une projection du contexte effectif englobant les différents éléments du
contexte pouvant influencer, directement ou indirectement, le déroulement du scé-
nario dans une situation d’apprentissage et les caractéristiques liées à ces éléments.
Ces connaissances caractérisent en effet des entités issues du monde réel qui feront
parties de l’environnement du scénario ;
— le modèle de contexte d’usage effectif du scénario noté ECM-LS (Effective Context
Model of Learning Scenario ) : les connaissances contextuelles modélisées à ce
niveau sont perçues lors de la phase de mise en œuvre du scénario dans une si-
tuation d’apprentissage réelle. Elles englobent les connaissances du contexte prévu
PCM-LS lors de la conception mais qui sont révisées et complétées par des connais-
sances perçues lors de l’exécution du scénario. Ceci revient au fait que certaines
informations peuvent ne pas être exactement conformes à ce qui a été anticipé ou
peuvent être non disponibles dès la phase de conception ;
— le modèle d’index contextuel du scénario noté ICM-LS (Indexed Context Model of
Learning Scenario) : ce type de modèle contextuel est construit lors de la phase
d’indexation du scénario. Comme ce modèle représente le format de capitalisation
du contexte, il ne contient alors que les connaissances contextuelles utiles pour être
exploitées dans des futures réutilisations. Les informations modélisées à ce niveau
sont en plus analysées et interprétées (par l’enseignant et le système) pour servir
d’appui à l’optimisation de ces futures réutilisations.
Ainsi, la distinction de ces types de modèles de contexte permet à la modélisation contex-
tuelle d’évoluer et de s’ajuster en fonction des besoins et des objectifs des différentes phases
du processus d’assistance proposé.

87
 proposition d’une approche pour l’opérationnalisation de l’assistance à la
réutilisation et à la capitalisation des scénarios d’apprentissage

7.1.2 Principe 2 : une modélisation indépendante du langage de formalisation du scénario

Lors de la définition des formalismes de représentation des scénarios d’apprentissage

étudiés dans la littérature, nous avons constaté que le contexte est parfois peu (ou non)
abordé et est généralement spécifié comme l’un des éléments intégrés (ou figés) au scé-
nario. Nous percevons ainsi le contexte comme une couche supérieure au scénario ce
qui permet de modéliser les connaissances contextuelles indépendamment du langage
de formalisation du scénario. Ceci facilite d’abord la gestion, la manipulation et l’exploi-
tation de ces connaissances. Ceci permet également d’appliquer l’approche proposée
avec plusieurs formalismes (langages ou modèles) de représentation de scénarios basés
sur l’activité afin qu’elle soit la plus générique possible et élargir son champ d’utilisa-
tion. Cette vision de séparation du scénario d’apprentissage de son contexte est visible
dans la Figure 7.1. Nous organisons les différents concepts évoqués en trois niveaux : le
niveau L1 pour le scénario d’apprentissage, le niveau L2 pour son contexte et le niveau
L3 supérieur pour les indicateurs pédagogiques permettant d’analyser le contexte (L2)
et le scénario (L1).

Figure 7.1. – Niveaux de contexte des scénarios d’apprentissage

Ainsi, notre approche n’impose pas un format de modélisation particulier du scénario

et vise à être adaptable aux modèles de scénarios existants avec la condition qu’ils soient
centrés sur l’«activité» comme unité de base (e.g., modèles IMS-LD, modèles LAMS, mo-
dèles POEML, Modèles TELOS, modèles SCENARI tels que OPALE ou BASAR). Dans la
suite de la définition de notre approche d’opérationnalisation, nous utilisons le modèle
BASAR de SCENARI (cf. Figure 3.6) pour la structuration des scénarios d’apprentissage
(LS) de la couche L1. Ce choix a été fait parce que les études de cas et les expérimenta-
tions faites dans le cadre de nos travaux se basent sur des scénarios existants de la base
BASAR s’inscrivant dans notre programme de recherche. De plus, les scénarios BASAR
peuvent être générés sous forme de packages en IMS-CC 1 exploitables directement dans
une plateforme d’apprentissage (tel que Moodle) ce qui nous est utile pour le calcul d’in-
dicateurs. À la fin de ce chapitre (cf. Section 7.4), nous procéderons à une ébauche de
généralisation de l’approche sur les modèles de scénarios décrits par des langages EML.

7.1.3 Principe 3 : une approche par méta-modélisation

Comme constaté dans la revue de la littérature du Chapitre 3, le contexte d’un scéna-

rio d’apprentissage est riche et ouvert. Il est impossible d’en obtenir une modélisation
stable et finie qui soit adaptée à toutes les spécifications. Chacun des travaux de la lit-
térature modélise la diversité du contexte dans leurs cadres spécifiques et leurs formats
1. Un format de packaging et d’échange de contenu d’apprentissage permettant l’interopérabilité entre
ce contenu et les systèmes

88
 proposition d’une approche pour l’opérationnalisation de l’assistance à la
réutilisation et à la capitalisation des scénarios d’apprentissage

de représentation particuliers. C’est pour ces raisons que nous adoptons une approche
par méta-modélisation du contexte d’un scénario d’apprentissage. Proposer un méta-
modèle permet de définir une approche générique de modélisation du contexte sans en
figer les caractéristiques. Le méta-modèle peut être instancié selon les besoins du cas
d’utilisation comme nous le ferons par la suite pour le cas des scénarios BASAR (cf.
Section 7.6).
Nous proposons ainsi CAPtuRe-metamodel permettant d’instancier des modèles de
contexte d’un scénario d’apprentissage selon les besoins de la communauté visée exploi-
tant cette modélisation. Nous choisissons l’architecture à quatre couches spécifiant les
différents niveaux conceptuels proposés par l’OMG [MDA, 2000] pour la définition de
méta-méta-modèles, méta-modèles et modèles. Nous spécifions ces 4 couches, comme
le montre la Figure 7.2, de la manière suivante :
— M3 : représente le méta-méta-modèle EMOF [Gardner, 2003], utile à la descrip-
tion des méta-modèles, proposé dans le framework EMF (Eclipse Modeling Fra-
mework) ;
— M2 : représente notre méta-modèle (Ecore) proposé pour décrire des modèles de
contexte de scénarios d’apprentissage. Ce méta-modèle est détaillé plus tard dans
CAPtuRe-metamodel de la Figure 7.3 ;
— M1 : représente les modèles de contexte liés à un scénario. Les différents niveaux
de représentation de contexte (ECM-LS, ICM-LS et PCM-LS) définis précédem-
ment sont conformes au même méta-modèle du contexte du niveau M2. Une appli-
cation de cette couche est établie pour le cas des scénarios de BASAR. La structure
de ces modèles est illustrée plus tard dans CAPtuRe-model de la Figure 7.6 ;
— M0 : représente le monde réel constitué ici des entités contextuelles présentes dans
une situation d’apprentissage tels que les acteurs, le matériel d’apprentissage et
l’organisation.

Figure 7.2. – Les couches de modélisation du contexte d’un scénario d’apprentissage

89
 proposition d’une approche pour l’opérationnalisation de l’assistance à la
réutilisation et à la capitalisation des scénarios d’apprentissage

7.1.4 Principe 4 : une modélisation multi-facette du contexte enrichie par les indicateurs péda-
gogiques

Cette section nous permettra d’identifier la manière de structurer le contexte d’un scé-
nario d’apprentissage selon ses différents niveaux de spécification. Cette structuration
est exprimée par le méta-modèle du contexte CAPtuRe-metamodel que nous représen-
tons dans la Figure 7.3. Ce méta-modèle est défini à l’aide du framework EMF (Eclipse
Modeling Framework) et est conforme au méta-méta-modèle Ecore. L’analyse qui suit
étudiera la spécification de ce méta-modèle. A ce niveau, nous présentons notre méta-
modèle du contexte interagissant avec un méta-modèle de scénario basé-activité assez
simplifié. En effet, nous limitons la modélisation du niveau L1 (cf. Figure 7.1) à un scéna-
rio («ELearning_Scenario») composé d’un ensemble d’activités («ELearning_Activity»)
et associé à un contexte d’apprentissage («ELearning_Context»).
La revue de la littérature ainsi que l’étude des corpus des scénarios dans des bases
existantes (notamment la base BASAR) ont révélé une grande diversité des éléments
contextuels identifiés selon différents points de vue. Ils peuvent être vus d’un côté di-
dactique, pédagogique, social, affectif, technique ou autre. Dans le but de structurer et
classifier ces éléments contextuels («EContext_Item») d’où faciliter l’accès, nous choi-
sissons une modélisation multi-facettes du contexte d’un scénario d’apprentissage. Le
méta-modèle du contexte d’un scénario d’apprentissage a comme élément racine prin-
cipal la classe « ELearning_Context » englobant l’ensemble des facettes du contexte
«EContext_Facet». Chaque élément contextuel (tels que profil pédagogique des appre-
nants, modalité collaborative, modalité spatiale, ressources documentaires ou autres)
appartient à l’une des facettes identifiées (tels que les facettes didactique, pédagogique,
sociale, affective, culturelle, technique, physique ou autre).

90
 proposition d’une approche pour l’opérationnalisation de l’assistance à la
réutilisation et à la capitalisation des scénarios d’apprentissage

Figure 7.3. – Le méta-modèle du contexte et sa relation avec les indicateurs et le méta-modèle

de scénario basé-activité
91
 proposition d’une approche pour l’opérationnalisation de l’assistance à la
réutilisation et à la capitalisation des scénarios d’apprentissage

Afin d’évaluer un élément contextuel, on lui affecte une évaluation (« EAssessment

»). Comme nous disposons de trois niveaux de perception du contexte qui doivent être
supportés par cette modélisation qui sont PCM-LS, ECM-LS et ICM-LS (cf. Figure 7.1),
nous distinguons deux types d’évaluations possibles :
— Évaluation affectée pour contexte planifié ou effectif (« EValue_Effective_Planned
») : Il s’agit d’une évaluation à associer à un élément contextuel dans un modèle
de contexte de type ECM (Effective Context Model) ou de type PCM (Effective
Context Model). Nous avons associé ces deux types de contexte à un même type
d’évaluation vu que le contexte planifié est une projection/vue a priori du contexte
effectif et qu’ils requièrent ainsi la même forme d’évaluation.
— Évaluation affectée pour index contextuel (« EValue_Indexed ») : Il s’agit d’une
évaluation à associer à un élément contextuel dans un modèle de contexte de type
ICM (Indexed Context Model).
La différence entre ces deux types d’évaluations est que dans un contexte planifié ou
effectif, les évaluations représentent des instances d’objets réels comme par exemple
l’ensemble des profils effectifs des apprenants participant à un scénario ou la liste de ma-
tériel à utiliser (ou utilisé) dans le scénario et leurs configurations (e.g., le modèle d’un
ordinateur, sa capacité de mémoire et son système d’exploitation). Ainsi, si nous parlons
d’une évaluation pour contexte planifié ou effectif («EValue_Effective_Planed») utilisée
dans une situation de conception par la réutilisation, on a besoin de lui associer un en-
semble d’attributs (« EAttribute ») et les valeurs associées («EValue ) et de la caractériser
par une source (« ESource ») à partir de laquelle l’information relative à l’évaluation a été
recueillie (par exemple à partir d’un formulaire d’informations, d’une base de données
de l’institution, de traces, etc.). La Figure 7.4 montre des exemples d’évaluations pour
contexte planifié ou effectif attribuées à un élément de contexte représentant le profil
pédagogique des apprenants («Pedagogical learner profiles»). Comme le montre cette
figure, une évaluation représente un profil d’apprenant identifié par un numéro unique
(Id) et caractérisé par un ensemble de spécialités («Specialty»), de compétences («Com-
petences») et l’identifiant d’une source des données («Source») de laquelle est issue
l’évaluation. L’attribut («Ref») référence l’élément contextuel auquel est associée l’éva-
luation qui représente ici les profils pédagogiques des apprenants (Pedagogical learner
profiles - PLP).

Figure 7.4. – Exemple d’évaluations associées à un élément contextuel dans un contexte planifié
ou effectif

92
 proposition d’une approche pour l’opérationnalisation de l’assistance à la
réutilisation et à la capitalisation des scénarios d’apprentissage

Par contre, pour le cas d’index contextuel, les évaluations représentent des informa-
tions traitées et interprétées à partir des instances réelles comme par exemple la liste
des compétences de tous les apprenants ayant participé au scénario ou l’ensemble des
systèmes d’exploitation installés dans les ordinateurs utilisés lors d’une session d’ap-
prentissage. Ce format est plus adapté à la recherche et sélection de scénarios par
leur index et facilite le traitement des données. Donc si nous parlons d’une évalua-
tion pour index contextuel («EValue_Indexed» dans le méta-modèle), elle est associée
à une entrée d’index («EVal_index»). Des pondérations peuvent être associées aux éva-
luations contextuelles («Weight_index») afin de souligner l’importance de la présence
de l’évaluation en question lors de la réutilisation du scénario. Cette pondération peut
prendre les valeurs suivantes selon l’échelle de Likert relative au degré d’importance
(«EWeight_Importance») : Non important (0) ; faible importance (0,25) ; neutre (0,5) ; im-
portant (0,75) ou très important (1). Certaines évaluations particulières relatives à des
objectifs seront plutôt pondérées par des degrés de satisfaction «EWeight_Satisfaction».
La Figure 7.5 montre des évaluations pour index contextuel ICM-LS associées à un élé-
ment de contexte représentant le même exemple de profil pédagogique des apprenants.
Cette figure montre le même élément contextuel évalué précédemment (cf. Figure 7.4
) dans un modèle de contexte planifié ou effectif, mais cette fois pour un modèle d’in-
dex contextuel. Dans ce cas, un élément contextuel est associé à un ensemble d’entrées
d’index caractérisées par des valeurs d’index pondérées.

Figure 7.5. – Exemple d’évaluations pour index contextuel associées à un élément contextuel

Cet exemple d’index contextuel associé à un scénario de titre «Website design» ex-
prime qu’il a été important que les apprenants aient comme spécialité «Software engi-
neering» et qu’ils aient la compétence «Web technologies» pour la réussite du scénario.
Par contre, la compétence «UML design» est une contrainte et sa présence est obligatoire
lors d’une réutilisation du scénario. La compétence «Java development» dont dispose
les apprenants est cependant neutre et n’a pas d’effet sur la réussite du scénario.
Certaines évaluations dans l’index peuvent être jugées très importantes et contraindre
l’exécution du scénario, c’est à dire qu’elles doivent être satisfaites pour que le scénario
soit réutilisable. On cite par exemple le cas d’une compétence de l’enseignant, un prére-
quis duquel doivent disposer obligatoirement les apprenants ou une ressource matérielle
devant être disponible pour l’exécution du scénario. C’est ce qu’on appelle «contrainte
contextuelle» du scénario exprimée par la fonction «isAConstraint()» de la classe «EVa-
lue_Indexed». D’autre part, certains éléments sont considérés comme éléments caracté-
ristiques du contexte du scénario exprimés par la fonction «isACharacteristic()» de la
classe «EValue_Indexed». Ce type d’éléments caractérise le contexte du scénario. On
cite par exemple les objectifs pédagogiques ou sociaux ou une ressource documentaire.

93
 proposition d’une approche pour l’opérationnalisation de l’assistance à la
réutilisation et à la capitalisation des scénarios d’apprentissage

Ces deux fonctions se basent sur la pondération associée à l’évaluation contextuelle : si

la valeur « constraint » est affectée à l’attribut «EWeight_index» c’est qu’il s’agit d’une
contrainte contextuelle d’utilisation du scénario sinon, pour les autres valeurs, il s’agit
d’une caractéristique du contexte du scénario.
Dans le but de considérer la dimension de l’observation et d’enrichir le modèle du
contexte, nous associons des indicateurs pédagogiques («EPedagogical_indicator») aux
éléments contextuels. L’idée principale est d’enrichir les connaissances du contexte de
chaque scénario par des indicateurs pédagogiques calculés. En effet, les indicateurs sont
rattachés aux éléments de contexte pour fournir des informations complémentaires cal-
culées sur le contexte du scénario (e.g., un indicateur sur l’état d’un dispositif matériel
ou un indicateur sur la trajectoire d’un apprenant) ou aux activités d’apprentissage du
scénario pour évaluer le déroulement du scénario (sa réussite et sa pertinence) dans ce
contexte spécifique (e.g., un indicateur sur le taux de division du travail ou un indicateur
sur les résultats d’une évaluation). Ainsi, les indicateurs sont placés au niveau supérieur
interprétant le scénario et son contexte. Ceci a été illustré dans la Figure (7.1) complétant
la logique multi-niveaux de modélisation du contexte, en ajoutant le niveau 3 (Level 3)
constituant les indicateurs pédagogiques. Ces indicateurs sont associés à des fonctions
qui prennent en entrée les traces d’usage du scénario (collectées à partir des bases de
données LMS, les fichiers journaux, etc.) et/ou des données fournies par l’enseignant.
Ce niveau 3 ajoute les données calculées reflétant le déroulement d’un scénario du ni-
veau L1 dans un contexte donné du niveau L2, et utilisées pour caractériser l’expérience
d’apprentissage effective d’un tel scénario.
Ainsi, proposer un méta-modèle nous a permis de définir une approche générique de
modélisation du contexte sans restriction des propriétés. Face à un contexte de scénario
d’apprentissage riche et ouvert, il est impossible d’obtenir une modélisation stable et
complète. Les experts du domaine sont responsables de l’identification et la mise en
place des différents éléments et facettes contextuels adaptés à la communauté cible et
aussi à la spécification des indicateurs pédagogiques. La section suivante présente un
exemple de modèle de contexte (CAPtuRe-model), conforme au méta-modèle présenté
précédemment (cf. CAPtuRe-metamodel de la Figure 7.3), que nous mettons en place
pour le cas des scénarios d’apprentissage hybrides de la base BASAR.

7.1.5 Un modèle de contexte d’un scénario d’apprentissage hybride : CAPtuRe-model

Afin d’illustrer l’approche de modélisation du contexte, nous avons étudié différents

travaux de la littérature portant sur le contexte [Bradley and Dunlop, 2005; Schmidt,
2005; Malek et al., 2006; Tetchueng et al., 2008], des travaux portant sur les indicateurs
pédagogiques [Santos et al., 2003; Dimitrakopoulou, 2004; Kepka et al., 2007; Settouti
et al., 2007; Gendron, 2010], ainsi que des travaux issus des sciences de l’éducation [Altet,
2002]. Nous avons également étudié les scénarios d’apprentissage dans des bases exis-
tantes et notamment les scénarios hybrides de la base BASAR pour repérer et extraire les
aspects contextuels exprimés (explicitement ou implicitement) dans les scénarios conçus
et qui pourraient être utiles à l’indexation et la capitalisation des scénarios.
Suite à cette étude, nous avons procédé d’une part à l’identification des éléments/é-
valuations de contexte d’un scénario d’apprentissage hybride et à leurs classements en
facettes. Ceci a été guidé par l’étude des corpus des scénarios de BASAR et une analyse
contextuelle et du contenu de ces scénarios (voir les étapes d’évaluation E1 et E2 du

94
 proposition d’une approche pour l’opérationnalisation de l’assistance à la
réutilisation et à la capitalisation des scénarios d’apprentissage

Chapitre 9). Nous avons également identifié et défini des indicateurs pédagogiques pou-
vant apporter, particulièrement, des informations additionnelles sur le contexte. D’autre
part, nous avons établi des correspondances entre les différents aspects contextuels des
scénarios d’apprentissage, les types d’activités d’apprentissage et les indicateurs péda-
gogiques. Le but est de modéliser l’information pouvant être utile à l’indexation et à
la recommandation du scénario. Sur cette base, nous proposons un exemple de modèle
de contexte, conforme au méta-modèle (cf. Figure 7.3) détaillé précédemment, pour le
cas de la base de scénarios d’apprentissage BASAR ayant principalement le caractère
« hybride » et inscrits dans le cadre de formations universitaires (mastère, licence ou
doctorat). Le métamodèle d’un scénario BASAR (cf. Figure 3.6) s’accorde avec le méta-
modèle du scénario simplifié basé sur l’activité et utilisé dans la Figure 7.3.
Cette approche par méta-modélisation permet d’instancier et construire des modèles
de contexte adaptés en fonction du besoin décelé pour une communauté bien particu-
lière (par exemple ici la communauté des concepteurs de BASAR). À noter que nous
appelons ce modèle instancié CM-LS (Context Model for Learning Scenario) exprimant
la structure des différents types de modèles de contexte adoptés par une communauté,
un modèle qui représente les besoins en terme de contexte de scénarios. Ce modèle, une
fois évalué, donne des modèles de types PCM-LS, ECM-LS et ICM-LS.

[Link] Spécification et mise en place du modèle de contexte CAPtuRe-model pour un scénario

d’apprentissage hybride
Le méta-modèle défini a été conçu de manière à permettre la génération de modèles
sous la forme de graphes contextuels pondérés de type «arbre», et ce afin de pouvoir
exploiter les techniques liées aux graphes et bénéficier de leurs apports. La notion de
graphes contextuels a été utilisée dans certains travaux tels que ceux de Bazire and
Brézillon [2005] ou de Benard et al. [2006]. En effet, les graphes sont des types de modèle
utilisés pour décrire des structures complexes.
Nos motivations du choix d’adoption d’une telle représentation sont :
1. la représentation hiérarchique permettant la propagation ascendante des pondéra-
tions (attribution de pondérations aux éléments supérieurs de l’arbre à partir des
pondérations des éléments inférieurs suivant un algorithme déterminé), utile pour
notre méthode de sélection et de recommandation de scénarios ;
2. l’organisation et la structuration multidimensionnelle permettant la facilitation des
tâches de raisonnement, d’analyse et de recherche dans ces modèles, ainsi que la
possibilité de décomposition du problème en sous-graphes ou de restriction à des
sous graphes particuliers ;
3. la visualisation avec un format graphique clair et compréhensible ;
4. l’extensibilité du modèle par l’ajout de chemins et sa maintenabilité ;
5. l’existence de métriques permettant le calcul de similarité entre des arbres de
contexte ;
6. l’optimisation du temps de recherche.
La Figure 7.6 montre le modèle mis en place pour le cas des scénarios hybrides.

95
 proposition d’une approche pour l’opérationnalisation de l’assistance à la
réutilisation et à la capitalisation des scénarios d’apprentissage

Figure 7.6. – Modèle de contexte CAPtuRe-model pour le cas des scénarios d’apprentissage hy-
brides

96
 proposition d’une approche pour l’opérationnalisation de l’assistance à la
réutilisation et à la capitalisation des scénarios d’apprentissage

Comme spécifié dans le méta-modèle, le contexte d’apprentissage (élément racine) est

décomposé en un ensemble de facettes. Pour ces scénarios d’apprentissage hybrides,
nous identifions 4 facettes du contexte : facette pédagogique et didactique, facette so-
ciale et affective, facette technique et technologique et facette physique. Une facette est
composée d’un ensemble d’éléments contextuels eux-mêmes pouvant être détaillés en
un ensemble de sous-éléments de contexte. Les éléments de contexte de niveau inférieur
(n’ayant pas de sous-éléments de contexte) seront associés à des évaluations (« EAssess-
ment ») lors de l’instanciation du modèle pour former les 3 types de rendus des modèles
instanciés PCM-LS, ECM-LS et ICM-LS. Dans le modèle présenté dans la Figure 7.6, des
alternatives possibles d’évaluations sont associées aux éléments contextuels.
L’identification des facettes, éléments et évaluations contextuels est établie en fonction
des besoins repérés des scénarios de BASAR et représente une application de notre
approche de méta-modélisation / modélisation du contexte. La liste est certes extensible
et adaptable tout en restant conforme au meta-modèle du contexte proposé.
En partant de notre définition du contexte, tout élément :
— qui peut influencer le déroulement effectif du scénario ;
— et (qui caractérise l’environnement du scénario ou dont la présence est une
contrainte d’utilisation du scénario) qu’il soit d’ordre technique, pédagogique, so-
cial, physique ou autre ;
— et qui peut varier en passant d’une situation d’apprentissage à une autre pour un
même scénario réutilisé ;
peut être considéré comme un élément du contexte de ce scénario d’apprentissage.
Comme le montre la Figure 7.7, afin de déterminer si un élément fait partie du scé-
nario ou bien de son contexte, on commence par fixer un scénario et on le transfère d’un
contexte à un autre (on l’intègre dans un nouveau contexte). En d’autres termes, on
considère le cas où un concepteur sélectionne un scénario existant de la base et décide
de le réutiliser tel qu’il est dans une nouvelle situation d’apprentissage avec un nouveau
contexte : tout élément qui est fixe (non variable) d’une situation d’apprentissage à une
autre est plutôt considéré comme un élément du scénario même. Tout élément pouvant
varier d’une situation à une autre fait partie du contexte.

Figure 7.7. – Illustration de l’exécution d’un scénario d’apprentissage dans deux contextes d’ap-
prentissage différents

97
 proposition d’une approche pour l’opérationnalisation de l’assistance à la
réutilisation et à la capitalisation des scénarios d’apprentissage

Nous expliquons dans ce qui suit le schéma de la Figure 7.7 :

Soit un scénario d’apprentissage S1 composé des deux activités A11 et A12. Le scéna-
rio S1 est exécuté dans deux situations d’apprentissage différentes SA1 et SA2. Chacune
de ces situations d’apprentissage est caractérisée par un contexte différent, respective-
ment C1 et C2. Le contexte C1 est l’ensemble d’éléments contextuels évalués dans la
première situation (c11, c12, c13, c14 et c15) et le contexte C2 est l’ensemble d’éléments
contextuels évalués dans la deuxième situation (c21, c22, c23, c24 et c25).
D’une manière générale, un contexte d’un scénario d’apprentissage Ci est un ensemble
d’éléments contextuels évalués tel que :
Ci = {cij, j ∈ (1..n) }, avec n le nombre d’éléments contextuels identifiés.
En considérant la définition du contexte établie ci-avant, les profils des apprenants
ou celui de l’enseignant, les objectifs pédagogiques, les modalités d’apprentissage (tem-
porelles, spatiales et collaboratives) et les ressources matérielles utilisées sont identifiés
comme des éléments appartenant au contexte du scénario d’apprentissage. En effet, ils
(1) peuvent varier d’une situation à une autre pour un même scénario, (2) peuvent
influencer les résultats du déroulement effectif du scénario et (3) caractérisent l’environ-
nement du scénario (ou dont la présence contraint l’utilisation du scénario).
Les activités (ou la structure) du scénario, sa difficulté (e.g., débutant, avancé), sa
description ou les consignes apprenants et formateurs par exemple, caractérisent plutôt
le scénario même et non pas son contexte. Ces éléments ne sont donc pas considérés
comme contexte du scénario et ne figurent donc pas dans le modèle contextuel construit.

[Link] Vers une mutualisation des standards/normes de l’apprentissage au service de la modé-

lisation du contexte des scénarios d’apprentissage
Notre approche de modélisation du contexte n’exclut pas les standards, normes et
spécifications d’apprentissage qui sont apparus et dont chacun traite des aspects parti-
culiers relatifs à l’apprentissage (cf. Section 2.4).
Ces aspects interviennent dans le processus de scénarisation et peuvent notamment
être exploités pour appuyer et renforcer la modélisation des éléments contextuels rela-
tifs aux scénarios. Les standards (ou normes ou spécifications) peuvent être utiles pour
caractériser certains éléments contextuels. Notre démarche tend vers la définition d’une
approche de mutualisation des standards de l’apprentissage comme support à la réuti-
lisation des scénarios. Ceci permet d’exploiter ces différentes initiatives de standardisa-
tion existantes et d’utiliser un vocabulaire déjà utilisé et maîtrisé par la communauté de
pratique. D’autant plus que, tel que nous l’avons discuté dans la revue de la littérature,
ces standards peuvent jouer un rôle dans la favorisation de la réutilisation. De ces faits,
lors de l’identification et la spécification des différent(e)s facettes/éléments contextuels
pour le cas des scénarios d’apprentissages hybrides, nous nous sommes appuyés sur
les standards LOM-FR [LOM, 2002], le MLR [ISO, 2011] et le IMS-LIP [IMS-LIP, 2008].
Cette liste est bien évidemment extensible et on peut envisager l’intégration d’autres
standards. Nous nous focalisons essentiellement sur les données pouvant être utiles à
l’indexation du scénario. Ci-après les listes des éléments de standards existants réutilisés
dans notre modèle de contexte.

des profils d’apprenants basés sur le ims-lip

Les profils des acteurs (i.e. apprenants, enseignants) sont considérés comme des élé-

98
 proposition d’une approche pour l’opérationnalisation de l’assistance à la
réutilisation et à la capitalisation des scénarios d’apprentissage

ments de contexte du scénario puisqu’ils caractérisent ces acteurs appartenant à l’envi-

ronnement du scénario et pouvant varier d’une situation d’apprentissage à une autre. Vu
que nous adoptons une approche multi-facettes du contexte, ces profils sont par consé-
quent vus à travers différentes facettes : profil pédagogique et didactique ou profil social
et affectif. Pour identifier les sous-éléments des profils, nous nous sommes appuyés sur
la spécification IMS-LIP conçue pour la modélisation des profils des apprenants. Nous
exploitons également certains éléments pouvant être utiles pour caractériser le profil de
l’enseignant. Le Tableau 7.1 montre les éléments utilisés du IMS-LIP, leur description et
leur correspondance avec notre modèle de contexte.

Élément Description donnée par Correspondance avec CAPtuRe-model

du IMS-LIP
IMS-LIP
Qcl «Une description des Facette pédagogique et didactique > Profil
qualifications, des apprenants > Qcl
certifications et licences Facette pédagogique et didactique > Profil
obtenues» des enseignants > Qcl
Interest «Les centres d’intérêt de Facette sociale et affective > Profil des
l’apprenant» apprenants > Centres d’intérêt
Competen- «Les compétences de Facette pédagogique et didactique > Profil
ces l’apprenant» des apprenants > compétences
Facette pédagogique et didactique > Profil
des enseignants > compétences
Transcript «Un résumé sur les Facette pédagogique et didactique > Profil
réussites académiques de des apprenants > Relevés de notes
l’apprenant»
Accessibi- «Les compétences Facette pédagogique et didactique > Profil
lity linguistiques de des apprenants > Accessibilité
l’apprenant, ses
préférences cognitives,
physiques et
technologiques, ses
éligibilités et ses
invalidités»
Table 7.1. – Liste des éléments sélectionnés du IMS LIP utilisés et leur correspondance avec
CAPtuRe-model

des métadonnées pour les ressources/objets d’apprentissage basées

sur le lom et le mlr
Certains éléments proposés dans le profil LOM-FR 2 du LOM qui est défini pour les
métadonnées associées aux objets pédagogiques et dans le profil Normetic 2.0 3 du MLR
qui est défini pour les métadonnées associées aux ressources pédagogiques sont inté-
ressants à prendre en considération dans la spécification de notre modèle de contexte.

2. Le profil français du LOM ; [Link]

3. Le profil québécois du MLR ; [Link]

99
 proposition d’une approche pour l’opérationnalisation de l’assistance à la
réutilisation et à la capitalisation des scénarios d’apprentissage

Les standards LOM et MLR sont conçus de manière à ce qu’ils soient interopérables. En
nous appuyant sur ces deux profils, nous avons sélectionné certains éléments que nous
avons jugé pertinents pour caractériser les aspects contextuels d’un scénario d’appren-
tissage et établis une correspondance de ces éléments avec notre modèle de contexte
respectivement dans les Tableaux 7.2 et 7.3. Nous ne considérons pas les métadonnées
pouvant caractériser le scénario même mais seulement ceux qui caractérisent le contexte
du scénario.

Éléments du LOM-FR Correspondance avec CAptuRe-model

1.10. Langue Facette technique et technologique > Ressources
documentaires > Type documentaire
4.1. Format Facette technique et technologique > Ressources
documentaires > Format
4.2. Taille de la ressource Facette technique et technologique > Ressources
documentaires > Taille de la ressource
4.3. Localisation Facette technique et technologique > Ressources
documentaires > Localisation
4.4. Exigences techniques -
4.4.1. OrComposite -
[Link]. Type Facette technique et technologique > Ressources
[Link]. Nom logicielles > Type
[Link]. Version minimale Facette technique et technologique > Ressources
[Link]. Version logicielles > Nom
maximale Facette technique et technologique > Ressources
logicielles > Version minimale
Facette technique et technologique > Ressources
logicielles > Version maximale
4.5. Remarques Facette technique et technologique > Ressources
d’installation logicielles > Remarques d’installation
4.6. Autres exigences Facette technique et technologique > Ressources
logicielles > Autres exigences
4.7. Durée de la ressource Facette technique et technologique > Ressource
média > Durée de la ressource
5.7. Âge de l’apprenant Facette sociale et affective > Profil social et affectif
de l’apprenant > Âge
9.1. Objectif pédagogique Facette pédagogique et didactique > Objectifs
pédagogiques et didactiques
Table 7.2. – Liste des éléments sélectionnés du LOM-FR et leur correspondance avec CAPtuRe-
model

Éléments du profil Normetic 2.0 Correspondance avec CAptuRe-model

MLR

100
 proposition d’une approche pour l’opérationnalisation de l’assistance à la
réutilisation et à la capitalisation des scénarios d’apprentissage

ISO_IEC_19788 - Facette pédagogique et didactique > Profil des

5 :2011 : :DES1000 Langue de apprenants > langues maitrisées
l’utilisateur Facette pédagogique et didactique > Profil des
enseignants > langues maitrisées
ISO_IEC_19788 - Facette technique et technologique > Ressources
2 :2011 : :DES0100 Titre documentaires > Titre
ISO_IEC_19788 - Facette technique et technologique > Ressources
2 :2011 : :DES0200 Créateur documentaires > Créateur
Table 7.3. – Liste des éléments sélectionnés du Normetic 2.0 et leur correspondance avec
CAPtuRe-model

[Link] Étiquetage du modèle de contexte par les indicateurs d’apprentissage

Afin d’enrichir le modèle de contexte, nous lui associons des indicateurs qui reflètent
les données observées d’une situation d’apprentissage réelle. Ceci a été explicité à tra-
vers le méta-modèle construit à la Figure 7.3. Les valeurs prises par ces indicateurs
étiquetant les différents éléments et évaluations d’une instance du modèle de contexte
évalué, représentent autant d’informations additionnelles sur les aspects associés. Les
définitions de ces indicateurs étiquettent le modèle de contexte tel qu’il a été appliqué
au modèle CM-LS de la Figure 7.6, depuis la phase de spécification du modèle afin de
guider la scénarisation de l’observation.
Nous partageons la même approche que le langage UTL/DCL4UTL de modélisation
des indicateurs en considérant ces derniers comme « des variables signifiantes sur le plan
pédagogique, calculées ou établies à l’aide de données observées, et témoignant de la qualité de
l’interaction, de l’activité et de l’apprentissage dans un EIAH » [Choquet and Iksal, 2007a]. À
partir de cette définition, un indicateur est toute information calculée à partir de données
observées (par exemple des traces) et donc résulte d’une observation du scénario lors
d’une situation d’apprentissage réelle.
Le Tableau 7.4 liste un ensemble d’indicateurs et leur description, qui sont référencés
dans le modèle de la Figure 7.6 avec leurs définitions. Certains de ces indicateurs sont
récupérés à partir de travaux existants de la littérature (I1, I2, I3, I4, I5 et I6) et d’autres
sont spécifiés dans le cadre de ce travail (I7, I8, I9 et I10).

Réf Indicateur Description

I1 Indicateur du niveau de Permet au tuteur d’observer les activités de
communication (Communication communication à travers le chat de chaque
level indicator) [Gendron, 2010] apprenant.
I2 Indicateur du niveau de Offre une vue globale sur la collaboration
collaboration (Collaboration level entre les membres des groupes de projet.
indicator) [Gendron, 2010]
I3 Indicateur de division de travail Reflète la division du travail adoptée par
(Division of labor indicator) deux personnes agissant sur un ensemble
[Dimitrakopoulou, 2004] de ressources.

101
 proposition d’une approche pour l’opérationnalisation de l’assistance à la
réutilisation et à la capitalisation des scénarios d’apprentissage

I4 Indicateur d’implication de Mesure le degré d’implication de chaque

l’apprenant (Learner involvment apprenant dans la formation. Un apprenant
indicator) [Santos et al., 2003] est classé participatif, perspicace, utile,
non-collaboratif, avec initiative et/ou
communicatif.
I5 Indicateur d’équilibre entre Cet indicateur mesure l’écart entre la
conversation et action planification d’une action et son
[Dimitrakopoulou, 2004] implémentation.
I6 Indicateur de trajet (Trajectory Fournit le trajet effectué par l’apprenant
indicator) [Kepka et al., 2007] (e.g., ses bilans, taux de participation aux
activités, réussites, échecs).
I7 Indicateur sur le taux de Fournit le taux de participation global ou
participation à une séance par apprenant à une séance synchrone (e.g.,
synchrone ou asynchrone séance de chat) ou asynchrone (e.g., forum
de discussion).
I8 Indicateur sur le degré de réussite Fournit des statistiques sur les résultats
d’un test ou d’un quiz d’un test ou d’un quiz dans le scénario :
notes obtenues, taux de réussite, moyenne
d’un groupe d’apprenants.
I9 Indicateur sur l’état d’un dispositif Fournit l’état et l’évolution de l’état d’un
matériel dispositif matériel au cours d’une session
d’apprentissage (e.g., débit de connexion,
durée d’exploitation, durée d’inactivité).
I10 Indicateur sur le nombre et la Fournit le nombre de fois où un document
durée de consultation d’un ou une ressource média a été consulté
document ou d’une ressource durant la session d’apprentissage (ou pour
média une durée bien déterminée) et la durée de
cette consultation par apprenant.
Table 7.4. – Liste des indicateurs utilisés et leurs descriptions

Dans le cadre de nos études, nous nous intéressons aux indicateurs pédagogiques
pouvant fournir deux types d’informations :
— (Type1) les informations additionnelles sur le contexte effectif dans lequel
le scénario s’est déroulé fournies par des indicateurs contextuels («EContex-
tual_Indicator») ;
— (Type2) les informations reflétant le déroulement des activités du scénario dans
un contexte donné fournies par des indicateurs d’analyse des activités («EAnaly-
sis_Indicator») .
exemple. « L’indicateur sur l’état d’un dispositif » (I9) du Tableau 7.4 associé à
l’élément de contexte « Ressources matérielles » de la Figure 7.6 apporte une in-
formation additionnelle sur les ressources matérielles utilisées lors de l’exécution
du scénario. Il peut par exemple fournir des informations sur le débit/durée de
connexion d’un téléphone mobile, la durée de manipulation d’un ordinateur ou les
types d’interactions faites avec une tablette. Ceci informera l’enseignant davantage

102
 proposition d’une approche pour l’opérationnalisation de l’assistance à la
réutilisation et à la capitalisation des scénarios d’apprentissage

sur les ressources matérielles utilisées lors du déploiement du scénario qui pourra
analyser davantage le contexte et juger l’importance de l’élément contextuel en
question pour guider des futures réutilisations du scénario.
Cet étiquetage par les indicateurs s’applique aux différents rendus de modèles de
contexte (CM-LS, PCM-LS, ECM-LS et ICM-LS). La perception des indicateurs varie
en revanche selon le type du modèle de contexte auquel ils sont associés. Ils sont vus
comme :
1. des définitions d’indicateurs : au niveau CM-LS (identification des éléments
contextuels), les indicateurs ont pour rôle de guider la scénarisation de l’obser-
vation à travers la suggestion des besoins en observation (cf. phase «Scénarisation
de l’observation» du processus défini au chapitre précédent). Par exemple, il serait
pertinent de calculer les indicateurs (I2 : Indicateur du niveau de collaboration) et (I3 :
Indicateur de division de travail) dans le cas où les évaluations « En groupe » comme
modalité collaborative et « Augmenter la collaboration entre apprenants » comme ob-
jectif affectif et social sont exprimées. D’où l’étiquetage des éléments/évaluations
contextuels par les indicateurs pédagogiques. Cette association est montrée dans
le méta-modèle CAPtuRe-metamodel (cf. Figure 7.3) ;
2. des indicateurs paramétrés mais non calculés : au niveau PCM-LS (contexte pla-
nifié), les indicateurs composent les scénarios d’observation planifiés ;
3. des indicateurs calculés : au niveau ECM-LS (contexte effectif), les indicateurs
composent les scénarios d’observation exécutés ;
4. des indicateurs visualisés et interprétés : au niveau ICM-LS (index contextuel), les
indicateurs représentent des supports soutenant l’évaluation des éléments contex-
tuels à indexer et la pondération de ceux-ci.

7.2 définition de la méthode d’indexation contextuelle de scénarios

d’apprentissage guidée par l’observation

Nous procédons maintenant à la définition de la méthode d’indexation proposée pour

opérationnaliser le processus d’assistance à la réutilisation et la capitalisation de scéna-
rios et qui se base sur les modèles précédemment décrits. Cette indexation sera la base
de la méthode de sélection et de recommandation de scénarios que nous représenterons
dans la Section (7.3) qui suit.
L’indexation, dans le CBR, « inclut l’assignation d’indices au cas à indexer pour faciliter
leur recherche » [Watson and Marir, 1994]. Cette approche propose plusieurs lignes de
conduite (guidelines) pour l’indexation. Ainsi les caractéristiques des index construits,
selon Watson and Marir [1994], doivent :
— prédire la pertinence des cas (prédictifs) ;
— pouvoir comprendre pourquoi ils sont utilisés (reconnaissables) ;
— être assez abstraits afin de permettre les futures réutilisations ;
— être assez concrets (discriminatifs) afin de faciliter la recherche efficace et précise.
Dans un but d’optimisation de la réutilisation de scénarios d’apprentissage, notre mé-
thode d’indexation de ces scénarios se base sur l’observation d’instances de contexte
et du déroulement de ces scénarios dans ces instances. Afin d’exposer cette méthode
d’indexation, nous reprenons dans ce qui suit les phases du processus (décrit dans le
Chapitre (6) précédent) qui sont en relation avec la mise en place de cette indexation,

103
 proposition d’une approche pour l’opérationnalisation de l’assistance à la
réutilisation et à la capitalisation des scénarios d’apprentissage

mais en insistant cette fois sur les détails des langages utilisés et des modèles construits,
transformés et exploités. Nous verrons comment les modèles contextuels évoluent et
s’enrichissent progressivement au cours de ces phases du processus pour aboutir à la
construction d’un index contextuel ICM-LS représentant un périmètre de réutilisation
du scénario. On se base sur le modèle CAPtuRe-model, déjà spécifié (cf. Figure 7.6) pour
les scénarios d’apprentissage hybrides de la base BASAR, pour la structure des modèles
contextuels utilisés. Pour la représentation des scénarios d’apprentissage, on se base sur
la structure des modèles BASAR.

7.2.1 La réutilisation et la conception d’un scénario d’apprentissage

Cette section traite l’étape 2 du processus d’assistance de la Figure 6.2 qui est la «Réuti-
lisation et conception du scénario». La mise en place de mécanismes d’indexation com-
mence dès cette phase du processus. Les données collectées du contexte prévu, utiles à
ce niveau pour la sélection et la recommandation de scénarios appropriés, seront égale-
ment exploitées comme entrées pour l’indexation du scénario conçu.
La Figure 7.8 montre un modèle de contexte prévu PCM-LS construit pour le scénario
illustré à la Figure 7.10. Nous avons associé pour chaque élément de contexte un code
(«CEi») pour pouvoir le référencer dans la suite.

Figure 7.8. – Exemple d’un contexte prévu PCM-LS d’un scénario d’apprentissage

On voit dans ce PCM présenté que le concepteur a informé certains éléments du

contexte de la situation d’apprentissage en leur associant des évaluations de type «EVa-

104
 proposition d’une approche pour l’opérationnalisation de l’assistance à la
réutilisation et à la capitalisation des scénarios d’apprentissage

lue_Assessment». Ces dernières représentent des entités réelles que le concepteur pré-
voit dans la situation d’apprentissage cible.
Par ailleurs, il existe des relations entre les différentes évaluations possibles du modèle.
Ainsi, comme montré dans le méta-modèle du contexte, des règles («ERules») sont dé-
finies entre les évaluations contextuelles pour un modèle. Ces règles se présentent sous
la forme de contraintes sur les évaluations des éléments contextuels. Ces règles servent
d’une part à assurer l’intégrité du modèle et éviter les incohérences et d’autre part à
déduire et compléter les champs non informés par le concepteur, l’assister dans la tâche
d’expression du contexte et créer ainsi une interactivité entre le système et le concepteur.
La figure 7.9 montre quelques règles définies pour CAPtuRe-model. Les règles R1, R3,
R4 et R5 sont applicables au modèle PCM présenté et elles sont bien vérifiées.

Figure 7.9. – Quelques règles associées aux évaluations du modèle de contexte

La Figure 7.10 montre un exemple d’un scénario d’apprentissage hybride conçu qui
a été extrait de la base BASAR, que nous avons délibérément simplifié. Dans ce modèle
de scénario, nous avons modélisé l’ensemble des activités structurées d’une manière
hiérarchique en ajoutant des détails qui décrivent certaines activités. Nous avons associé
pour chaque activité un code («Actr ») afin de pouvoir la référencer dans la suite.

Figure 7.10. – Exemple d’un scénario d’apprentissage

En plus de l’expression du contexte prévu et de la conception du scénario, l’enseignant

procède à la scénarisation de l’observation.

105
 proposition d’une approche pour l’opérationnalisation de l’assistance à la
réutilisation et à la capitalisation des scénarios d’apprentissage

7.2.2 La scénarisation de l’observation

Cette section traite l’étape de «Scénarisation de l’observation» du processus. Nous

rappelons que cette étape consiste à identifier les indicateurs à calculer lors de la mise
en œuvre du scénario, les orchestrer et les paramétrer. Cette étape génère un modèle
de «Scénario d’observation». Cette tâche de scénarisation est assistée par le système qui
suggère/recommande au concepteur les indicateurs qui pourraient s’adapter au plus
aux spécifications exprimées par ce concepteur.
Afin de réaliser cette tâche de recommandation d’indicateurs, le système se base sur
quatre aspects : (1) les observations liées aux scénarios d’apprentissage recommandés, (2)
les contraintes de calcul d’indicateur, (3) les types d’activités choisies et (4) l’étiquetage
du modèle de contexte (Cf. Figure 7.11).

Figure 7.11. – Les entrées et sorties du système de recommandation d’indicateurs

1. Les observations liées aux scénarios d’apprentissage recommandés :

Les scénarios d’apprentissage recommandés à la phase précédente peuvent être
associés auparavant à des scénarios d’observation. Les indicateurs figurant dans
ces scénarios sont également susceptibles d’être adaptés à la nouvelle situation
d’apprentissage et peuvent donc être réutilisés. En d’autres termes, les indicateurs
ayant été calculés auparavant avec les scénarios appropriés à la réutilisation seront
recommandés à l’enseignant-concepteur.
2. Les contraintes de calcul d’indicateur :
Le système filtre les indicateurs selon la faisabilité de leur calcul dans le contexte
planifié construit comme par exemple la disponibilité des données d’entrée ou
traces des indicateurs ou la plateforme d’apprentissage utilisée. Par exemple, un
indicateur est défini seulement pour la plateforme Moodle : par conséquent cet
indicateur n’est recommandé au concepteur que lorsqu’il exprime qu’il utilise une
plateforme Moodle pour l’opérationnalisation de son scénario.
3. Les types d’activités choisies :
Le système propose également des indicateurs en fonction des types d’activités
choisies par l’enseignant dans la conception de son scénario d’apprentissage. Par
exemple, en ajoutant l’activité «Act1.2.3» (cf. Figure 7.10) proposant une activité
de type séance de discussion, le système recommande l’indicateur de taux de par-
ticipation à une séance synchrone (cf. indicateur « I7» du Tableau 7.4). Ces indi-
cateurs ne seront pas proposés pour l’activité de quiz «Act1.4», mais c’est plutôt
l’indicateur sur le degré de réussite d’un quiz ou d’un test (cf. indicateur «I8») qui
sera proposé. Par ailleurs, si le concepteur définit une activité en groupe telle que
l’activité «Act1.2.2», le système recommande des indicateurs relatifs au travail en
groupe comme par exemple l’indicateur du niveau de collaboration (cf. indicateur
«I2») ou l’indicateur sur la division de travail (cf. indicateur «I3»). Pour implémen-
ter ce mécanisme, des classes «activity_class» (e.g., cours, chat, exercice, activité en

106
 proposition d’une approche pour l’opérationnalisation de l’assistance à la
réutilisation et à la capitalisation des scénarios d’apprentissage

groupe, test, quiz) et des types LOM-fr «activity_type» (e.g., s’exercer, collaborer,
échanger, créer, communiquer) sont associés aux activités du scénario. Ces types
d’activités sont reliés aux indicateurs lors de la définition de ces derniers par les
experts de domaine. Ceci est également exprimé à travers un ensemble de règles
tel que le montre la Figure 7.12. Ce type de règles doit être identifié et enrichi par
des experts du domaine.
4. Étiquetage du modèle de contexte :
L’étiquetage du modèle de contexte par les indicateurs (cf. Figure 7.6 illustrant le
modèle CM-LS proposé) est exploité à ce niveau pour proposer des indicateurs à
l’enseignant. En insistant sur certains éléments contextuels bien particuliers lors
de la saisie du contexte, le système repère les aspects auxquels s’intéresse le plus
l’enseignant et lui recommande les indicateurs qui étiquètent ces éléments. Par
exemple, le concepteur exprime un nombre important d’évaluations faisant réfé-
rences à l’aspect collaboratif dans la facette sociale et affective. Par exemple, il
sélectionne comme objectifs affectifs et sociaux les évaluations «Augmenter la col-
laboration entre apprenants» et «Améliorer la communication», comme modalité
collaborative l’évaluation «en groupe», comme ressource logicielle «un outil de
gestion de projet collaboratif» et comme outil de communication les évaluations
«Chat» et «Forum». De ces faits, le système recommande les indicateurs étiquetant
ces éléments/évaluations dans le modèle de contexte qui sont dans notre cas les
indicateurs I1, I2 et I3.

Figure 7.12. – Quelques règles associées aux évaluations du modèle de contexte

Le processus de scénarisation de l’observation est donc assisté par le système : les indi-
cateurs qui correspondent aux besoins du concepteur sont identifiés automatiquement
par le système. Cependant, le concepteur a toujours le choix de sélectionner les indi-
cateurs à calculer par le système. Il doit également paramétrer des entrées de chaque
indicateur en l’associant aux activités concernées par l’observation ainsi que d’autres
informations utiles au calcul (e.g., la période d’observation, le (ou les) groupe(s) d’ap-
prenants à observer).

107
 proposition d’une approche pour l’opérationnalisation de l’assistance à la
réutilisation et à la capitalisation des scénarios d’apprentissage

Le scénario d’observation généré et paramétré sera exécuté à la suite de la mise en

œuvre du scénario dans une situation d’apprentissage réelle. Les indicateurs calculés
seront utilisés pour guider l’évaluation du contexte et des résultats de déroulement du
scénario dans ce qui suit.

7.2.3 Structuration et évaluation du contexte et des résultats de déroulement du scénario

Le scénario d’apprentissage et le scénario d’observation sont déployés dans une si-

tuation d’apprentissage réelle à l’aide d’une plateforme d’apprentissage. Une fois la
session passée et les indicateurs planifiés calculés à partir des traces d’usage, on passe
à l’étape de structuration et d’évaluation (1) du contexte effectif et (2) des résultats de
déroulement du scénario dans ce contexte.

(1) structuration et évaluation du contexte effectif du scénario

Le modèle de contexte effectif ECM est construit sur la base du modèle de contexte
prévu PCM exprimé lors de la phase de conception mais s’accorde plus avec le contexte
réel dans lequel s’est déroulé le scénario. Nous illustrons dans la Figure 7.13 le modèle
de contexte effectif ECM construit. Les différences par rapport au PCM sont montrées
en couleur grise pour mieux les repérer. En effet, le PCM peut avoir des connaissances
contextuelles manquantes qui n’étaient pas disponibles dés la phase de conception ou
que l’enseignant n’a pas prévu au préalable tels que des ressources matérielles utilisées,
une ressource média sous forme de vidéo, un outil de communication «forum» et l’em-
placement (ou les emplacements) géographique(s) des apprenants. Certaines évaluations
contextuelles peuvent également changer par rapport à ce qui a été prévu au préalable
comme le cas de la modalité spatiale qui est modifiée à la valeur «Hybride».

108
 proposition d’une approche pour l’opérationnalisation de l’assistance à la
réutilisation et à la capitalisation des scénarios d’apprentissage

Figure 7.13. – Exemple d’un contexte effectif ECM-LS d’un scénario

En plus des ajustements faits dans le modèle de contexte, ce dernier est enrichi par les
évaluations d’indicateurs contextuels. Ce type d’indicateurs apporte des informations
additionnelles au éléments contextuels (cf. associations «EContextual_Indicator» avec
«EContext_Item» ou «EAssessment» du méta-modèle de la Figure 7.3). Par exemple,
l’indicateur de trajet «I6» fournissant le trajet effectué par l’apprenant, ajoute des infor-
mations perçues au profil pédagogique des apprenants (cf. «CE1» de la Figure 7.13). On
peut citer aussi l’indicateur sur l’état d’un dispositif matériel «I9» qui informe sur la
connectivité et le temps de manipulation des ressources matérielles y compris les PC et
les Smartphones utilisés (cf. «CE5» de la Figure 7.13).

(2) structuration et évaluation des résultats de déroulement du scé-

nario
Cette étape constitue la phase pour le calcul des indicateurs relatifs au déroulement
des activités d’apprentissage du scénario dans le contexte déjà structuré et évalué dans
le modèle ECM. Il s’agit de la collecte des informations nécessaires pour ce calcul et
d’exécuter le scénario d’observation comprenant la liste des indicateurs sélectionnés et
paramétrés depuis la phase de scénarisation de l’observation. Le paramétrage constitue
entre autres l’association de chacun des indicateurs aux activités d’apprentissage concer-
nées par l’observation. Pour notre exemple d’usage, le système peut calculer l’indicateur
du niveau de collaboration «I2» et l’indicateur de division du travail «I3» pour l’activité
de travaux pratiques collaboratives (cf. «Act1.2.2» de la Figure 7.10). Il peut également
calculer l’indicateur sur le degré de réussite d’un test ou d’un quiz «I8» pour l’activité

109
 proposition d’une approche pour l’opérationnalisation de l’assistance à la
réutilisation et à la capitalisation des scénarios d’apprentissage

de quiz «Act1.4», ou l’indicateur sur le taux de participation à une séance synchrone

«I7» pour l’activité de séance de discussion «Act1.2.3».

7.2.4 Analyse et indexation du scénario

Sur la base des évaluations des étapes précédentes de structuration et évaluation du

contexte et des résultats de déroulement du scénario, l’enseignant procède à l’analyse et
l’indexation du scénario avec une assistance du système. En effet, nous rappelons qu’il
dispose à ce niveau (1) des éléments contextuels structurés et évalués et (2) d’une vue
sur les résultats du déroulement du scénario dans ce contexte qui sont visualisés sous
la forme d’indicateurs pédagogiques.
L’enseignant repère et met en évidence les propriétés du contexte qu’il juge utiles
à l’indexation du scénario. Ces propriétés seront prises en considération dans l’étape
de sélection de scénarios appropriés dans de nouvelles situations de conception par la
réutilisation. Cette mise en évidence de propriétés du contexte indexant le scénario est
réalisée à l’aide d’un système de pondération marquant l’importance de chacun des
éléments de contexte considérés par rapport à la réutilisation du scénario. Il procède à
l’analyse de l’impact d’une décontextualisation du scénario de cet élément. Ce système
de pondération a été précédemment expliqué dans la Section 7.1.4.
Il s’agit ainsi d’analyser l’impact du relâchement des contraintes et caractéristiques
sur les différentes facettes du contexte. L’enseignant précisera les propriétés du contexte
qui sont considérées comme :
— des contraintes de réutilisation du scénario, sans lesquelles le scénario ne peut pas
être réutilisé, et dans ce cas il leur associe la pondération «très important (1)» ;
— ou des caractéristiques du contexte, pouvant influencer les résultats du scénario
sans contraindre sa réutilisation.
La Figure 7.14 montre un exemple d’index contextuel ICM construit. On peut dire que
le ICM est une sous-configuration du ECM qui a été interprétée et qui se limite aux
connaissances contextuelles utiles à l’indexation et la capitalisation du scénario.

110
 proposition d’une approche pour l’opérationnalisation de l’assistance à la
réutilisation et à la capitalisation des scénarios d’apprentissage

Figure 7.14. – Exemple d’un index contextuel ICM-LS d’un scénario

La différence entre ces deux types de contexte est que le ECM-LS structure tous les
éléments contextuels disponibles. Par contre, le ICM-LS ne garde que les éléments jugés
pertinents à l’indexation. On voit par exemple dans cette illustration de l’ICM-LS que
l’enseignant considère que l’emplacement géographique n’est pas utile à l’indexation et
n’influence pas la réutilisation du scénario, et il juge alors de ne pas le garder dans l’in-
dex. L’index contextuel ajoute les pondérations utiles pour accentuer (ou au contraire
minimiser) l’importance de certains éléments contextuels par rapport à d’autres. Le mo-
dèle de contexte ICM est ainsi vu comme un périmètre de réutilisation du scénario
définissant d’une part les contraintes contextuelles pour sa réutilisation et l’importance
des caractéristiques contextuelles.
Par ailleurs, ces indicateurs guident l’enseignant (et le système) pour déterminer le
degré de réussite du scénario dans ce contexte précis. Ainsi, l’indexation est faite aussi
sur la base de critères de réussite et d’efficacité de cette instance du scénario. Après
avoir structuré, modélisé et évalué le contexte, il serait judicieux de voir de plus près les
résultats du déroulement des activités d’apprentissage afin d’analyser la pertinence du
scénario dans ce contexte précis et de guider et d’optimiser ainsi ses futures réutilisa-
tions.
Si nous revenons sur les approches proposées dans la littérature visant à juger la
qualité et de la pertinence d’un scénario dans un contexte précis : Pernin and Lejeune
[2004a] se basent sur le degré d’adaptation du scénario initial par rapport au déroule-
ment effectif de la situation d’apprentissage : un scénario est pertinent dans un contexte

111
 proposition d’une approche pour l’opérationnalisation de l’assistance à la
réutilisation et à la capitalisation des scénarios d’apprentissage

si les adaptations faites sont minimes, alors qu’il l’est moins dans le cas d’adaptations
importantes ou de non correspondance entre le scénario initial et son déroulement ef-
fectif. El-Kechai [2008] montrent par ailleurs que la réutilisation d’un scénario passe par
un processus de décontextualisation / recontextualisation et que si le contexte cible est
trop éloigné du contexte source, les efforts d’adaptation demandés rendent la réutilisa-
tion non productive. Pour notre cas, nous exploitons l’observation du déroulement du
scénario en session par les indicateurs analysant les activités d’apprentissage pour dé-
terminer si le scénario a été pertinent dans un contexte donné. En effet, on ne peut pas
juger de la pertinence du scénario indépendamment de son contexte : un scénario peut
être pertinent dans un contexte alors qu’il ne l’est pas dans un autre. Par exemple, un
scénario en développement logiciel adapté avec des étudiants en spécialité Informatique
peut ne pas l’être avec des étudiants en spécialité Chimie. Un autre scénario peut être
pertinent dans un contexte collaboratif utilisant des outils partagés mais ne l’est pas
dans un contexte où les apprenants travaillent d’une manière individuelle.
Nous considérons que le degré de réussite du scénario est estimé par l’évaluation de
l’adéquation des objectifs fixés au préalable par l’enseignant-concepteur aux résultats
effectifs perçus lors du déroulement du scénario dans une situation d’apprentissage
réelle. Ce degré de réussite informera sur la pertinence du scénario dans ce contexte.
Nous distinguons deux dimensions d’objectifs à évaluer : (1) les objectifs relatifs aux
scénarios d’apprentissage et (2) les objectifs relatifs aux observations par les indicateurs :
1. Les objectifs sur scénarios d’apprentissage qui ont été fixés à l’étape 2 de concep-
tion de scénarios. Ces objectifs sont d’ordres pédagogiques, didactiques, sociaux
ou autres et figurent dans le modèle de contexte :
Disposant des indicateurs pédagogiques calculés et visualisés par le système, et
en ayant une perception directe sur le déroulement réel de l’apprentissage (si le
scénario comporte une partie réalisée en présentiel), l’enseignant analyse la situa-
tion d’apprentissage et estime les degrés d’atteinte des objectifs qui étaient fixés
au préalable lors de la phase de conception du scénario (cf. Section 7.2.1). Ces ob-
jectifs sont ainsi évalués et indexés avec le même système de pondération que les
autres éléments contextuels sur une échelle de 5 points, mais en adoptant plutôt
une échelle de Likert relative au degré de satisfaction qui est plus significatif pour
l’évaluation d’atteinte d’objectifs. Ainsi, dans un scénario à capitaliser, les objectifs
sur scénario (figurant dans son modèle de contexte) sont associés à des degrés de
satisfaction qui peuvent prendre les valeurs suivantes : Pas du tout satisfait (0) ;
Non satisfait (0.25) ; Incertain (0.5) ; Satisfait (0.75) et Très satisfait (1).
Par exemple, un enseignant souhaite concevoir un scénario qui a pour objectif,
entre autres, de «Repérer les leaders de la classe» qu’il exprime dans le PCM lors
de la conception du scénario. Suite à la mise en œuvre du scénario et l’analyse de
la situation d’apprentissage guidée par les indicateurs notamment l’indicateur de
l’implication de l’apprenant (cf. «I4» du Tableau 7.4) et l’indicateur de réussite à
un test (cf. «I8» du Tableau 7.4), l’enseignant attribue alors la valeur «Non Satisfait»
à cet objectif. Ceci signifie que l’enseignant estime que le scénario n’a pas été assez
adapté pour repérer les leaders de la classe et qu’il n’est pas satisfait des résultats
par rapport à cet objectif.
2. Les objectifs sur indicateurs qui ont été fixés à l’étape 3 de la scénarisation de
l’observation (cf. Section 7.2.2) avant la mise en œuvre du scénario :

112
 proposition d’une approche pour l’opérationnalisation de l’assistance à la
réutilisation et à la capitalisation des scénarios d’apprentissage

En plus du paramétrage des indicateurs lors de la scénarisation de l’observation, le

concepteur peut associer des objectifs à ces indicateurs qu’il souhaite atteindre avec
son scénario. Un objectif peut être associé à un seul indicateur ou à plusieurs. Un
degré d’adéquation entre les objectifs visés et les résultats effectifs des indicateurs
dans une session d’apprentissage est alors calculé afin de guider l’enseignant dans
ses analyses. Par exemple, un enseignant exprime que, si le taux de réussite d’un
test prévu à la fin de son scénario atteint 80% et le taux de consultation d’une
ressource atteint 70% (ses objectifs sur indicateurs), il estime que son scénario a
réussi.
Guidé par les éléments contextuels structurés et évalués, par les indicateurs calculés et
visualisés et par les degrés d’adéquation des objectifs sur indicateurs avec les résultats
effectifs, l’enseignant est amené à déterminer le degré de réussite global du scénario.
Ce degré de réussite représentera la pertinence du scénario dans ce contexte précis et
sera pris en considération lors de la sélection est recommandation de scénarios dans le
cadre de futures réutilisations.

intégration de mécanismes d’automatisation de l’indexation

Dans le cadre de la deuxième version de notre méthode d’indexation, nous visons
principalement l’intégration de mécanismes d’automatisation de l’indexation (cf. Itéra-
tion 3 de la Figure 5.2). Dans cette perspective, nous définissons des mécanismes pour
l’estimation automatique des «degrés de satisfaction» des objectifs sur scénario et du
«degré de réussite global» d’un scénario par le système. Pour cela, on explicite des liens
entre les éléments du triplet (Indicateur - Objectifs sur scénarios - Objectifs sur indica-
teurs) tel que le montre la Figure 7.15. Nous rappelons qu’un objectif sur scénario est
caractérisé par un degré de satisfaction et un objectif sur indicateur est caractérisé par
un degré d’adéquation.

Figure 7.15. – Triplet (Indicateurs - Objectifs sur scénario - Objectifs sur indicateurs)

Ci-après trois cas d’usage illustrés dans la Figure 7.16, qui expliquent ces mécanismes :
cas1. À la phase de scénarisation de l’observation, un enseignant opte (1) pour l’ob-
servation du niveau de collaboration des apprenants qu’il estime réussi s’il atteint
50% (objectif sur indicateur) et (2) pour l’observation du taux de participation glo-
bal à un chat qu’il estime réussi s’il atteint 70% (objectif sur indicateur). Suite à la
mise en œuvre effective du scénario, on constate à travers la Figure 7.16 une adé-
quation totale entre les objectifs visés et les résultats effectifs des indicateurs. D’où
un degré d’adéquation de 100%. Dans cet exemple, l’enseignant définit seulement
des liens entre les indicateurs et les objectifs sur indicateurs ;
cas2. À la phase de scénarisation de l’observation, un enseignant souhaitant à tra-
vers son scénario «promouvoir la collaboration des apprenants». Il exprime que le

113
 proposition d’une approche pour l’opérationnalisation de l’assistance à la
réutilisation et à la capitalisation des scénarios d’apprentissage

scénario est pertinent dans son contexte si : (1) au moins 3 apprenants sont classés
comme «participatifs» (2) le taux de collaboration atteint 70% et (3) l’indicateur de
division de travail atteint 80%. Dans ce cas, un objectif sur trois a été atteint. Par
conséquent, le système attribut automatiquement un degré de satisfaction de 33%
à l’objectif sur scénario associé ;
cas3. À la phase de scénarisation de l’observation, un enseignant souhaitant repérer
les leaders de sa classe, exprime qu’il estime que son scénario est réussi dans
son contexte s’il repère au moins deux apprenants qui (l) sont classés comme
«perspicaces», (2) ont réussi à un test planifié dans le scénario avec, au moins
95/100 comme score et (3) a un taux de participation à un chat au moins de 15%.
On constate ici à travers la Figure 7.16 une adéquation entre les objectifs visés et
les résultats effectifs des indicateurs et donc un degré de satisfaction de 100% est
attribué automatiquement à l’objectif sur scénario. Ceci signifie que l’objectif a été
très bien satisfait.
Dans les deux derniers cas d’usage (2 et 3), l’enseignant définit des liens entre les indi-
cateurs, les objectifs sur indicateurs et les objectifs sur scénario. La détermination des
critères de réussite du scénario dans le contexte précis de la situation est laissée au ju-
gement de l’enseignant. Ceci est dû au fait que ces critères de réussite dépendent de la
situation d’apprentissage ou de l’enseignant et il est difficile de généraliser.

Figure 7.16. – Illustration des exemples d’objectifs relatifs aux indicateurs

Le «degré de réussite» global d’une instance du scénario dans un contexte donné est
une valeur (donnée sous forme de pourcentage) déduite à partir des évaluations des
objectifs relatifs aux scénarios à travers leurs taux de satisfaction (déterminés par le
système et/ou par l’enseignant) et des résultats d’adéquation des objectifs relatifs aux

114
 proposition d’une approche pour l’opérationnalisation de l’assistance à la
réutilisation et à la capitalisation des scénarios d’apprentissage

indicateurs. L’appréciation globale de l’enseignant est également prise en compte. Cette

valeur est exploitée pour renforcer l’algorithme de calcul de similarités contextuelles ap-
pliqué lors de la phase de sélection et la recommandation de scénarios dans des futures
réutilisations. Si deux scénarios ont une même similarité par rapport au contexte cible
de réutilisation, le scénario le plus réussi (ayant été le plus pertinent dans son contexte
source) sera favorisé. Ceci permettra de maximiser l’efficience de la réutilisation et ainsi
de l’optimiser. Dans la section qui suit, nous détaillons cette méthode de sélection et
de recommandation de scénarios présentée sous la forme d’un algorithme de calcul de
similarités contextuelles exploitant les modèles définis. Cet algorithme se base sur la
méthode d’indexation en exploitant les modèles définis.

7.3 proposition d’un algorithme de calcul de similarités contex-

tuelles de scénarios d’apprentissage : capture-algorithm

Cet algorithme s’inscrit dans la phase de « Sélection et recommandation de scénarios

» de CAPtuRe-process proposé. En se référant au schéma déjà présenté dans la Figure
6.3, une expérience capitalisée dans notre approche est formée d’un problème qui est la
conception d’un scénario d’apprentissage et ses observations pour un contexte cible, de
sa solution associée qui est le scénario d’apprentissage conçu et les résultats obtenus
de la mise en œuvre du scénario dans ce contexte précis qui se basent sur de critères
de réussite et d’efficacité du scénario. Chaque expérience capitalisée décrit une solution
particulière pour un problème donné. Dans une situation de conception par la réutili-
sation, l’enjeu est de modéliser un nouveau problème à résoudre et de sélectionner les
expériences les plus appropriées à réutiliser.
Nous définissons dans ce cadre un algorithme, nommé CAPtuRe-algorithm, de calcul
de similarités entre le contexte modélisé d’une nouvelle situation d’apprentissage et ce-
lui des expériences passées tout en considérant les résultats associés à ces expériences.
Cet algorithme, de type pattern-matching, utilise les champs renseignés par l’enseignant
pour la définition du contexte prévu et s’appuie sur des métriques permettant le calcul
de similarité entre deux graphes contextuels. Ceci permet de filtrer les scénarios indexés
par un contexte proche du contexte prévu. La problématique qui s’est posée est que
le contexte prévu ne peut pas correspondre exactement aux contextes de réutilisation
(ou index contextuels) capitalisés associés aux scénarios : une valeur ou plusieurs va-
leurs des éléments de contexte peuvent être éloignés. Un diagnostic de matching peut
être donné pour évaluer si le contexte prévu est éloigné ou proche des contextes de
réutilisation.
Compte tenu des modèles de contexte définis précédemment, le principe consiste à
calculer la distance entre un modèle de contexte de type PCM-LS et un ensemble de
modèles de type ICM-LS qui ont été définis comme des périmètres de réutilisation du
scénario. La métrique utilisée est la similarité DICE qui mesure la similarité entre des
vecteurs pondérés. La similarité DICE entre deux vecteurs P et Q est définie comme suit
[Cha, 2007] :

d
2 ∑ Pi Qi
i =1
s Dice = (7.1)
d d
∑ Pi2 + ∑ Q2i
i =1 i =1

115
 proposition d’une approche pour l’opérationnalisation de l’assistance à la
réutilisation et à la capitalisation des scénarios d’apprentissage

La distance est définie comme suit :

d
∑ ( Pi − Qi )2
i =1
d Dice = 1 − s Dice = (7.2)
d d
∑ Pi2 + ∑ Q2i
i =1 i =1

Le principe est d’utiliser cette similarité en l’appuyant par le degré de réussite d’un
scénario. Le système renvoi alors au concepteur les scénarios indexés par les contextes
les plus similaires au contexte prévu et qui sont les plus appropriés à la réutilisation. En
d’autres termes, le système renvoi les scénarios ayant été exécutés dans des contextes
les plus proches au contexte prévu et ayant été les plus pertinents dans leurs contextes
sources.
Nous commençons d’abord par détailler la représentation des données et les symboles
utilisés et ensuite nous présentons l’algorithme de calcul de similarités contextuelles mis
en place.

7.3.1 Représentation des données

Soit un ensemble de scénarios d’apprentissage LS = { LSi /i = (�1..N )}. Chaque scé-

�
nario LSi est associé à un ou plusieurs index contextuels ICM = ICM j /j = (1..M)
représentant les contextes dans lesquels des instances de ce scénario ont été mises en
œuvre et indexées. Dans un index ICM j , chaque élément contextuel (i.e., les compé-
tences dans le profil pédagogique de l’apprenant et la modalité temporelle) est associé
−
→
à une évaluation représentée comme un vecteur pondéré IC.
Ainsi, considérons qu’un index contextuel ICM j est un ensemble de vecteurs pondé-
−
→
rés IC représentant les différentes évaluations des éléments contextuels, soit ICM j =
�−→ � −→
ICk /k = (1..n) . ICk prend comme valeurs les pondérations (ou poids) attribuées lors
de la phase d’indexation du scénario notées wr . Les poids compris dans l’intervalle [0.1]
sont acceptables, bien que les valeurs sémantiquement significatives de ces poids sont (0 ;
0.25 ; 0.5 ; 0.75 ; 1) correspondant aux degrés d’importance ou aux degrés de satisfaction
définis auparavant.
En outre, chaque paire ( ICM j , LSi ) est associée un «degré de réussite» noté SR j
(Success Rate) reflétant l’estimation de la pertinence du scénario concerné LSi dans ce
contexte indexé ICM j . Nous rappelons que ce degré de réussite est déterminé par l’en-
seignant et/ou par le système sur la base de l’observation du scénario par les indicateurs
pédagogiques.
Le contexte prévu PCM-LS est une projection a priori du contexte effectif d’exécution
ECM-LS du scénario. Ce contexte prévu est présenté par le vecteur PCM qui est un en-
−
→
semble de �−vecteurs pondérés
� PC représentant les évaluations des éléments contextuels :
→
PCM = PCl /l = (1..m) . Si nous optons pour une approche où le contexte cible PCM
exprimé par le concepteur est également appuyé par des pondérations reflétant le degré
−→
d’importance des éléments du contexte prévu, le PCl est formé par ces poids attribués
−→
notés vr. . Sinon, le PCl comprendra des poids binaires : «1» pour indiquer la présence
d’une valeur contextuelle et «0» pour indiquer son absence.

116
 proposition d’une approche pour l’opérationnalisation de l’assistance à la
réutilisation et à la capitalisation des scénarios d’apprentissage

Par ailleurs, un seuil de voisinage par rapport au contexte cible peut être défini repré-
sentant la valeur de la similarité minimale (ou la distance maximale) requise pour que
la réutilisation serait pertinente. Ce seuil, noté MinTh, peut être fixé par le concepteur
ou bien automatisé.

7.3.2 L’algorithme « CAPtuRE-Algorithm »

La Figure 7.17 illustre graphiquement les symboles précédemment identifiés et un

aperçu graphique du déroulement de CAPtuRE-Algorithm.

Figure 7.17. – Une illustration graphique de l’algorithme de calcul de similarités contextuelles

de scénarios

L’algorithme calcule la similarité entre le modèle de contexte prévu (PCM) et chacun

des index contextuels (ICM j ) associés aux différents scénarios d’apprentissage capitali-
sés (LSi ). Cette similarité est appuyée par le taux de réussite du scénario SR j dans ce
contexte. Tel qu’évoqué précédemment, l’algorithme est basé sur la similarité pondérée
DICE, une métrique pour le calcul de la similarité entre deux vecteurs pondérés. Cet
algorithme s’intègre dans la classe d’algorithmes de plus proches voisins (ou Nearest
Neighbour en anglais).

117
 proposition d’une approche pour l’opérationnalisation de l’assistance à la
réutilisation et à la capitalisation des scénarios d’apprentissage

Algorithme 7.1 CAPtuRe-algorithm : un algorithme de calcul de similarités contex-

tuelles entre scénarios d’apprentissage
INPUT
— A set of N learning scenarios: LS
— A set of M index instances and associated Success Rates: ICM,SR
— Correspondence structure between ICM and LS (connecting each
scenario to its contextual indexes)
— A Planed Context: PCM
— Min similarity Threshold: MinTh
OUTPUT
— A list L of the most appropriate scenarios corresponding to the
planed context PCM, and insuring a minimum similarity threshold
MinTh
PROCEDURE
1. For each ICM j
a) Match correspondent elements and establish links between ICk
vectors and PCl vectors valuations
b) Add each non-common valuation with the weight ”0” to ICk vectors
and PCl vectors
c) In the PCl vectors, verify the presence of all index constraints
(elements with the w = 1 in ICk vectors)
d) If all index constraints are satisfied
i. For each matched ICk vectors and PCl vectors
A. Apply Dice similarity formula :
2∑ w t v t
DiceSimilarity( ICk , PCl ) = t
∑w2t +∑v2t
t t

ii. Calculation of similarities Average in the tree (through

a buttom-up approach) to retrieve global similarity value:
DiceSimilarity( ICM j , PCM )
iii. Determine Relevance of LSi associated to ICM j in PCM : add
reinforcing parameters similarity by the success rate SR j
associated to the given index
Relevancy( LSi , PCM ) = SR j × DiceSimilarity( ICM j , PCM )
e) If Relevancy( LSi , PCM ) ≥ MinTh
Add LSi corresponding to ICM j to the L list
2. Return L List
END OF ALGORITHM

Cet algorithme est utilisé dans le cadre de la conception par la réutilisation. Pour
concevoir son scénario, comme le montre l’illustration de la Figure 7.18, l’enseignant
peut réutiliser des scénarios existants qui sont sélectionnés et recommandés par cet
algorithme. L’activité de conception consiste en un ordonnancement de granules de
scénarios existantes et en une création de nouvelles activités.

118
 proposition d’une approche pour l’opérationnalisation de l’assistance à la
réutilisation et à la capitalisation des scénarios d’apprentissage

Figure 7.18. – Méthode de conception par la réutilisation

7.3.3 Optimisation de l’algorithme de calcul de similarités contextuelles entre scénarios d’ap-

prentissage

A ce niveau, des propositions ont été intégrées (ou prévu d’être intégrées) pour l’op-
timisation de l’algorithme de calcul de similarités contextuelles entre scénarios présenté
dans la Section précédente. Ces améliorations s’intègrent dans la deuxième version de
l’algorithme mise en place durant la troisième itération de nos travaux (cf. Figure 5.2).
En plus du taux de réussite déjà introduit, nous avons définis d’autres paramètres qui
sont pris en compte dans l’algorithme afin d’optimiser les résultats de recommandation
des scénarios appropriés à un contexte donné, qui sont :
— l’expérience de l’enseignant (noté EXp) :
Le paramètre d’expérience de l’enseignant (inspiré du concept de «réputation de
l’enseignant») est associé à chaque enseignant-concepteur reflétant ses expériences
avec le système proposé. Ce paramètre accroit à chaque fois que l’enseignant exé-
cute «efficacement» une instance du processus complet y compris la conception
de scénario, sa mise en œuvre et son évaluation. Plus ce paramètre est élevé plus
il ajoute un certain degré de confiance aux scénarios conçus par cet enseignant ce
qui favorise leur recommandation par l’algorithme.
— un seuil limitant le périmètre de réutilisation d’un scénario lors de son indexa-
tion (noté MinSim) :
Ce seuil est une valeur fixée représentant la similarité minimale à partir de la-
quelle la réutilisation serait pertinente pour un scénario donné. Ce diagnostic de
réutilisation est automatisé ou laissé à l’appréciation de l’enseignant concepteur.
Des optimisations peuvent également être faites sur le temps de la recherche de scéna-
rios appropriés. L’une des limites des algorithmes basés sur le CBR est que le temps
de recherche augmente linéairement avec le nombre de cas [Watson and Marir, 1994].
Ainsi, nous pouvons optimiser ce temps de recherche en intégrant des méthodes de
classification des scénarios orientant la recherche de scénarios ce qui limite l’espace de
recherche à une classe pertinente de la base de cas. Ceci est notamment utile lorsque
le nombre de cas dans la base (de scénarios d’apprentissage) devient important. Ainsi,
des méthodes peuvent être appliquées pour optimiser notre algorithme telle que l’in-
tégration de l’algorithme génétique au CBR (Genetic Algorithm based on Case-Based

119
 proposition d’une approche pour l’opérationnalisation de l’assistance à la
réutilisation et à la capitalisation des scénarios d’apprentissage

Reasonning : GA-CBR) conçu pour améliorer les performances des systèmes CBR [Guo
et al., 2011].
Par ailleurs, le choix de la formule de la similarité DICE peut être confronté à d’autres
types de similarités possibles tels que les similarités COSINE ou JACCARD [Cha, 2007]
pour voir ceux qui aboutissent à des résultats de recommandation optimisés pour notre
cas. Ceci n’a pas été traité dans le cadre de ces travaux de thèse.

7.4 application de l’approche sur les eml

Nous proposons ici des ébauches de généralisation de notre proposition sur les EML.
Tel que présenté précédemment dans la Figure 7.3, le méta-modèle proposé illustrant
notre approche, interagit avec un métamodèle du scénario. Il a été considéré qu’un scé-
nario est composé d’un ensemble d’activités et est associé à un contexte d’apprentissage.
Sur la base de la vue simplifiée du métamodèle des EML illustré dans la Figure 3.2
lors de la revue de la littérature, nous rappelons qu’une unité d’étude au sens EML est
composée de rôles, activités et environnements. Un rôle, occupé par des acteurs, effectue
une activité qui est réalisée dans un environnement, lui-même composé d’objets. Nous
visons à adapter ce modèle EML en ajoutant des éléments pour pouvoir l’intégrer dans
notre approche. Comme le montre la Figure 7.19, nous procédons au positionnement
du méta-modèle des EML dans les différents niveaux identifiés de notre approche de la
Figure 7.1
Selon notre vision du contexte, l’environnement composé d’objets et les acteurs font
partie du contexte du scénario. Tel que montré dans la Figure 7.19, nous plaçons ainsi
ces entités au niveau L2 représentant le contexte. Les unités d’étude, les activités et les
rôles associés sont positionnés au niveau L1 représentant le scénario d’apprentissage.
Par ailleurs, dans les EML, l’environnement est associé à une activité bien particulière
du scénario. Cependant, dans notre approche, le contexte est vu d’une perspective glo-
bale couvrant le scénario d’apprentissage dans sa totalité, et non pas comme un contexte
spécifique à une activité particulière de scénario. Nous ajoutons alors un élément englo-
bant l’ensemble des éléments contextuels, que nous appelons «contexte agrégateur», qui
intègre l’ensemble des environnements liés aux différentes activités et les objets les com-
posant ainsi que les acteurs ayant participé à ces activités. Nous ajoutons également au
niveau L3 les indicateurs qui analysent les éléments contextuels et les activités d’appren-
tissage.

120
 proposition d’une approche pour l’opérationnalisation de l’assistance à la
réutilisation et à la capitalisation des scénarios d’apprentissage

Figure 7.19. – Intégration du méta-modèle des EML aux différents niveaux proposés dans notre
approche

Afin d’illustrer cette approche nous sélectionnons deux exemples de scénarios d’ap-
prentissage tirés de la littérature. Nous prenons une première étude de cas modélisée
en IMS-LD et une deuxième modélisée en LDL. Ces deux derniers formalismes sont
des EML que nous avons déjà présenté dans le Chapitre 3. Nous explicitons à partir de
chacun des cas un exemple de modèle contextuel, selon notre approche, formalisant le
«contexte agrégateur» et une proposition d’indicateurs pouvant y être associés.
La première étude de cas [Bote-Lorenzo et al., 2004] modélise en IMS-LD un scénario
conçu par des enseignants pour être déployé dans un cours d’architecture d’ordinateurs.
Ce scénario se base partiellement sur un CLFP jigsaw 4 .
Nous reprenons ici quelques activités énoncées de ce scénario :

Nous appliquons notre approche de modélisation du contexte sur ce scénario IMS-LD.

La Figure 7.20 montre l’index contextuel sous forme de ICM que nous avons construit
suite à l’étude de ce cas d’usage. Les pondérations sont laissées aux valeurs par défaut.

4. un patron de collaboration appliqué à la technique jigsaw qui propose une solution pour des
problèmes de résolution complexes exigeant une collecte et/ou une manipulation d’informations [Bote-
Lorenzo et al., 2004]

121
 proposition d’une approche pour l’opérationnalisation de l’assistance à la
réutilisation et à la capitalisation des scénarios d’apprentissage

Figure 7.20. – ICM construit pour le scénario modélisé en IMS-LD de Bote-Lorenzo et al. [2004]

Pour ce scénario, on peut prévoir par exemple le calcul de l’indicateur sur le niveau
de communication (I1), l’indicateur sur le niveau de collaboration (I2), l’indicateur sur la
participation à une séance synchrone (I7), l’indicateur sur l’état d’un dispositif matériel
(I9) et l’indicateur sur le nombre et degrés de consultations d’une ressource (I10). Ces
indicateurs cités étiquètent le ICM présenté dans la Figure 7.20. On peut également
prévoir d’observer, tel qu’il a été d’ailleurs énoncé dans cette étude de cas, les échanges
entre les équipes et les échanges dans chacune de ces équipes.
La deuxième étude de cas [Ferraris et al., 2008] modélise en LDL un scénario nommé
«Planet game». L’objectif de cette étude est d’acquérir des connaissances concernant l’or-
ganisation du système solaire. Les auteurs de cette étude (Ferraris et al. [2008]) énonce
néanmoins que ce scénario Planet game n’est pas limité au domaine de l’astronomie
mais peut être réutilisé par exemple dans le contexte d’un apprentissage de règles de
trafic.
Nous reprenons ici quelques activités identifiées de ce scénario :

De la même manière, nous appliquons notre approche de modélisation du contexte

sur ce scénario IMS-LD. La Figure 7.21 montre l’index contextuel sous forme de ICM

122
 proposition d’une approche pour l’opérationnalisation de l’assistance à la
réutilisation et à la capitalisation des scénarios d’apprentissage

que nous avons construit suite à l’étude de ce scénario. Les pondérations sont laissées
aux valeurs par défaut.

Figure 7.21. – ICM construit pour le scénario modélisé en LDL de Ferraris et al. [2008]

Pour ce scénario, on peut prévoir par exemple le calcul de l’indicateur sur le niveau
de communication (I1), l’indicateur sur la participation à une séance synchrone ou asyn-
chrone (I7) et l’indicateur sur le taux de réussite à un test ou quiz (I8), étiquetant le ICM
présenté dans la Figure 7.21.
Nous avons ainsi pu construire des modèles contextuels pour ces deux scénarios
modélisés avec des EML différents, ce qui montre la faisabilité de l’utilisation de tels
modèles de scénarios dans notre processus d’assistance à la réutilisation et à la capita-
lisation de scénarios et l’application des méthodes d’indexation et de recommandation
proposées dans notre approche.

7.5 synthèse du chapitre

Nous avons proposé dans ce chapitre une approche d’opérationnalisation du proces-

sus d’assistance à la réutilisation et à la capitalisation de scénarios d’apprentissage basée
sur l’observation et l’évaluation des contextes d’usage des scénarios. Cette approche a
concerné la définition des modèles manipulés par le processus en se focalisant particuliè-
rement sur les modèles contextuels qui constituent le principal objet de notre recherche.
Nous avons ainsi proposé une approche de modélisation multi-niveau du contexte des
scénarios d’apprentissage qui est indépendante du langage de formalisation du scéna-
rio. Pour cela, nous avons opté pour une approche de modélisation multi-facettes du
contexte qui est enrichie par les indicateurs.
En se basant sur ces modèles définis, nous avons par la suite proposé les méthodes
pour opérationnaliser le processus notamment une méthode d’indexation contextuelle
de scénarios et une méthode de sélection et de recommandation de scénarios. Nous
avons d’abord présenté l’approche en se basant sur un modèle simplifié de scénarios
basé-activités que nous avons ensuite appliquée sur les EML.
Les contributions présentées jusque-là ont permis de :

123
 proposition d’une approche pour l’opérationnalisation de l’assistance à la
réutilisation et à la capitalisation des scénarios d’apprentissage

— présenter une vision globale sur les connaissances contextuelles pouvant être liées
au scénario d’apprentissage tout en se basant sur des travaux de littérature et sur
des standards de l’apprentissage (apport théorique) ;
— fournir des méthodes et moyens pour collecter, évaluer et capitaliser ces connais-
sances contextuelles et les utiliser dans un cadre d’assistance pour optimiser la
réutilisation de scénarios et la rendre plus efficace (apport méthodologique et
conceptuel) ;
— intégrer et mettre en place un processus instrumenté au sein du projet BASAR
assistant la réutilisation et la capitalisation de ses scénarios (apport pratique) ;
— appliquer le formalisme de graphes contextuels et les techniques associées pour
les scénarios d’apprentissage et l’exploiter par des méthodes et des algorithmes
(apport technique).
L’implémentation des modèles et méthodes proposés et leur intégration en une plate-
forme logicielle d’assistance à la réutilisation et à la capitalisation de scénarios d’appren-
tissage va permettre de valider la faisabilité technique et technologique de ces contribu-
tions ce qui fera l’objet du Chapitre 8 suivant.

124
I M P L É M E N TAT I O N D ’ U N E P L AT E F O R M E D ’ A S S I S TA N C E À L A
R É U T I L I S AT I O N E T À L A C A P I TA L I S AT I O N D E S C É N A R I O S
8
D ’ A P P R E N T I S S A G E : C A P T U R E - P L AT F O R M

Afin de concrétiser le processus d’assistance à la réutilisation et à la capitalisation

d’un scénario d’apprentissage et les modèles et méthodes proposés pour son opération-
nalisation, nous avons conçu et développé le prototype d’un système logiciel CAPtuRe-
platform. Il s’agit d’une plateforme qui vise à aider l’enseignant-concepteur à mieux
réutiliser les scénarios d’apprentissage existants dans une base/référentiel en offrant des
mécanismes et outils logiciels pour le suivi, l’analyse, l’indexation et la recommandation
des scénarios. Principalement, la plateforme a pour but d’implémenter notre processus
d’assistance spécifié en assurant les fonctionnalités suivantes :
— supporter la modélisation contextuelle et ses principes précédemment définis et
l’instanciation/la construction des différents types de rendus des modèles contex-
tuels utilisés par le processus ;
— la recommandation des scénarios les plus appropriés pour une situation d’appren-
tissage cible afin d’assister et optimiser la réutilisation dans un contexte de concep-
tion pédagogique ;
— la recommandation des indicateurs pédagogiques à calculer selon les besoins en
observation et leurs paramétrages ;
— la collecte des traces et la gestion des indicateurs pédagogiques, notamment à tra-
vers l’integration de la modélisation des traces et indicateurs à l’aide des langages
UTL et DCL4UTL ainsi que leur visualisation ;
— l’assistance et le guidage de l’enseignant dans l’indexation contextuelle des scéna-
rios d’apprentissage en automatisant (partiellement) cette tâche ;
— le stockage et la capitalisation des expériences d’apprentissage indéxées.
Nous procédons dans ce qui suit à la présentation des étapes de spécification et de mise
en place de l’architecture de cette plateforme (cf. Section 8.1). Nous exposons ensuite
les étapes de développement et d’intégration de la plateforme en simulant le processus
d’assistance sur un cas d’usage réel (cf. Section 8.2).

8.1 spécification et conception de la plateforme d’assistance

8.1.1 L’adoption d’une architecture orientée service pour une ingénierie et réingénierie de scé-
narios d’apprentissage

Nous commençons par proposer une architecture logique globale pour la mise en
place d’applications dans le cadre d’une ingénierie et réingénierie de scénarios d’appren-
tissage suivant une architecture SOA. La Figure 8.1 illustre cette architecture proposée
s’inspirant de l’approche SOA-RA 1 .

1. Fournit une Architecture de Réference SOA pour un écosystème d’une entreprise ou d’une applica-
tion et repose sur l’établissement des éléments constitutifs de la SOA : services, composants et flux qui sup-

125
 implémentation d’une plateforme d’assistance à la réutilisation et à la
capitalisation de scénarios d’apprentissage : capture-platform

Figure 8.1. – Architecture logique d’une application en ingénierie et réingénierie d’un scénario
d’apprentissage conforme à l’architecture de référence SOA-RA

Comme le montre cette architecture, l’application est décomposée en un ensemble

de services («Services Layer») qui sont les briques de base d’une SOA. Ces services
sont classés en composants de services («Services Components Layer») assurant une
réutilisabilité de plus gros grains et utilisant différentes sources de données («Data Re-
positories»). Les services sont enchainés pour former des processus métiers («Business
Process Layer»). Dans le cadre de nos travaux, nous traitons le processus d’assistance à
la réutilisation et à la capitalisation de scénarios. Nous pouvons envisager la composi-
tion d’autres processus avec des objectifs différents comme par exemple un processus
d’assistance à la conception et à l’adaptation de scénarios d’apprentissage.
Un ensemble de composants de services utilitaires et techniques, regroupant les fonc-
tionnalités non-métiers, se positionne d’une manière transversale aux autres couches
(«Utility Services Components» et «Data Architecture»). L’adoption d’une telle architec-
ture permet une flexibilité, extensibilité et scalabilité de l’application à travers l’ajout
de nouveaux services, l’adaptation et la mise à jour des services et les processus les
composant. Elle assure également une neutralité technologique vu l’indépendance entre
les interfaces et les implémentations des services. Ceci permet l’intégration et la réutili-
sation de formalismes et mécanismes existants et l’utilisation de différentes sources de
données hétérogènes.

8.1.2 L’architecture fonctionnelle de CAPtuRe-platform

Le principe dans une application SOA est que chaque service lui est attribué une (des)
tâche(s) qu’il effectue indépendamment des autres services. En effet, parmi les principes
de conception d’un service en SOA on peut citer son autonomie, sa réutilisabilité et son
faible couplage avec les autres services. Les services sont composés, sous forme de pro-
portent collectivement les processus et objectifs métier. [Link]
ar-archtemp/

126
 implémentation d’une plateforme d’assistance à la réutilisation et à la
capitalisation de scénarios d’apprentissage : capture-platform

cessus, pour atteindre un objectif global commun qui est dans notre cas l’optimisation
de la réutilisation de scénarios d’apprentissage. Selon ce principe, et en tenant compte
des spécifications des différentes phases de notre processus, nous commençons par iden-
tifier les services candidats (placés dans la couche «Service Layer») que nous classons
dans des composants de services (placés dans la couche «Services Components Layer») :
1. composant de conception et d’opérationnalisation des scénarios d’apprentissage :
a) service de sélection et de recommandation de scénarios d’apprentissage ;
b) service d’aide à la conception de scénarios d’apprentissage ;
c) service d’opérationnalisation de scénarios d’apprentissage ;
2. composant d’observation des scénarios d’apprentissage :
a) service de recommandation d’indicateurs pédagogiques ;
b) service d’aide à la conception de scénarios d’observation ;
c) service de collecte et de structuration de traces d’usage ;
d) service de gestion des indicateurs pédagogiques (décomposé en un ensemble
de sous-services pour le calcul de chaque indicateur) ;
e) service de structuration et d’évaluation des résultats ;
3. composant de gestion des connaissances contextuelles :
a) service de collecte et de structuration du contexte prévu ;
b) service de collecte du contexte effectif ;
c) service de structuration et d’évaluation du contexte effectif ;
4. composant de capitalisation des scénarios :
a) service d’analyse et d’indexation du scénario ;
b) service de stockage de scénarios indexés.
Ces services sont considérés comme des services métiers («Task services» au sens SOA).
Des composants de services d’ordre technique («Utility services» au sens SOA) peuvent
également être ajoutés d’une manière transversale aux autres services métiers tels que
des composants pour services d’authentification, de connexion aux plateformes et dis-
positifs, de gestion des exceptions, de journalisation des événements, de persistance etc.
La Figure 8.2 montre le processus métier d’assistance à la réutilisation et à la capitali-
sation de scénarios d’apprentissage explicitant l’enchainement et l’interaction entre les
différents services identifiés, implémentant ainsi CAPtuRe-process.

127
 implémentation d’une plateforme d’assistance à la réutilisation et à la
capitalisation de scénarios d’apprentissage : capture-platform

Figure 8.2. – Architecture fonctionnelle de CAPtuRe-platform : Implémentation du processus

d’assistance en termes de services

Nous présentons les détails des différents services lors de la simulation du proces-
sus avec CAPtuRe-platform à la Section 8.2.3. Nous présentons avant l’environnement
logiciel du développement de la plateforme.

8.2 développement et intégration de la plateforme d’assistance

8.2.1 Environnements et outils logiciels de développement

Afin de lui assurer un accès facile et léger, la plateforme a été implémentée sous la
forme d’une application web en HTML5, CSS3 et JavaScript reposant sur les services
web. Pour le développement de la plateforme, nous avons utilisé les frameworks, biblio-
thèques et outils largemement utilisés actuellement qui sont :
— le framework «Spring Boot» 2 pour le développement et la mise en place de la par-
tie back-office de l’application. L’outil «Spring Tool Suite» 3 basé sur «Eclipse» a été
utilisé comme IDE. Il s’agit d’un cadre robuste pour le développement d’applica-
tions web en Java qui assure la gestion des transactions avec les bases de données
et la persistance, supporte l’intégration de services web et offre des mécanismes
de configuration et de déploiement des applications ;

2. Projet Spring Boot, [Link] ;

Spring Boot Reference Guide, [Link]
reference/htmlsingle/
3. [Link]

128
 implémentation d’une plateforme d’assistance à la réutilisation et à la
capitalisation de scénarios d’apprentissage : capture-platform

— le framework «Jersey» 4 pour le développement et la mise en place des services

web de type RESTful suivant les spécifications de JAX-RS (JSR 311 et JSR 339) ;
— la bibliothèque «Bootstrap» 5 pour le développement et la mise en place de la par-
tie front-office de l’application. Elle a été choisie parce qu’elle offre une panoplie de
composants graphiques (formulaires, grilles, graphes, etc.) permettant de dévelop-
per une interface conviviale, facile à utiliser et flexible à l’enseignant-concepteur
qui peut être un non informaticien ;
— la bibliothèque «AngularJS» 6 pour la déclaration et l’intégration de vues dyna-
miques dans l’application et permettant de créer des RICH Internet Application
(RIA). Elle se présente comme une extention à la syntaxe de HTML pour expri-
mer les composants de l’application clairement et succinctement et adopte une
architecture MVC (Model-View-Controller) ;
— le format «JSON» (JavaScript Object Notation) pour la représentation des modèles
contextuels. Il s’agit en effet d’un format léger d’échange et de représentation de
données. Ce choix de notation est justifié par les possibilités du JSON à exprimer
des données en arborescence, par l’existence de bibliothèques pour leurs manipu-
lations et par sa compatibilité avec les formats du web notamment les services
web.

8.2.2 Intégration de la plateforme avec des outils/environnements existants

CAPtuRe-platform communique et interagit avec des environnements et outils exis-

tants qui sont les suivants :
— l’outil Scenari BASAR pour la conception et l’exportation des scénarios d’ap-
prentissage sous un format opérationnalisable sur une plateforme d’apprentissage
LMS ;
— la base BASAR comme référentiel de scénarios d’apprentissage à indexer et à
réutiliser ;
— la plateforme d’apprentissage Moodle comme LMS pour l’opérationnalisation
des scénarios d’apprentissage ;
— autres dispositifs TIC tels que les annuaires, les environnements numériques de
travail (ENT) des établissements éducatifs, les outils web pour l’apprentissage. Ces
dispositifs sont utilisés comme des sources d’informations caractérisant et enrichis-
sant les connaissances contextuelles.
La communication avec ces environnements est assurée à travers des services
web de type REST. En effet, beaucoup de plateformes/outils exposent actuelle-
ment leurs fonctionnalités sous la forme de bibliothèques (API) de services web
permettant ainsi l’interaction et la communication avec eux à travers le web (le
protocole HTTP). Pour la plateforme Moodle, on trouve par exemple la fonction
«core_enrol_get_enrolled_users» qui permet d’obtenir les utilisateurs inscrits par id de
cours ou la fonction «tool_lp_search_users» qui permet de rechercher des utilisateurs.
Ces fonctions sont exposées par un «Web service API» 7 . Des requêtes peuvent éga-
lement être lancées directement vers la base Moodle dans le serveur. De même pour

4. RESTful Web Services in Java, [Link]

5. [Link]
6. [Link]
7. Les fonctions sont disponibles sur [Link]

129
 implémentation d’une plateforme d’assistance à la réutilisation et à la
capitalisation de scénarios d’apprentissage : capture-platform

certains ENT qui offrent les fonctionnalités et contenu proposés à travers des services
web 8 . Pour l’interopérabilité avec l’outil Scenari BASAR, des services web sont actuelle-
ment en cours de développement (par une équipe de développeurs) ce qui facilitera la
communication avec cet outil.

8.2.3 Simulation du processus d’assistance avec CAPtuRe-platform : Étude de cas

Afin de décrire les fonctionnalités et outils proposés par CAPtuRe-platform, nous re-
prenons les étapes du processus CAPtuRe-process (cf. Section 6.2 et Section 7.2), en les
présentant maintenant d’un point de vue pratique. Il s’agit d’un enchainement d’appel
des services identifiés dans l’architecture de la plateforme. Cet enchainement est établi
par un service orchestrateur qui gère les appels des services et le flux d’informations
entre eux. Nous simulons ce processus à travers le déroulement d’un cas d’usage, repré-
sentant une situation d’apprentissage réelle, dans CAPtuRe-platform :
Cas d’usage - La conception d’un scénario d’apprentissage pour un module de «
Technologies du web » dans le cadre de la formation d’étudiants en deuxième année
d’études d’ingénieur spécialité « Génie Logiciel ». Ce module est hybride c’est à dire
qu’il inclut des activités à distance et d’autres en présentiel. Pour la partie à distance, la
plateforme d’apprentissage Moodle 2.1 est utilisée.
Dans cette simulation, nous nous focalisons essentiellement sur les IHM et les com-
posants logiciels développés. Nous insistons ainsi sur les détails techniques puisque les
procédures et les savoirs théoriques ont été déjà présentés dans les deux chapitres précé-
dents. Nous avons distingué les différents états de développement des services et de leur
intégration dans la version actuelle de CAPtuRe-platform, dans la Figure 8.2, comme
suit : couleur rouge pour désigner les services développés dans le cadre de cette thèse
et intégrés dans CAPtuRe-platform ; couleur verte pour désigner les services partiel-
lement développés et intégrés dans CAPtuRe-platform et couleur grise pour désigner
les services déjà existants en cours d’intégration dans CAPtuRe-platform.
La plateforme se présente sous la forme d’un tableau de bord pour l’enseignant expo-
sant l’ensemble des fonctionnalités proposées. Elle divise le processus en deux grandes
phases accessibles par l’enseignant que nous pouvons distinguer dans le menu du ta-
bleau de bord (cf. Zone (A) de la Figure 8.3) qui sont : Conçevoir (Design) et Evaluer
(Evaluate). L’utilisateur peut à tout moment alterner entre les deux phases afin de récti-
fier ou compléter des informations.

[Link] Simulation des étapes de recommandation, de réutilisation et de conception d’un scéna-

rio d’apprentissage
L’enseignant souhaite concevoir un scénario d’apprentissage. Il dispose de la base
BASAR comportant des scénarios hybrides déjà conçus et capitalisés par d’autres en-
seignants/formateurs. Il s’agit d’abord d’informer le contexte prévu pour la situation
d’apprentissage qui est à la charge du concepteur assisté par le «Service de collecte du
contexte prévu». Cette tâche est assurée par l’enseignant assisté par le système à travers
des formulaires de saisie du contexte et d’autres sources pouvant apporter des données
caractérisant le contexte. Parmi ces sources nous pouvons citer :

8. Par exemple l’ENT de l’Université de Nantes [Link]

pagelibre/

130
 implémentation d’une plateforme d’assistance à la réutilisation et à la
capitalisation de scénarios d’apprentissage : capture-platform

— les bases de données des LMS contenant des détails sur les apprenants et l’ensei-
gnant ou sur les outils de communication à utiliser ;
— les annuaires des ENT pouvant fournir des informations sur les apprenants, sur
les ressources matérielles, logicielles ou documentaires disponibles ou sur l’établis-
sement ;
— éventuellement des informations collectées par des capteurs pour certains élé-
ments spécifiques à des domaines particuliers tels que la localisation par GPS ou
par IP, les capteurs de température, de pression, etc.
Le fait que la plateforme est basée sur les services web la rend plus interopérable et ex-
tensible. La récupération des données à partir de sources hétérogènes devient alors plus
facile d’autant plus que la plupart des environnements exposent actuellement leurs don-
nées via des services web facilement intégrables. La Figure 8.3 illustre les formulaires de
saisie du contexte prévu qui sont enrichis par des informations collectées par le système.
Dans l’interface montrée, l’enseignant informe par exemple les objectifs pédagogiques et
sélectionne les apprenants qui participeront à la situation d’apprentissage en ayant au-
tomatiquement des informations sur leurs compétences, spécialités et niveaux d’études.

Figure 8.3. – Interfaces de collecte du contexte prévu

L’enseignant peut néammoins ajouter manuellement des informations non dispo-

nibles dans le système comme par exemple ajouter des ressources matérielles et leurs
métadonnées tel que illustré dans la Figure 8.4. Cette interface d’ajout d’une nouvelle
ressource est accessible à partir de l’onglet «Technics» du formulaire d’information du
contexte (cf. Zone (A) de la Figure 8.3) .

131
 implémentation d’une plateforme d’assistance à la réutilisation et à la
capitalisation de scénarios d’apprentissage : capture-platform

Figure 8.4. – Interface d’ajout de ressources matérielles à utiliser

L’information à compléter dans les champs contextuels est également facilitée à tra-
vers l’utilisation des composants IHM adaptés telles que les fonctionnalités d’auto-
complétude de certains champs (cf. Zones (C) et (E) de la Figure 8.5) pour diminuer
la charge du concepteur, les fonctionnalités de filtrage (cf. «Search» à la Zone (D) de la
Figure 8.5) et de masquage automatique ou «auto-hide» (cf. Zone (B) Figure 8.3 et Zone
(F) de la Figure 8.7) pour gérer la densité informationnelle des interfaces proposées. Les
critères d’évaluation des IHM sont discutés plus en détail dans le chapitre suivant.

Figure 8.5. – Exemple de saisie des objectifs sociaux et affectifs

L’un des éléments contextuels (qu’on trouve dans le modèle contextuel) est la pla-
teforme d’apprentissage LMS dans laquelle est opérationnalisé le scénario d’apprentis-
sage. CAPtuRe-platform offre ainsi une fonctionnalité de connexion à un LMS accessible
depuis le lien «Configure learning platform» dans le menu haut de l’interface de la Fi-
gure 8.3. Cette fonctionnalité de connexion est illustrée dans la Figure 8.6 où l’enseignant
spécifie le LMS à utiliser et sa version, le lien vers le serveur et les coordonnées d’accès.

132
 implémentation d’une plateforme d’assistance à la réutilisation et à la
capitalisation de scénarios d’apprentissage : capture-platform

Notons que les deux premiers champs peuvent être repérés automatiquement par le
système.

Figure 8.6. – Interface de connexion à la plateforme d’apprentissage

D’autre part, les règles associées aux évaluations du modèle de contexte, telles que
celles spécifiées précedemment dans la Figure 7.9, sont appliquées au niveau de l’inter-
face en termes de contraintes sur les composants graphiques. Par exemple, pour la règle
R4 («Learning platform is not NULL»), la spécification de la plateforme d’apprentissage
à utiliser à travers l’interface de la Figure 8.6 est obligatoire dans le processus de saisi
du contexte. Pour la règle R5, qui exprime que la modalité collaborative ne peut avoir
qu’une seule valeur parmi les trois spécifiées (« In group », « Individual » ou « Hy-
brid »), elle est traduite sous la forme d’une liste déroulante. Par ailleurs, pour la règle
R3 par exemple, si une activité de chat est exprimée parmi les outils de communication,
la liste déroulante de la modalité temporelle se limite aux deux valeurs « Hybrid » ou
« Synchronous ».
Des mécanismes de guidage du concepteur sont également mis en place afin de lui
montrer que cette tâche complémentaire de saisie du contexte lui est également béné-
fique. En effet, cette tâche d’expression du contexte lors de la planification d’une situa-
tion d’apprentissage est utile à l’enseignant pour :
1. lui recommander le(s) bon(s) scénario(s) à réutiliser,
2. avoir un feedback sur le déroulement de ces scénarios d’apprentissage et analyser
les causes de réussites ou d’échecs de ce scénario,
3. garder traces et capitaliser les expériences d’apprentissage y compris les scénarios
mis en œuvre, leurs contextes d’usage et leurs résultats,
4. servir de base d’indexation du scénario pour des futures réutilisations soit par
l’enseignant lui-même ou par d’autres enseignants.
En partant de ces informations collectées, le service construit le contexte prévu sous la
forme d’un modèle contextuel PCM tel que le montre les Zones (H) et (G) de la Figure
8.7.

133
 implémentation d’une plateforme d’assistance à la réutilisation et à la
capitalisation de scénarios d’apprentissage : capture-platform

Figure 8.7. – Extrait d’un modèle, vue et code représentant les ressources matérielles dans un
PCM

Ce modèle PCM construit constitue l’entrée de l’algorithme de calcul de similarité

contextuelle qui renvoie la liste des scénarios indexés par les contextes les plus proches
à ce contexte prévu. Il constitue l’arbre de requête sur la base de scénarios indexés qui est
utilisé par le «Service de sélection et de recommandation de scénarios d’apprentissage».
Ce service dispose ainsi en entrée du PCM formé et de la base de scénarios indexés.
Son rôle est de générer et afficher la liste des scénarios les plus appropriés ainsi que les
informations associées à ces scénarios.
A ce niveau le concepteur conçoit son scénario, à l’aide du service d’aide à la concep-
tion de scénarios d’apprentissage, tout en réutilisant l’existant. Nous utilisons dans la
version actuelle de la plateforme l’outil de conception pédagogique «Scenari BASAR».
Le scénario conçu par cet outil est transmis à un «service d’opérationnalisation du scéna-
rio» dans une plateforme d’apprentissage. Ce service existe dans l’outil Scenari BASAR
et permet l’exportation vers le format IMS-CC 9 intégrable dans un LMS (e.g. Moodle
et Blackboard). La Figure 8.8 montre l’interface de conception et d’opérationnalisation
de scénario (cf. respectivement Zones (I) et Zone K de cette interface) et de la liste des
scénarios sélectionnés (de la base BASAR) et recommandés par le système (cf. Section
«Reuse scenarios»).
Nous notons que l’éditeur de conception pédagogique, actuellement en cours d’inté-
gration dans la plateforme, est l’outil Scenari BASAR. L’intégration est assurée à travers
une nouvelle version en services web de l’outil de conception. Comme notre approche

9. Common cartridge is an initiative led by the IMS Global Learning Consortium. The initiative
supports course packages you can use across learning management systems (LMS) [[Link]
[Link]/Learn/Instructor/Course_Content/Reuse_Content/Export_and_Archive_Courses]

134
 implémentation d’une plateforme d’assistance à la réutilisation et à la
capitalisation de scénarios d’apprentissage : capture-platform

est conçue de manière à être interopérable avec des formalismes de scénarios différents,
il est envisageable d’intégrer d’autres outils de conception de scénarios. Ceci est faisable
à travers la mise en place de services web exposant les fonctionnalités et agissant comme
interfaces de communication entre cet outil et CAPtuRe-platform. Nous dégageons ici
certains intérêts d’adopter une architecture en services qui sont l’interopérabilité et la neu-
tralité technologique où l’utilisation d’un service n’est pas contrainte ni par sa technologie
d’implémentation ni par sa localisation. Ainsi, l’intégration de services hétérogènes dé-
veloppés avec plusieurs langages est potentiellement possible.

Figure 8.8. – Interface de recommandation, de réutilisation et de conception d’un scénario d’ap-

prentissage

Chaque scénario est accompagné de sa pertinence de réutilisation estimée dans le

contexte prévu exprimé. Cette pertinence représente la similarité calculée entre le PCM
et l’index contextuel ICM du scénario proposé renforcé par des critères de réussite et
d’efficacité de celui-ci. L’enseignant peut choisir le minimum de pertinence (Min simila-
rity Threshold : MinTh) des résultats proposés en réglant le seuil de pertinence montré
dans la partie «Reuse Scenarios » dans la Zone (J) de la Figure 8.8. Le concepteur peut
toujours revenir sur les différentes tâches de saisie du contexte pour affiner ses besoins
au fur et à mesure de la conception
Comme spécifié précédemment, l’algorithme tient compte des différentes facettes
contextuelles pour calculer la similarité entre les scénarios. De ce fait, en examinant
la liste des scénarios recommandés, nous remarquons que leurs disciplines sont parfois
éloignées étant donné que l’algorithme effectue une recherche multifacette des éléments
contextuels.
L’enseignant peut consulter les scénarios proposés à la réutilisation et afficher les
versions web des artefacts conçus avec l’éditeur « scénario BASAR ». Des fonctionnalités
de « drag and drop » pour une réutilisation directe des activités sont prévues dans des
versions ultérieures de la plateforme. La Figure 8.9 montre des extraits de scénarios
pouvant être réutilisés de la base BASAR.

135
 implémentation d’une plateforme d’assistance à la réutilisation et à la
capitalisation de scénarios d’apprentissage : capture-platform

Figure 8.9. – Exemples d’extraits de scénarios à réutiliser de la base BASAR

[Link] Simulation de l’étape de scénarisation de l’observation

En disposant du modèle de contexte prévu PCM, des scénarios recommandés et de la
base d’indicateurs, le «service de recommandation d’indicateurs pédagogiques» suggère
les indicateurs pouvant intéresser le concepteur. En se référant au système de recomman-
dation des indicateurs illustrés dans le chapitre précédent dans la Figure 7.11, le service
se base sur les entrées suivantes : (1) les observations ayant été liées auparavant aux scé-
narios d’apprentissage recommandés, (2) les contraintes de calcul des indicateurs en
fonction du contexte prévu et des informations relatives au calcul qui sont disponibles
dans la base d’indicateurs (3) les types d’activités choisies dans le scénario d’appren-
tissage conçu et (4) l’étiquetage des éléments contextuels figurant dans le modèle de
contexte prévu PCM.
Pour les contraintes de calcul des indicateurs (cf. deuxième entrée citée ci-avant), le
service a pour rôle de vérifier si un indicateur peut être calculé dans la situation planifiée.
En d’autres termes, il vérifie si les contraintes de calcul de l’indicateur sont satisfaites
comme par exemple :
— si l’indicateur a été configuré pour la plateforme d’apprentissage (LMS) précisée,
— si la plateforme d’apprentissage offre les traces nécessaires au calcul de l’indica-
teur,
— si ces traces en question sont accessibles par le système.
Le service de recommandation d’indicateurs pédagogiques exploite ces données d’en-
trée afin de suggérer les indicateurs appropriés. Le «service d’aide à la conception de
scénarios d’observation» a par contre la charge de la visualisation des indicateurs recom-
mandés et donne la possibilité à l’enseignant de sélectionner les indicateurs à planifier
tel que le montre la section «Observe my scenario» de la Figure 8.10.

136
 implémentation d’une plateforme d’assistance à la réutilisation et à la
capitalisation de scénarios d’apprentissage : capture-platform

Figure 8.10. – Interface de scénarisation de l’observation de CAPtuRe-platform

L’enseignant est amené également à paramétrer le calcul des indicateurs sélectionnés.

La Figure 8.11 montre un exemple de paramétrage de l’indicateur sur le taux d’utilisa-
tion d’une ressource «Resource usage rate» nécessitant la spécification du cours concerné
dans lequel la ressource à observer est intégrée, la période d’observation et le nom de
cette ressource. Les entrées et sorties de ces différents indicateurs sont détaillées dans la
section qui suit.

Figure 8.11. – Interface de paramétrage de l’indicateur « Resource usage rate »

[Link] Simulation des étapes de mise en œuvre et d’observation du scénario

Le scénario est mis en œuvre dans une situation d’apprentissage réelle. Comme nous
nous positionnons dans le contexte de l’apprentissage hybride, ceci implique une situa-
tion d’apprentissage à distance et une situation d’apprentissage en présentiel tel qu’illus-
tré dans la Figure 8.2 de l’architecture fonctionnelle de CAPtuRe. Le «service de collecte
et de structuration de traces d’usage» est responsable de la réalisation des deux tâches
suivantes :
— la collecte des traces d’usage générées lors de la situation d’apprentissage à dis-
tance. Ces traces peuvent être présentes dans les fichiers logs ou les bases de don-
nées des dispositifs TIC utilisés lors de la mise en œuvre du scénario (e.g., des
LMS, les ENT, des outils ou vidéos sur le web). Seules les traces nécessaires au
calcul des indicateurs figurant dans le scénario d’observation sont collectées.

137
 implémentation d’une plateforme d’assistance à la réutilisation et à la
capitalisation de scénarios d’apprentissage : capture-platform

— la structuration des traces d’usage collectées selon un format bien défini. Dans la
version actuelle de CAPtuRe-Platform, ces traces brutes sont structurées selon le
format «Raw Datum» du langage UTL.
En partant des traces collectées et structurées générées par ce service de collecte et de
structuration de traces d’usage et de la base contenant les définitions des indicateurs
(annuaire d’indicateurs), un «service de gestion des indicateurs pédagogiques» est res-
ponsable de l’exécution des fonctions indicateurs reflétant le contexte de la situation
d’apprentissage passée et le déroulement du scénario d’apprentissage dans ce contexte.
Un sous-service élémentaire est associé à chacun des indicateurs définis dans la base. Le
service de gestion des indicateurs pédagogiques gère l’activité d’observation et exécute
le scénario d’observation préalablement planifié par l’enseignant-concepteur à travers la
délégation des tâches à ces sous-services. En effet, pour chaque indicateur j du scéna-
rio d’observation, il procède à l’appel du sous-service responsable (service de calcul de
l’indicateur Ij), lui envoi les traces nécessaires à son calcul qui ont été déjà collectées et
structurées puis réceptionne les valeurs de l’indicateur calculé.
La tâche de modélisation et de calcul d’indicateurs est assurée par les langages
UTL/DCL4UTL. Une version en web services du moteur d’exécution en DCL4UTL est
actuellement en cours de développement et sera intégrée dans les prochaines itérations
dans CAPtuRe-platform afin de supporter le calcul d’indicateurs.
D’autre part, un «service de collecte du contexte effectif» a comme tâche de collec-
ter les évaluations sur les éléments contuextels à partir des situations d’apprentissage à
distance et en présentiel. Il utilise aussi comme entrée le contexte prévu précédemment
construit qui comporte des informations sur le contexte. Ces données contextuelles col-
lectées et les indicateurs pédagogiques calculés (par le service de gestion des indicateurs
pédagogiques) sont structurés selon le modèle de contexte CM-LS prédéfini. Ceci est réa-
lisé par le service de collecte et de structuration du contexte d’usage effectif qui génère
comme résultat le modèle de contexte effectif structuré et évalué ECM-LS. Les indica-
teurs calculés constituent aussi des entrées du «Service de structuration et évaluation
des résultats» qui se préoccupe plutôt de la gestion des résultats relatifs au déroulement
des activités du scénario.
Nous avons spécifié et modélisé (à l’aide de UTL/DCL4UTL) cinq indicateurs dans
notre plateforme. Nous présentons dans ce qui suit ces indicateurs et quelques exemples
d’applications avec le cas d’usage.

indicateur1 : taux de consultation d’une ressource (resource usage

rate)
Cet indicateur, nommé «I_ViewResourceRate» calcule le taux de consultation d’une
ressource. La Figure 8.12 illustre le schéma de données pour le calcul de cet indicateur.

138
 implémentation d’une plateforme d’assistance à la réutilisation et à la
capitalisation de scénarios d’apprentissage : capture-platform

Figure 8.12. – Schéma de données de l’indicateur « I_ViewResourceRate »

Le Tableau 8.8 décrit l’indicateur «I_ViewResourceRate ».

Indicateur pédagogique :
Taux de consultation d’une ressource : I_ViewResourceRate
Formule de calcul de l’indicateur :
Nombre d’étudiants ayant consulté au moins une fois une ressource / Nombre total
d’étudiants inscrits dans le cours
Sources de données :
Base de données Moodle et fichiers log Moodle
Paramètres externes (à saisir par l’enseignant) :
- (P1) courseId : l’id du cours contenant la ressource - (P2) startDate : Date de début
souhaitée de l’observation - (P3) endDate : Date de fin souhaitée de l’observation -

(P4) resourceName : Le nom de la ressource à observer

Table 8.1. – Tableau descriptif de l’indicateur I_ViewResourceRate »

Comme montré dans la Figure 8.12, certaines données sont récupérées de la base de
données de Moodle et d’autres des fichiers log. Comme évoqué précédemment, des don-
nées saisies par l’enseignant sont également nécessaires (paramètres externes) qui ont
pour but de paramétrer le calcul de l’indicateur tels que le nom du cours «courseName»
et de la ressource à observer «resourceName» ou les dates de début «startDate» et de
fin «endDate» de l’observation souhaitée. La Figure 8.13 et la Figure 8.14 montrent res-
pectivement des aperçus de logs récupérés de la plateforme Moodle suite à l’exécution
du scénario et de la base de données MySql relatifs au cas d’usage.

139
 implémentation d’une plateforme d’assistance à la réutilisation et à la
capitalisation de scénarios d’apprentissage : capture-platform

Figure 8.13. – Aperçu du log à partir des fichiers log de la plateforme Moodle

Dans le fichier log, les traces sont représentées sous la forme suivante :
<Cours> <Date, Heure> <Adresse IP> <Nom Complet> <Action> <Information (lien
vers la ressource, nom de la ressource)>

Figure 8.14. – Aperçu de la table de la base de données MySql de Moodle

Nous avons représenté cet indicateur, les données intermédiaires et les traces associées
en UTL comme montré dans les tableaux (8.2 ; 8.3 ; 8.4 ; 8.5).

Nom de la donnée RD_Log

Type de donnée Donnée brute (Raw Datum - RD)
Entrée Log de Moodle (cf. Figure 8.13)
Description Cette donnée structure les traces du log selon le format UTL

Forme du rendu
(balise <using>)

140
 implémentation d’une plateforme d’assistance à la réutilisation et à la
capitalisation de scénarios d’apprentissage : capture-platform

Table 8.2. – Tableau détaillant la donnée brute « RD_Log »

Nom de la ID_LearnersPerCourse
donnée
Type de donnée Donnée Intermédiaire (Intermediate Data - ID)
Entrées Base de données Moodle (cf. Figure 8.14 )
Description Cette donnée calcule le nombre d’apprenants inscrits à un cours.
Forme du rendu
(balise using)

Table 8.3. – Tableau détaillant la donnée intermédiaire « ID_nbStudentsGlobal »

Nom de la donnée ID_nbStudentsResourceView

Type de Donnée Intermédiaire (Intermediate Data - ID)
donnée
Entrées RD_Log, ID_LearnersPerCourse et paramètres externes (courseName,
resourceName, startDate et endDate)
Description Cette donnée calcule le nombre d’étudiants ayant consulté la ressource au
moins une fois
Table 8.4. – Tableau détaillant la donnée intermédiaire « ID_nbStudentsView »

Donnée à I_ViewResourceRate
calculer
Type de donnée Indicateur (Indicator - I)
Entrées ID_LearnersPerCourse ID_NbStudentsResourceView
Description Cet indicateur calcule le taux de consultation de la ressource observée
Table 8.5. – Tableau détaillant l’indicateur « I_ViewResourceRate »

Le résultat de l’indicateur est affiché à l’enseignant sous une forme graphique dans
CAPtuRe-platform tel qu’illustré dans la partie de la zone (N) de la Figure 8.16.

141
 implémentation d’une plateforme d’assistance à la réutilisation et à la
capitalisation de scénarios d’apprentissage : capture-platform

indicateur2 : taux de participation global à une séance synchrone

(global participation rate)
Cet indicateur «I_ParticipationGlobal» calcule le taux de participation global à une
séance synchrone de type chat. Le Tableau 8.6 détaille cet indicateur et la Figure 8.16
montre la visualisation de cet indicateur dans le tableau de bord de la plateforme.

Indicateur pédagogique :
Taux de participation global à une séance synchrone (Global participation
rate) : I_ParticipationGlobal
Formule de calcul de l’indicateur :
Nombre d’étudiants ayant envoyé au moins un message dans des discussions
synchrones de chat / Nombre total d’étudiants inscrits dans le cours
Sources de données :
Base de données Moodle et fichiers log Moodle
Paramètres externes (à saisir par l’enseignant) :
- (P1) courseId : l’id du cours contenant l’activité de chat - (P2) startDate : Date
de début souhaitée de l’observation - (P3) endDate : Date de fin souhaitée de
l’observation - (P4) chatName : Le nom du chat à observer

Table 8.6. – Tableau descriptif de l’indicateur « I_successRateQuiz »

La Figure 8.15 montre un exemple d’aperçu de log récupéré de la plateforme Moodle

et relatif à une activité de chat.

Figure 8.15. – Aperçu du log à partir des fichiers log de la plateforme Moodle

Dans le fichier log, les traces sont représentées dans la forme suivante :
<Cours> <Date, Heure> <Adresse IP> <Nom Complet> <Action> <Information (lien
vers l’acticité, type de l’activité)>

142
 implémentation d’une plateforme d’assistance à la réutilisation et à la
capitalisation de scénarios d’apprentissage : capture-platform

indicateur3 : moyenne globale d’un quiz (global test average)

Cet indicateur «I_avgQuiz» calcule la moyenne globale d’un quiz représentant une
activité du scénario d’apprentissage. Le Tableau 8.7 détaille cet indicateur.

Indicateur pédagogique :
Moyenne globale d’un test (quiz) : I_avgQuiz
Formule de calcul de l’indicateur :
Somme des résultats des quiz réalisés / Nombre d’apprenants réalisant le quiz
Sources de données :
Base de données Moodle
Paramètres externes (à saisir par l’enseignant) :
- (P1) quizId : l’id du cours contenant l’activité du quiz à observer - (P2)
quizName : Le nom du quiz à observer
Table 8.7. – Tableau descriptif de l’indicateur « I_avgQuiz »

indicateur4 : taux de réussite d’un quiz (global test success)

Cet indicateur «I_successRateQuiz» calcule le taux de réussite d’un quiz réalisé
comme activité du scénario d’apprentissage. Le Tableau 8.8 détaille cet indicateur et la
Zone (N) de la Figure 8.16 illustre la visualisation de cet indicateur dans la plateforme.

Indicateur pédagogique :
Taux de réussite d’un test (quiz) : I_successRateQuiz
Formule de calcul de l’indicateur :
Nombre d’apprenants ayant atteint la note de réussite du quiz minSuccessRate
/ Nombre d’apprenants réalisant le quiz
Sources de données :
Base de données Moodle
Paramètres externes (à saisir par l’enseignant) :
- (P1) quizId : l’id du cours contenant l’activité du quiz à observer - (P2)
quizName : le nom du quiz à observer - (P3) minSuccessGrade : note à partir
de laquelle le quiz est considéré comme réussi
Table 8.8. – Tableau descriptif de l’indicateur « I_successRateQuiz »

8.2.4 Simulation des étapes d’indexation et de capitalisation du scénario

L’enseignant dispose à ce niveau d’une vue sur le contexte du scénario sous une
forme bien structurée (contexte d’usage structuré et évalué - ECM) et le déroulement
de ce scénario dans ce contexte (résultats structurés et évalués) à travers des indicateurs
pédagogiques calculés et visualisés (cf. Zone (N) de la Figure 8.16).
À partir de ces données, l’enseignant a pour tâche d’analyser cette expérience d’ap-
prentissage passée avec l’assistance du système. Ceci est assuré par le service d’analyse

143
 implémentation d’une plateforme d’assistance à la réutilisation et à la
capitalisation de scénarios d’apprentissage : capture-platform

et d’indexation du scénario. La partie «Evaluate my scenario» de la Zone (L) de la Figure

8.16 montre l’interface d’évaluation des éléments contextuels. A travers cette interface,
l’enseignant attribue des degrés d’importance (ou de satisfaction pour les objectifs) afin
de pondérer et indexer les éléments contextuels. Dans la version présentée de la plate-
forme, les trois valeurs (not relevant ; 50% ; constraint) peuvent être sélectionnées par des
boutons ou une valeur manuelle peut être saisie. Ainsi, un modèle d’index contextuel
est construit comme l’exemple suivant (version textuelle en JSON de l’ICM) :

144
 implémentation d’une plateforme d’assistance à la réutilisation et à la
capitalisation de scénarios d’apprentissage : capture-platform

{ "learningContext" : [ {
"dimensionRef" : "pedagogicalDidacticDim",
"contextItems" : [ {
"cItemRef" : "PED_GOALS",
"cItemLabelEN" : "Pedagogical and Didactic Goals",
"cItemValues" : [ {
"iValueRef" : "PED_GOAL_8",
"iValueLabelFR" : "Sensibilisation aux technologies du Web : langages, notations et
standards",
"iWeight" : 0.75
},{
"iValueRef" : "PED_GOAL_9",
"iValueLabelFR" : "Compréhension des critères d’évaluation des interfaces web",
"iWeight" : 0.5
}...]
},{
"cItemRef" : "LEARNERS_COMPETENCES",
"cItemLabelEN" : "Learners competences ",
"cItemValues" :[{
"iValueRef" : "COMPETENCE_7",
"iValueLabelFR" : "Java",
"iWeight" : 0.25
},{
"iValueRef" : "COMPETENCE_15",
"iValueLabelFR" : "C++",
"iWeight" : 0
},{
"iValueRef" : "COMPETENCE_14",
"iValueLabelFR" : "Semantic web",
"iWeight" : 0.75
}, ...]
},{
"cItemRef" : "LEARNERS_SPECIALTIES",
....} ] }, {
"dimensionRef" : "socialAffectiveDim",
"contextItems" : [{
"cItemRef" : "COLL_MODALITY",
"cItemLabelEN" : "Collaborative Modality",
"cItemValues" : [{
"iValueRef" : "COLL_MODALITY_HYBRID",
"iValueLabelEN" : "hybrid",
"iValueLabelFR" : "hybride",
"iWeight" : 1
}]
} ] }, {
"dimensionRef" : "technicalDim",
"contextItems" :[ {
"cItemRef" : "MATERIAL_RES",
"cItemLabelEN" : "Material resources",
"cItemValues" : [ {
"iValueRef" : "MATERIAL_RES_PC",
"iValueLabelEN" : "PC",
"iValueLabelFR" : "PC",
"iWeight" : 1

145
 implémentation d’une plateforme d’assistance à la réutilisation et à la
capitalisation de scénarios d’apprentissage : capture-platform

},{
"iValueRef" : "MATERIAL_RES_TABLET",
"iValueLabelEN" : "Tablet",
"iValueLabelFR" : "Tablette",
"iWeight" : 0.5
}, ... ]
} ] }, {
"dimensionRef" : "physicalDim",
"contextItems" : [ ... ] }
]}

De plus, le système détermine la pertinence du scénario dans ce contexte précis et

attribue un taux de réussite du scénario (cf. partie « Success rate » de la Zone (M)
de la Figure 8.16) selon la méthode que nous avons déjà détaillée dans le Chapitre
précédent. Ce taux est utilisé, comme évoqué précédemment, dans l’algorithme de calcul
de similarités contextuelles.

Figure 8.16. – Interface d’analyse, d’évaluation et d’indexation du scénario

Une fois les tâches d’analyse et d’indexation finalisées, un «service de stockage de

scénarios indexés» est invoqué pour stocker cette nouvelle expérience d’apprentissage
indexée y compris le scénario effectivement passé, l’index contextuel ICM construit et
les résultats perçus (i.e., degré de pertinence). Cette expérience est ajoutée à la base de
cas des scénarios indexés afin qu’elle soit accessible pour des futures réutilisations dans
de nouvelles instances du processus.

146
 implémentation d’une plateforme d’assistance à la réutilisation et à la
capitalisation de scénarios d’apprentissage : capture-platform

8.3 synthèse du chapitre

Dans ce chapitre, nous avons spécifié et présenté la plateforme d’aide à la réutilisation

et la capitalisation des scénarios d’apprentissage CAPtuRe-platform. Cette plateforme
implémente les contributions théoriques proposées notamment le processus d’assistance,
l’approche de modélisation du contexte d’un scénario d’apprentissage et les méthodes
d’indexation et de recommandation des scénarios. Ceci nous a permis de valider leurs
faisabilités techniques.
Nous avons commencé par la proposition d’une architecture orientée services SOA
pour le cadre d’ingénierie et de réingénierie de scénarios d’apprentissage et ses apports.
Nous avons enchainé avec la proposition de l’architecture fonctionnelle de CAPtuRe-
platform implémentant ainsi notre processus. Par la suite, et après avoir décrit l’envi-
ronnement de développement, nous avons détaillé les différentes fontionnalités et in-
terfaces graphiques proposées par CAPtuRe-platform à tarvers la simulation des diffé-
rentes phases identifiées pour l’assistance à la réutilisation et la capitalisation de scéna-
rios. Nous évaluons dans le chapitre suivant cette plateforme afin de valider l’utilité et
l’utilisabilité des propositions.

147
E X P É R I M E N TAT I O N S E T É VA L U AT I O N S
9
Ce chapitre est consacré à la mise à l’épreuve et l’évaluation des contributions scien-
tifiques et techniques proposées. Nous présentons des résultats d’évaluations faites sur
la base d’études exploratoires et d’expérimentations menées au fur et à mesure du dé-
roulement de la recherche.
Après avoir présenté les éléments de validation technique vérifiant la faisabilité de
notre approche à travers l’implémentation de CAPtuRe-platform, nous présentons dans
ce chapitre les premiers éléments de validation expérimentale sous formes d’évaluations
effectuées dans le cadre du projet BASAR. Deux principales phases A et B sont effec-
tuées dans le cadre de ces travaux : la phase A concerne essentiellement une analyse des
usages, des pratiques et de données de scénarios conçus «sans» un outil d’assistance à
la réutilisation alors que la phase B concerne des évaluations «avec» l’outil d’assistance
que nous avons proposé dans le cadre de cette thèse. Comme nous nous positionnons
dans une Recherche Design en Éducation, ces phases s’inscrivent dans les étapes d’éva-
luation des itérations précédemment identifiées dans notre méthodologie de recherche
(cf. Figure 5.2). Dans ce chapitre, nous détaillons pour chacune de ces phases le pro-
tocole expérimental adopté, le déroulement des étapes d’évaluation et une analyse des
résultats.
A travers ces évaluations, nous visons notamment la vérification de nos hypothèses
proposées au début de ce mémoire, qui sont (H1) «la réutilisation améliore la tâche de
conception de scénarios», et (H2) «si le contexte est bien explicité, modélisé et évalué, il
aide à identifier les scénarios pertinents à une situation donnée et à améliorer ainsi la
réutilisation».
Dans la suite, les champs utilisés dans les protocoles expérimentaux sont guidés par
les travaux sur la recherche en éducation de Cohen et al. [2013], de Nieveen and Folmer
[2013] et de Tricot et al. [2003].

9.1 la phase a des évaluations

La phase A concerne des évaluations sans l’utilisation d’un outil d’assistance à la

réutilisation de scénarios. Cette phase, décomposée en deux étapes d’évaluation E1 et
E2, s’est déroulée au cours de l’itération 1 de nos travaux (cf. Figure 5.2) dont l’un des
objectifs principaux est la mise en place de l’approche de modélisation contextuelle et
donc la spécification de CAPtuRe-metamodel et CAPtuRe-model et la mise en place du
premier prototype de CAPtuRe-platform. Comme déjà mentionné, dans une recherche de
type RDE, un prototype logiciel est mis en place dès les premières itérations.

9.1.1 Protocole expérimental de la phase A d’évaluation

Le Tableau 9.1 montre le protocole expérimental adopté lors de la phase A regroupant

deux étapes d’évaluation E1 et E2. Pour chaque étape d’évaluation, des critères sont

148
 expérimentations et évaluations

sélectionnés pour être validés en utilisant des méthodes et instruments d’évaluation

adaptés.

E1 E2

149
 expérimentations et évaluations

Objectifs de - recueillir et analyser les éléments - recueillir et analyser les contextes

l’évaluation contextuels des scénarios existants de nouveaux scénarios conçus et
de la base BASAR ; enrichir la base BASAR ;
- valider que les contextes sont - valider que les contextes sont
multiples ; multiples ;
- repérer les taux de réutilisation - évaluer la pertinence des
effectifs des scénarios de BASAR facettes/éléments contextuels
sans l’utilisation d’un outil identifiés ;
d’assistance à la réutilisation et les - repérer les taux de réutilisation
freins à la réutilisation de effectifs sans l’utilisation d’un
scénarios ; outil d’assistance à la réutilisation
- spécifier CAPtuRe-metamodel et et les freins à la réutilisation de
CAPtuRe-model ; scénarios ;
- construire des index contextuels - réviser et améliorer
des scénarios existants. CAPtuRe-metamodel et
CAPtuRe-model ;
- construire des index contextuels
des scénarios conçus.
Critère qualité à - multiplicité du contexte - multiplicité du contexte
valider - validité du contenu : pertinence
des facettes/éléments contextuels
identifiés
Méthode de - enquête - tests utilisateurs
l’évaluation
Instruments - artefacts des scénarios - artefacts de nouveaux scénarios
d’évaluation/ d’apprentissage existants (conçus d’apprentissage (conçus avec
techniques de avec l’outil Scénari BASAR) ; l’outil Scénari BASAR) ;
collecte de - questionnaire exploratoire (cf. - questionnaire exploratoire (cf.
données Annexe B.3). Annexe B.3) ;
- observations et entretiens
informels.
Méthode - analyse qualitative et quantitative de contenu ;
d’analyse de - analyse contextuelle.
données
Ce qu’on - un vocabulaire métier ;
souhaite - des usages et des pratiques.
connaître
Indicateurs à - statistiques sur les éléments contextuels des scénarios ;
produire - taux de réutilisation de scenarios sans un outil d’aide à la
réutilisation ;
- freins à la réutilisation de scénarios.
Type et nombre - 95 enseignants et formateurs - 10 enseignants et formateurs
de participants concepteurs de BASAR dont 24 (non anciens concepteurs de
ayant répondu au questionnaire BASAR)

150
 expérimentations et évaluations

La population à - enseignants et formateurs ayant les rôles de concepteurs

laquelle on pédagogiques
souhaite
généraliser le
résultat
Stade de - conception globale (ou «global design», en anglais) : première
développement élaboration du produit (V1 de CAPtuRe-platform [Chaabouni et al.,
du prototype 2015a,b])
Table 9.1. – Protocole expérimental de la phase A de l’évaluation

9.1.2 Déroulement de l’évaluation de l’activité de conception des scénarios existants de BASAR

- Évaluation E1

Nous commençons par explorer les différents scénarios d’apprentissage existants de

BASAR (102 scénarios à cette étape) en analysant leurs contenus et en explicitant les dif-
férents éléments contextuels. Certains éléments sont directement repérables dans ces scé-
narios comme par exemple les modalités collaboratives, spatiales ou temporelles mon-
trées comme des métadonnées globales du scénario. D’autres sont implicites et/ou figés
dans le texte et sont repérés suite à une analyse du contenu.
Voici quelques exemples d’extraction de contenu contextuel des scénarios BASAR :
1. à partir de l’extrait «Être inscrits en cycle Licence des filières scientifiques (Chimie, In-
formatique, Mathématiques, Physique) ; Avoir suivi les modules de Mécanique Classique,
Thermodynamique, Optique et d’Électricité ; Avoir suivi le module d’Algèbre linéaire.»
perçu dans la section «prérequis» d’un scénario, on peut dégager les éléments
suivants :
— profils pédagogiques des apprenants -> compétences : mécanique Classique, ther-
modynamique, optique, électricité, algèbre linéaire
— profils pédagogiques des apprenants -> niveau d’études : licence
2. à partir de l’extrait «Caméra ou téléphone intelligent, ordinateur muni de logiciel de
son et d’image approprié, connexion internet» perçu dans la section «matériel pédago-
gique» d’un scénario, on peut repérer les éléments contextuels suivants :
— contexte technique -> ressources matérielles : caméra, téléphone intelligent (ou
smartphone) et ordinateur ;
— contexte technique -> ressources logicielles : logiciel de son et d’image ;
— contexte physique -> réseau : connexion internet.
3. à partir de l’extrait «Étape 1 : Faciliter les échanges et discussions dans les forums ; Étape
2 : Distribuer les projets individuels pour l’évaluation par les pairs.» on peut dégager les
éléments suivants :
— contexte technique -> outils de communication : forums de discussion
— modalité temporelle : asynchrone
— modalité collaborative : mixte
— pratiques pédagogiques : évaluation par les pairs
Il s’agit en effet de décontextualiser le scénario en explicitant des caractéristiques et
des contraintes contextuelles. La collecte a également été faite à partir d’autres sources

151
 expérimentations et évaluations

d’information pouvant contribuer à l’enrichissement de ce contexte. Par exemple, nous

avons pu récupérer, à partir de l’exploration des bases de données de projets annexes
(e.g., plateforme Initiative) et du web, des profils pédagogiques des enseignants/forma-
teurs ayant conçu les scénarios ou les profils des institutions tels que leurs spécialités ou
niveaux d’études.
À partir de ces informations, nous avons procédé à la construction des modèles d’in-
dex contextuels (ICM-LS) de ces scénarios et leur intégration dans la base afin d’expli-
citer et ajouter la couche contextuelle des scénarios. Le but est d’enrichir la base de
scénarios indexés et pouvoir effectuer les tests.
Nous avons également mis en place un questionnaire (que nous présentons plus en
détails dans la Section 9.1.4), diffusé auprès des enseignants ou formateurs ayant parti-
cipé au moins une fois dans la conception d’un scénario dans BASAR (95 enseignants).
Ce questionnaire nous a permis d’une part de collecter des informations contextuelles
additionnelles sur leurs scénarios conçus, ce qui a été utile pour enrichir davantage les
modèles de contexte associés à ces scénarios, et d’autre part de relever certains besoins et
usages lors de la conception. Nous avons obtenu au total 24 réponses au questionnaire,
fournies par des concepteurs différents.
Cette évaluation E1 s’intègre dans la première itération de la spécification du méta-
modèle du contexte (CAPtuRe-metamodel) et la construction d’une instance pour le cas
des scénarios de BASAR (CAPtuRe-model).

9.1.3 Déroulement de l’évaluation de la conception de nouveaux scénarios - Évaluation E2

Dans cette étape d’évaluation que nous mettons en place sous la forme de tests utili-
sateurs, 10 enseignants-formateurs ont participé à ces tests en se mettant en situations
de conception de scénarios pour des sessions d’apprentissage réelles. Nous avons choisi
des enseignants n’ayant pas auparavant utilisé l’outil de conception «Scénari BASAR».
Après avoir suivi des démonstrations d’environ 15 minutes sur cet outil pour s’initier
à son utilisation et sur la base BASAR, les participants conçoivent chacun un scénario
d’apprentissage. Les participants ont été incités comme suit «Vous êtes amenés à concevoir
un scénario en vous fixant au préalable un contexte cible d’une situation d’apprentissage réelle
tels que les profils des apprenants, les modalités collaboratives ou spatiales ou les ressources maté-
rielles ou logicielles. Le scénario peut représenter un cours, un module ou même une seule séance.
Vous disposez des scénarios existants de BASAR dont vous pouvez vous inspirer ou réutiliser
des activités». À ce niveau d’évaluation, les participants n’ont pas à leur disposition un
outil d’assistance à la réutilisation. Nous avons suivi les activités de conception en inter-
agissant avec les concepteurs à travers des entretiens ouverts afin de mieux comprendre
les besoins et adapter nos contributions selon ces besoins. À l’issue de la conception, les
enseignants répondent au même questionnaire 1 (cf. Annexe B.3 pour les questions et
Section 9.1.4 pour l’analyse) utilisé dans l’évaluation précédente.
Quelques critères spécifiant les profils des participants à cette évaluation et certains
éléments contextuels caractérisant les situations d’apprentissage scénarisées sont listés
dans l’Annexe B.1.
Les scénarios issus de ces tests ont été également intégrés à la base avec les index
contextuels associés afin de l’enrichir. Considérée comme complémentaire à l’évalua-
tion E1, cette évaluation E2 a pour but de valider que les contextes sont multiples et
d’analyser certains besoins et usages des concepteurs. Nous avons ajouté cette étape

152
 expérimentations et évaluations

d’évaluation pour initier certains participants à l’utilisation d’un outil de conception de

scénarios, pour que ces mêmes personnes (ou une partie) testent plus tard la plateforme
CAPtuRe d’assistance à la réutilisation de scénarios (cf. Évaluation E5 à la Section 9.2.4)
et pouvoir comparer ainsi les usages (avec et sans assistance).
Cette évaluation E2 s’intègre dans la première itération de spécification du méta-
modèle du contexte (CAPtuRe-metamodel) et la construction d’une instance pour le
cas des scénarios de BASAR (CAPtuRe-model). Sur la base des résultats de cette évalua-
tion, nous avons révisé les facettes et éléments contextuels ainsi que la relation entre les
différents aspects intervenants dans le méta-modèle défini (indicateurs, éléments contex-
tuels, facettes, évaluations et pondérations). Ceci nous a permis ainsi de réitérer sur ces
modèles en les améliorant et en les adaptant aux besoins effectifs des utilisateurs. Les
versions de ce modèle et méta-modèle issues de cette itération ont été présentées dans
[Chaabouni et al., 2015b,a].

9.1.4 Le premier questionnaire

Le questionnaire 1, dont les questions sont détaillées dans l’Annexe B.3, a visé deux
principaux objectifs qui sont :
1. collecter des réponses relatives aux usages qui sont le taux de réutilisation des scé-
narios sans utiliser un outil d’assistance à la réutilisation, les freins à la réutilisation
de scénarios et le besoin de réutilisation.
2. collecter des informations additionnelles sur les contextes effectifs dans lesquels se
sont déroulés les scénarios, permettant d’enrichir notre base d’index contextuels.
Chaque réponse au questionnaire constitue une "Fiche scénario BASAR" qui est reliée
à un scénario bien particulier. Un concepteur peut ainsi soumettre plusieurs réponses
(une réponse pour chaque scénario conçu).
— les questions [1 et 2] du questionnaire concernent la réutilisation de scénarios dans
une situation de conception. Le résultat est de produire l’indicateur « taux de
réutilisation de scénarios » ;
— la question [3] est utile pour relever les principaux freins à la réutilisation ;
— les questions [4 et 5] sont utiles pour repérer le besoin de réutilisation chez les
concepteurs de leurs propres scénarios et des scénarios des autres ;
— les questions [allant de 6 à 20] concernent la collecte des informations contextuelles
du scénario. Ces questions servent d’abord à enrichir les index contextuels des
scénarios existants pour constituer des données d’entrées plus complètes lors de
la simulation de l’algorithme :
— les questions [allant de 6 à 12] et la question [15] traitent les aspects techniques
et physiques du contexte dans lequel se déroule le scénario ;
— les questions [13 et 14] concernent le profil pédagogique de l’enseignant/for-
mateur considéré comme l’un des éléments de contexte du scénario ;
— les questions [allant de 16 à 20] traitent le profil pédagogique et le contexte
spatial des apprenants participant au scénario.

153
 expérimentations et évaluations

9.1.5 Analyse

Dans cette étape d’évaluation, nous analysons trois types de données : des données
de scénarios d’apprentissage conçus, des réponses au questionnaire et des usages, pra-
tiques et besoins issus d’observations et d’entretiens ouverts avec les concepteurs. Nous
présentons dans les sections qui suivent une analyse de ces données recueillies et ensuite
une synthèse des résultats de l’évaluation.

[Link] Analyse qualitative et quantitative des scénarios d’apprentissage

À travers cette phase d’évaluation, nous tentons d’abord de valider que les contextes
sont effectivement multiples et variés. Les graphes illustrés dans les Figures 9.1 et 9.2
sont construits suite à l’analyse des scénarios BASAR et représentent des statistiques
sur certains éléments contextuels explicités. Les scénarios analysés intègrent aussi les
scénarios conçus lors des tests de l’évaluation E2. Les réponses au premier questionnaire
(questions allant de 6 à 20) ont été également prises en considération pour repérer des
éléments contextuels. Ces graphes sont calculés sur la base de 118 scénarios. Bien que
ce nombre ne soit pas assez élevé et ne peut être jugé comme significatif statistiquement
pour généraliser le résultat, nous le considérons comme un échantillon d’étude pour
des premières validations. Le graphe de la Figure 9.1 montre les modalités spatiales,
collaboratives et temporelles spécifiées dans les scénarios analysés.

Figure 9.1. – Statistiques sur les modalités utilisées dans les scénarios BASAR

La Figure 9.2 explicite les ressources matérielles et logicielles identifiées et leurs pour-
centages d’apparition dans les scénarios.

154
 expérimentations et évaluations

Figure 9.2. – Statistiques sur les ressources matérielles et logicielles utilisées dans les scénarios
BASAR

Nous constatons à travers cette analyse que les scénarios expriment des contextes
variés et multiples. Nous remarquons d’autre part que des évaluations contextuelles
se répètent d’un scénario à un autre : les scénarios partagent des dimensions contex-
tuelles similaires. Ceci révèle l’importance et la légitimité de modéliser cette information
contextuelle relative aux situations d’apprentissage et de l’exploiter pour améliorer la
réutilisation, ce qui valide le bien fondé de notre approche.

[Link] Analyse des données recueillies du premier questionnaire

Nous commençons par analyser les réponses au questionnaire (34 réponses issues des
évaluations E1 et E2) et particulièrement les questions allant de 1 à 5. Les résultats dé-
montrent que, sans un outil d’assistance à la réutilisation, 62% des concepteurs n’ont pas
réutilisé de scénarios (ou de séquences d’activités) existant(e)s d’un référentiel (autres
que BASAR) et 76% n’ont pas réutilisé de scénarios particulièrement de la base BASAR.
La principale raison de la non-réutilisation est, selon 35.3% des répondants, « après
la recherche, je n’ai pas trouvé de scénarios adaptés à mon cas d’usage ». En revanche, 14.7%
énoncent que l’outil de recherche intégré n’est pas assez pertinent pour retrouver les
bons scénarios adaptés. Par ailleurs, 23.5% des enseignants expriment ne pas avoir res-
senti un besoin de réutilisation. D’autres raisons de non-réutilisation ont également été
exprimées qui sont : « Je ne savais pas qu’il y’avait une base », « Je n’ai pas vu la base » et «
Mon scénario m’a semblé trop atypique ».
Quant aux motivations de conception de scénarios, 79.4% pensent que l’une des moti-
vations de conception est d’organiser leurs pratiques d’enseignement, 50% de stocker les
scénarios pour des futures réutilisations et 47.1% sont motivés à partager leurs scénarios
avec d’autres concepteurs.

155
 expérimentations et évaluations

[Link] Analyse des données recueillies par observations et entretiens ouverts

Des observations des usages et des entretiens ouverts ont été menés avec certains
participants au cours des tests de l’évaluation E2 menée sans un outil d’assistance à la
réutilisation. Ceci nous a permis de comprendre les pratiques, les usages et les besoins
d’utilisateurs réels afin de nous guider dans la proposition d’une solution utile qui
s’adapte aux pratiques des concepteurs. Les participants abordent d’abord des réflexions
par rapport à leurs pratiques habituelles de réutilisation lors de la planification d’un
cours ou d’une formation. Un enseignant exprime que, lors de la mise en place de
son cours, il part d’un support existant puis l’adapte à ses besoins tout en réutilisant
d’autres contenus de diverses sources. Un autre enseignant part de la création d’un
nouveau support et puis réutilise du contenu existant. Sept participants affirment ne
pas avoir utilisé auparavant un outil de conception de scénarios d’apprentissage.
D’autre part, ce qu’on a constaté par rapport à l’activité de réutilisation, généralement
lorsque nous informons le concepteur qu’il dispose d’une base de scénarios existante,
ce dernier commence par parcourir les scénarios et consulter certains qui lui semblent
les plus proches de sa situation. La plupart du temps, il ne réutilise pas une activité
telle qu’elle, mais s’inspire plutôt du contenu métier, des méthodes et pratiques pé-
dagogiques, de la manière de structurer le scénario pour ensuite les utiliser dans la
conception de son scénario.
Suite à la réalisation des tests, tous les sujets confirment, à l’unanimité, l’utilité et l’im-
portance de l’activité de conception et également de réutilisation. Un des participants
énonce qu’il trouve très utile de planifier son cours et surtout de disposer d’un outil
l’aidant à structurer ses idées d’une manière cohérente et à faire connaitre dès le départ
les objectifs du cours aux apprenants et le résultat final auquel il souhaite aboutir et ce
afin de leurs montrer l’importance et l’utilité du cours. Ce même participant énonce éga-
lement que la réutilisation est intégrée constamment dans ses habitudes pour produire
des artefacts de meilleure qualité, et qu’appliquée à la scénarisation pédagogique, elle
pourrait être avantageuse si le contenu existant est pertinent et surtout bien accessible.

9.2 la phase b des évaluations

Cette phase concerne des évaluations en ayant à disposition un outil assistant la réuti-
lisation, l’indexation et la capitalisation de scénarios avec les fonctionnalités intégrées.
Des comparaisons entre les indicateurs issus de cette phase (phase B) et des indicateurs
issus de la première phase A (cf. Section 9.1), où les enseignants ont conçu leurs scéna-
rios « sans » un outil d’aide à la réutilisation, sont montrées à la fin de cette section.
Cette phase B d’évaluation comporte trois étapes d’évaluation E3, E4 et E5 que nous
détaillons dans ce qui suit. Elle s’intègre dans la deuxième itération des travaux de thèse.

9.2.1 Protocole expérimental de la phase B d’évaluation

Étape E3 Étape E4 Étape E5

156
 expérimentations et évaluations

Objectifs de - tester et évaluer - effectuer une - effectuer une

l’évaluation l’algorithme de évaluation par évaluation
similarité inspection de empirique de
contextuelle CAPtuRe-platform CAPtuRe-platform
CAPtuRe-algorithm - évaluer la pertinence - évaluer la pertinence
des facettes/éléments des facettes/éléments
contextuels utilisés contextuels utilisés
- réviser et améliorer - repérer les taux de
les contributions réutilisation effectifs
avec l’utilisation d’un
outil d’assistance à la
réutilisation et les
freins à la
réutilisation de
scenarios
- réviser et améliorer
les contributions
Critère qualité à - le bienfondé de - utilisabilité de - utilité et utilisabilité
valider l’algorithme CAPtuRe-platform de
- faisabilité et CAPtuRe-platform
consistance des - pertinence des
calculs de similarités données
contextuelles
- faisabilité et
pertinence de la
recommandation
Méthode de - simulations - jugement d’experts - tests utilisateurs
l’évaluation - observations
Instruments artefacts des - grilles d’évaluation - questionnaire 2
d’évaluation/ scénarios des IHM avec les (voir Annexe B.4)
techniques de d’apprentissage critères de Bastien et - entretiens ouverts
collecte de conçus de BASAR et Scapin [Scapin and
données index contextuels Bastien, 1997]
construits - entretiens ouverts
Ce qu’on - des résultats de - des usages - des pratiques
souhaite calcul - des avis - des comportements
connaître - des corrélations - des propositions et des usages
entre données d’amélioration - des attentes
- des avis
- des propositions
d’amélioration

157
 expérimentations et évaluations

Indicateurs à - graphes de - notes d’évaluations - taux de réutilisation

produire similarités des interfaces de de scenarios avec un
contextuelles entre CAPtuRe-platform outil d’aide à la
scénarios de BASAR selon les critères de réutilisation
- graphes de Bastien et Scapin - freins à la
similarités réutilisation de
contextuelles entre scénarios
les facettes
pédagogiques des
scénarios de BASAR
- graphe de
similarités
contextuelles entre
un PCM-LS et les
scénarios de BASAR
Type et nombre NA 2 experts en IHM 5 enseignants-
de participants concepteurs et 1
formateur-concepteur
ayant préalablement
participé à
l’évaluation E2
La Les scénarios NA enseignants et
population/les d’apprentissage de formateurs ayant les
entités à laquel- différents référentiels rôles de concepteurs
le/auxquelles on (autres que BASAR) pédagogiques
souhaite
généraliser le
résultat
Stade de produit partiellement détaillé (ou «partly detailed product», en
développement anglais) : la version du prototype illustrée dans ce présent
du prototype mémoire dans le Chapitre 8.
Table 9.2. – Protocole expérimental de la phase B de l’évaluation

9.2.2 Déroulement et analyse de l’évaluation de CAPtuRe-algorithm (Évaluation E3)

Le but de cette étape d’évaluation est d’effectuer les premières simulations et éva-
luations de l’algorithme de calcul de similarités contextuelles CAPtuRe-algorithm que
nous avons implémenté. A ce niveau, les tests sont effectués sur les données des scé-
narios BASAR (100 scénarios sélectionnés à partir des scénarios existants de BASAR et
des scénarios conçus lors des tests des évaluations de l’étape E2). Des tests d’un plus
grand volume de données, recueillis d’autres référentiels de scénarios, pourraient être
envisagés comme continuités de ces travaux afin de valider des critères plus avancés de
l’algorithme.
Nous commençons d’abord la simulation de l’algorithme par le calcul des similarités
entre les différents scénarios en nous basons sur leurs index contextuels construits lors

158
 expérimentations et évaluations

de la première phase des évaluations (Phase A). Le graphe de la Figure 9.3 montre la
distribution des scénarios de BASAR selon les similarités contextuelles globales entre
scénarios. Ce graphe est construit par un programme (écrit en Java et JavaScript) cal-
culant la similarité contextuelle globale entre chaque paire de scénarios. Nous avons
également calculé les similarités par rapport à une seule facette tel que le montre la Fi-
gure 9.4 visualisant les similarités du point de vue pédagogique de ces mêmes scénarios,
que nous appelons graphe des similarités contextuelles entre les facettes pédagogiques
des scénarios de BASAR. Pour ce dernier, le contenu des index contextuels utilisés est
limité aux entrées de la facette pédagogique.

Figure 9.3. – Graphe des similarités contextuelles globales entre scénarios de BASAR

Figure 9.4. – Graphe des similarités contextuelles entre les facettes pédagogiques des scénarios
de BASAR

Chaque point du graphe de la Figure 9.3 représente un modèle d’index contextuel

(ICMi ) associé à un scénario (LSi ). De même pour la Figure 9.4, sauf qu’on ne garde
que le sous-arbre relatif à la facette pédagogique de l’index contextuel (ICMi ). Plus la
distance entre deux points est petite, plus les index sont similaires. Nous rappelons
que distance = 1 − similarité. À partir de ces deux graphes, nous remarquons que la

159
 expérimentations et évaluations

distribution des scénarios est bornée : les scénarios s’inscrivent dans un cadre limité
(représenté en pointillés dans les deux graphes). Les similarités entre scénarios sont
alors mesurables ce qui valide la faisabilité des calculs.
Afin d’identifier des scénarios proches contextuellement, nous utilisons ici une mé-
thode de clustering basée sur la densité 1 . Pour cela, nous passons des fenêtres sous
forme de cercles de 10 unités de diamètre pour repérer les regroupements (ou clusters)
de contextes de scénarios jugés proches contenant, au minimum, 11 index contextuels
(cf. cercles en traits pleins dans les deux graphes). Le choix de la forme en cercle, du
diamètre et du nombre minimum de points dans un cluster sont fixés arbitrairement. La
valeur du diamètre fixée à 10 représente le diamètre maximal de voisinage appelé EPS
selon cette méthode de clustering. «MinPts» fixé à «11» est le nombre minimal de points
dans le voisinage défini par EPS.
Pour le deuxième graphe des similarités contextuelles entre les facettes pédagogiques,
un cluster regroupe les contextes proches d’un point de vue pédagogique. Les scéna-
rios délimités par une même fenêtre sont jugés proches contextuellement ce qui valide
la faisabilité de la recommandation. Nous avons appliqué ici manuellement une mé-
thode simple de clustering. Le clustering des scénarios peut représenter tout un axe de
recherche à explorer comme continuités de nos travaux en appliquant des algorithmes
de clustering plus avancés pour les scénarios d’apprentissage et qui devient intéressant
pour des volumes de données plus importants.
En examinant de plus près ces clusters de scénarios, nous remarquons que parfois les
scénarios similaires contextuellement ont été effectivement conçus dans des contextes
proches par exemple lors d’un barcamp ou d’un atelier de formation organisé dans le
cadre du projet BASAR.
Nous dégageons quelques indicateurs à partir du graphe des similarités contextuelles
globales (de la Figure 9.3) :
— la similarité la plus élevée (les scénarios les plus proches) = 0.75 (75%) ;
— la similarité la moins élevée (les scénarios les plus distants) = 0.03 (3%).
Nous dégageons également quelques indicateurs à partir du graphe des similarités
contextuelles (de la Figure 9.4) :
— la similarité la plus élevée (les scénarios les plus proches) = 0.62 (62%) ;
— la similarité la moins élevée (les scénarios les plus distants) = 0.08 (8%).
D’autre part, nous passons des fenêtres de même diamètre (10 unités), tel qu’illustré
avec le cercle en pointillé de la figure 9.3, en centrant un point ICM à l’origine du cercle.
Ce point représente un «scénario source (S)» et le cercle représente ce que nous avons
désigné par «périmètre de réutilisation» du scénario. Les points appartenant au même
cercle sont considérés comme des scénarios faisant parties du voisinage de S et qui sont
inclus dans son périmètre de réutilisation. Nous notons que la valeur du diamètre est,
comme précisé précédemment, adaptée selon le besoin. Par conséquent, un contexte
planifié (PCM) fait partie du voisinage d’un index contextuel (ICM) s’il est inscrit dans
son périmètre de réutilisation.
Par la suite, et afin de tester les fonctionnalités de recommandation, nous construisons
des modèles PCM-LS en nous projetant dans des situations d’apprentissage réelles, tout
en variant à chaque fois les différentes évaluations et paramètres. Nous testons ensuite
l’algorithme à travers l’interface CAPtuRe-platform manipulant les entrées et sorties de
l’algorithme. Le graphe de la Figure 9.5 montre un exemple des résultats de calcul des
1. [Link]

160
 expérimentations et évaluations

similarités contextuelles entre un des contextes planifiés construits (PCM) et les index
des scénarios de BASAR (ICMi ) par la version actuelle d’implémentation de CAPtuRe-
algorithm.

Figure 9.5. – Extrait du graphe de similarités contextuelles entre un PCM-LS et les scénarios de
BASAR

Chaque barre de l’histogramme de la Figure 9.5 représente la valeur de similarité entre

le modèle PCM et le modèle ICMi : par exemple, PCM est similaire à ICM5 de 32.9%
tenant compte des différent(e)s facettes/éléments contextuels et des pondérations fixées.
L’axe horizontal nommé MinTh représente le seuil de similarité minimale à spécifier par
le concepteur. Lors de la recommandation, le système retourne les scénarios ayant des
similarités contextuelles supérieures ou égales à la valeur de MinTh.
Afin de repérer les incohérences et de tester si les résultats de similarités expérimen-
taux sont intuitifs et raisonnables, nous examinons de plus près certains résultats. Ceci
nous permettra de vérifier la consistance des calculs et ainsi la pertinence de la re-
commandation. Nous illustrons dans la Figure 9.6 trois index contextuels de scénarios
extraits de la base. Ces modèles ont été délibérément simplifiés pour faciliter leurs ana-
lyses.

161
 expérimentations et évaluations

Figure 9.6. – Trois index contextuels de scénarios de BASAR

Comme les scénarios extraits existaient déjà avant la mise en place de notre ap-
proche, leurs déroulements effectifs n’ont pas été évalués et donc non pondérés par les
enseignants-concepteurs. Nous avons donc associé des pondérations arbitraires à cer-
tains éléments contextuels pour des fins de tests. Lors de la simulation de l’algorithme,
les éléments que nous n’avons pas pondérés prennent la valeur «0.5» correspondant à
l’évaluation «neutre» donnée par défaut.
Nous commençons par exécuter l’algorithme en fournissant en entrées chaque paire
de sous-arbres (st) de racines semblables, identifiés dans la Figure 9.6, et qui feront
l’objet de discussion de notre étude. Nous obtenons les résultats expérimentaux montrés
dans le Tableau 9.3, comportant les similarités entre chaque deux sous-arbres et les
similarités entre chaque deux arbres de contexte complets (t1, t2 et t3).

Racine Premier Deuxième Similarités Similarités

sous-arbre sous-arbre (version 1) (version 2)
Profils pédagogiques des st1 st4 0.4875 0.5733
apprenants (Pedagogical st1 st7 0.3333 0.4713
learner profiles) st4 st7 0 0
sst1 sst3 0.4137 0.4137
Spécialités (Specialties) sst1 sst5 0 0
sst3 sst5 0 0
sst2 sst4 0.5614 0.5614
Compétences
sst2 sst6 0.6666 0.6666
(Competences)

162
 expérimentations et évaluations

sst4 sst6 0 0
st2 st5 0.5714 0.5714
Ressources matérielles
st2 st8 0.5161 0.5161
(Material resources)
st5 st8 0.6428 0.6428
st3 st6 0.1568 0.2716
Facette physique
st3 st9 0.2 0.3464
(Physical dimension)
st6 st9 0.64 0.7838
t1 t2 0.2408 0.3683
Contexte d’apprentissage
t1 t3 0.1311 0.2757
(Learning context)
t2 t3 0.1832 0.3831
Table 9.3. – Résultats expérimentaux des similarités entre sous-arbres identifiés

Dans ce qui suit, nous étudions d’abord les résultats expérimentaux de la version 1
implémentée de l’algorithme (quatrième colonne du Tableau 9.3). La version 2 est la
version révisée implémentée pour pallier les lacunes repérées de la première version.
Pour les sous-arbres de racines «Profils pédagogiques des apprenants», nous obte-
nons sim(st1, st4) > sim(st1,st7). Ceci parait raisonnable puisque il y’a plus d’éléments en
commun entre st1 et st4 («FLE» avec des pondérations «0.75»/«0.5» et «Langue française»
avec la même pondération «1» ) que entre st1 et st7 (Informatique de base avec la même
pondération «1»). Les deux sous-arbres sst4 et sst7 sont totalement différents ce qui est
bien visible avec une similarité «0».
Si nous examinons les sous-arbres des «compétences», bien qu’il peut nous pa-
raître que sst4 est plus proche de sst1 que sst7, les valeurs expérimentales retournent
sim(sst1,sst4) <sim(sst1,sst7). Ceci est expliqué par le fait que, entre ss1 et ss4, il y’a plus
d’éléments différents.
De même pour les sous-arbres de «Ressources matérielles», bien que st2 et st8 ont un
seul élément en commun «PC» avec la même pondération «1» face à st2 et st5 ayant éga-
lement un seul élément en commun «PC» mais avec des pondérations différentes «1» et
«0.75», la sim(st2,st5) est légèrement plus élevée que sim(st2,st8) ce qui est dû au nombre
et aux pondérations des éléments différents. Ceci montre que l’algorithme prend bien
en considération, en plus des similitudes, les différences entre les évaluations en termes
de présence de l’élément contextuel et en termes de pondérations. Cette caractéristique
est utile pour le calcul de similarités avec des scénarios dont le contexte est faiblement
exprimé.
Pour monter les similarités des feuilles 2 des arbres jusqu’au nœud racine, que nous
appelons propagation ascendante des similarités, nous avons opté, dans la version 1
testée de l’algorithme, pour le calcul récursif des simples moyennes arithmétiques 3 des
similarités des nœuds de niveaux inférieurs. Par exemple, pour calculer les similarités
entre st1 et st4, l’algorithme construit le vecteur de similarités (0.4137, 0.5614), dont les
deux valeurs correspondant respectivement à sim(sst1, sst3) et sim(sst2, sst4), et calcule
la moyenne arithmétique qui donne sim(st1, st4) = 0.4875. Ceci semble consistant et
correspond aux résultats expérimentaux. Cependant, en étudiant maintenant le cas de

2. les noeuds du niveau le plus bas de l’arbre, n’ayant pas de fils

3. A( x1 , x2 , ..., xn ) = n1 ∑in=1 xi

163
 expérimentations et évaluations

la similarité entre le nœud de la facette pédagogique de l’arbre t1 et celui de l’arbre t2,

nous repérons une incohérence dans certains cas spéciaux au niveau des champs non
informés comme par exemple le champ «profil pédagogique de l’organisation». Pour
mieux expliquer cette incohérence, nous illustrons le cas spécial simplifié de la Figure
9.7 où on veut calculer la similarité entre les nœuds de dimensions pédagogiques à
partir des similarités des nœuds inférieurs (déjà calculés).

Figure 9.7. – Cas spécial de la propagation ascendante des similarités

Supposons que stree1 est le contexte prévisionnel (arbre requête) et que les arbres
stree2 et stree3 sont les index contextuels de scénarios existants, et que les similarités
des nœuds au niveau 2 sont déjà calculées par l’algorithme. Nous souhaitons trouver la
similarité entre les nœuds de niveau 1. Pour le premier cas de figure, les profils pédago-
giques de l’organisation de stree1 et celui de stree2 sont différents. L’algorithme construit
alors le vecteur de similarités (0, 0.48, 0) pour sim(stree1, stree2) = A(0, 0.4875, 0) =
(0 + 0.4875 + 0)/3 = 0.1625.
Dans la logique de l’algorithme, lorsqu’un nœud apparait dans un arbre (ou sous-
arbre) alors qu’il n’apparait pas dans un autre, tel l’exemple du nœud «profils pédago-
giques de l’organisation» du deuxième cas de figure, la similarité est mise à 0. Pour ce
cas, l’algorithme construit le même vecteur de similarité (0, 0.48, 0) que le premier cas et
calcule sim(stree1, stree3) = A(0, 0.4875, 0) = (0 + 0.4875 + 0)/3 = 0.1625.
Nous pensons que sim(stree1,stree2) et sim(stree1,stree3) ne doivent pas être égales mais
plutôt stree1 doit être plus proche de stree3 que de stree2. En d’autres termes, il semble
non cohérent de considérer que (1) le cas où le concepteur définit un champ différent
de celui à comparer et (2) le cas où le concepteur n’informe pas le champs (l’élément
contextuel est inconnu), comme des cas équivalents. En effet, pour le premier cas, on est
sûr que les valeurs sont différentes alors que dans le deuxième, il y’a une probabilité
qu’il y’ait une similitude. De ces faits, nous proposons la solution d’ajouter un facteur
k aux éléments non informés que nous appelons «non-valued node factor». Pour ce cas

164
 expérimentations et évaluations

expérimental, nous fixons k=0.1 (valeur choisie arbitrairement). Ceci nous amène à favo-
riser les éléments non informés par rapport aux éléments différents et à améliorer ainsi
la probabilité de recommander des scénarios adaptés aux besoins contextuels.
D’autre part, en observant les similarités calculées dans le Tableau 9.3, nous consta-
tons que les valeurs de similarités baissent considérablement lors de la propagation
ascendante des similarités. Ceci est dû à l’application de la formule de moyenne arith-
métique. L’utilisation de la moyenne quadratique 4 améliore par contre les résultats et
permet d’atténuer cette baisse. Une moyenne quadratique donne toujours des résultats
supérieurs ou égaux à la moyenne arithmétique.
Nous appliquons pour le même cas de similarité entre tree1 et tree2, l’application de
la formule de moyenne quadratique donne :
�
sim(stree1, stree2) = Q(0, 0.4875, 0) = (02 + 0.48752 + 02 )/3 = 0.2814
Les résultats de l’application de cette nouvelle formule sont montrés dans la cin-
quième colonne des similarités (Vesrion 2) du Tableau 9.3.

9.2.3 Déroulement et analyse de l’évaluation par inspection de CAPtuRe-platform (Évaluation

E4)

Cette étape d’évaluation s’inscrit dans l’itération 2 de nos travaux. Comme nous nous
inscrivons dans une démarche itérative, la version du prototype de la plateforme dé-
veloppée à cette itération est évaluée dans le but de l’améliorer et de commencer la
validation de l’utilisabilité de la plateforme à un stade précoce du développement. À ce
niveau, le prototype est considéré comme un produit partiellement détaillé (partly detai-
led product en anglais) c’est à dire que, suivant une évaluation formative de l’approche
RDE, des parties du produit sont spécifiées et peuvent être utilisées par le groupe cible.
Dans le cadre de cette évaluation dont le but est d’évaluer l’utilisabilité de proto-
type de CAPtuRe-platform, nous avons adopté la méthode d’évaluation formative «
jugement d’experts » (ou « expert appraisal » en anglais). Pour cela, nous avons fait
appel à deux experts en IHM (Interfaces Homme Machine) qui sont deux enseignants-
chercheurs spécialistes dans le domaine de la conception et l’évaluation des IHM. Une
petite démonstration sur les fonctionnalités globales du prototype est d’abord faite à
chacun de ces experts (dans des sessions de travail différentes). Nous laissons ensuite
l’expert manipuler la plateforme à sa guise. Les données d’évaluation ont été récoltées
à travers des grilles d’évaluation utilisant les critères de Bastien et Scapin [Scapin and
Bastien, 1997] et à travers des entretiens ouverts où les évaluateurs fournissent leurs
réflexions et remarques.

[Link] Les grilles d’évaluation par les experts

Au cours de cette évaluation, nous tentons essentiellement de vérifier l’utilisabilité
du prototype de CAPtuRe-platform et de recueillir des usages, des avis et des pro-
positions d’amélioration. L’utilisabilité, selon Tricot et al. [2003], désigne la possibilité
d’utiliser l’EIAH au niveau de son interface, sa navigation et sa cohérence avec l’objectif
et le scénario didactique. D’après ces mêmes auteurs, l’utilisabilité peut être évaluée par
�
1 n 2
4. Q( x1 , x2 , ..., xn ) = n . ∑ i =1 x i

165
 expérimentations et évaluations

inspection ou d’une manière empirique (que nous appliquons plus tard dans l’étape
d’évaluation E5). L’évaluation par inspection fait l’objet de cette section pour évaluer
l’utilisabilité. Les participants à cette évaluation sont deux experts en IHM. Nous avons
fourni à chacun des experts une grille d’évaluation avec les critères d’évaluation de Bas-
tien et Scapin [Scapin and Bastien, 1997]. Le schéma de la Figure 9.8 montre les notes
d’évaluation attribuées où chaque critère est noté sur une échelle de 1 à 5.

Figure 9.8. – Grilles d’évaluation de CAPtuRe-platform par des experts IHM

[Link] Les entretiens ouverts

Nous avons mené des entretiens ouverts avec les deux experts dans le but de recueillir
plus de détails sur leurs appréciations et leurs critiques à prendre en considération pour
l’amélioration de la conception des interfaces de notre prototype. Nous avons également
profité du fait que ces deux experts sont des enseignants pour recueillir leurs réflexions
par rapport aux différentes fonctionnalités proposées et leurs utilités.
Selon ces experts, les avantages de CAPtuRe du point de vue IHM sont essentielle-
ment liés à la présentation de l’interface sous forme de tableau de bord favorisant une

166
 expérimentations et évaluations

organisation visuelle (par localisation, format ou couleur) qui assure un groupement

entre items de même contexte et distinction entre items différents. Ils approuvent éga-
lement la lisibilité du contenu se conformant aux caractéristiques de présentation (cou-
leur, contraste, dimension et espacement de texte). L’interface a aussi été bien évaluée
en termes d’adaptabilité du contenu par exemple ne pas imposer un ordre strict de
saisie d’information ou les transactions guidées et également en termes d’homogénéité
et cohérence des interfaces les rendant plus prédictibles (cohérence des présentations
et du comportement et homogénéité des composants graphiques, des titres, etc.).
Cependant des critiques ont été relevées. Certaines de ces critiques ont été prises en
considération lors de l’intégration de la nouvelle version du prototype de l’itération
3 suivante et d’autres sont prévues comme des perspectives d’améliorations. Dans ce
qui suit, nous citons les principales réflexions faites par les experts par rapport aux
insuffisances repérées dans cette version V2 du prototype qui a été présentée au cours
de cette étape d’évaluation.
— en saisissant les données contextuelles, l’utilisateur pense qu’il réalise une re-
cherche de scénarios «classique» ou un filtrage des scénarios plutôt qu’il informe
son propre contexte, bien que le titre de section «Inform my context» guide cette
tâche. De ce fait, l’utilisateur s’attend à ce que les scénarios recommandés aient
exactement les mêmes métadonnées saisies. Il y’a donc un problème d’incitation
et également de compatibilité. Ceci est dû d’une part au fait que la section de
saisie du contexte et celle des résultats de scénarios sont toutes les deux affichées
sur la même ligne dès que l’outil est lancé (cf. [Chaabouni et al., 2016b]), et d’autre
part du manque d’une indication visuelle ou textuelle plus explicite guidant cette
tâche. L’activité qui représente l’objectif principal de la première interface est la
conception du scénario, elle devait alors être mise en évidence ;
— pour la section d’affichage des scénarios recommandés, il serait bien de mettre
un récapitulatif rappelant les éléments contextuels du concepteur pour pouvoir
faire le lien avec ceux des scénarios recommandés. Ceci peut améliorer le critère
d’évaluation feedback immédiat ;
— il y’a un problème de charge minimale pour la saisie des éléments contextuels
étant donné qu’il y’a beaucoup de boutons d’aller-retour entre panels ;
— boutons «show curriculum» et «show details» un peu encombrants dans les inter-
faces de sélection d’apprenants et de ressources matérielles, ce qui a causé une
densité informationnelle élevée ;
— les boutons «valider» ne sont pas toujours à l’endroit où on les attend (habituelle-
ment à droite après la tâche) ce qui cause un problème de compatibilité ;
— le composant instance-contexte de l’interface 2 d’évaluation, reliant un scénario
avec les instances de contexte associées, n’est pas assez expressif ce qui cause un
problème de signifiance des codes et dénominations ;
— pour la fonctionnalité de scénarisation de l’observation, il serait préférable que la
configuration de tous les indicateurs soit faite sur la même interface, d’abord pour
assurer une meilleure visibilité et puis pour minimiser les allers-retours entre les
panels.

167
 expérimentations et évaluations

9.2.4 Déroulement et analyse de l’évaluation empirique de CAPtuRe-platform (Évaluation E5)

Cette étape d’évaluation est faite à l’itération 2 (cf. Figure 5.2 ). À ce niveau, le pro-
totype est considéré également comme un produit partiellement détaillé où, comme
énoncé précédemment, des parties du produit sont spécifiées et peuvent être utilisées
par le groupe cible. Les parties totalement fonctionnelles du prototype ont été distin-
guées au début du chapitre 8 d’implémentation de la plateforme.
Dans ce cadre, et comme nous nous inscrivons dans une démarche itérative impli-
quant les usagers, nous mettons en place des tests utilisateurs dans des situations d’ap-
prentissage réelles. L’objectif est de vérifier l’utilité et l’utilisabilité de CAPtuRe-platform,
de déceler ces atouts et ses limites et de l’améliorer. Nous avons sélectionné des parti-
cipants ayant déjà contribué dans l’évaluation E2 présentée précédemment. Nous avons
fait ce choix pour que, d’une part, les participants soient déjà initiés à l’utilisation de
l’outil de conception Scénari BASAR et d’autre part pour pouvoir comparer les usages
«sans» et «avec» l’utilisation d’un outil d’assistance à la réutilisation et permettre ainsi
de mieux évaluer l’utilité de l’approche CAPtuRe. Nous nous sommes limités, dans le
cadre de cette étape, à une évaluation à petite-échelle impliquant un échantillon de 6
évaluateurs sous forme de tests (ou «try-out», en Anglais) à cause de contraintes de
temps. Ceci nous a permis néanmoins d’explorer chacun des cas de tests d’une manière
approfondie, tout en nous aidant d’entretiens ouverts avec les participants afin de mieux
comprendre leurs besoins.
L’évaluation consiste à faire une démonstration générale de 10 minutes environ des
fonctionnalités de l’outil CAPtuRe et puis de demander aux participants de concevoir un
nouveau scénario à l’aide de CAPtuRe et scénari BASAR. Ce nouveau scénario devrait
être différent de celui conçu à l’étape d’évaluation E2. Ce choix a été fait parce que,
si on avait opté pour la re-conception du même scénario, l’enseignant aura déjà en
esprit un scénario conçu complet et il est peu probable qu’il ait recours à la réutilisation
d’autres scénarios existants, ce qui est le principal but de CAPtuRe. Le concepteur est
ensuite amené à manipuler la plateforme à sa guise afin de tester les fonctionnalités de
recommandation, de scénarisation de l’observation, d’évaluation et d’indexation, tout
en l’assistant en cas de besoin. Nous avons observé ses usages et son comportement tels
que la manière d’utilisation des composants graphiques ou l’ordre d’enchainement des
activités.
Parmi les participants sélectionnés, cinq sont des informaticiens alors qu’un seul ne
l’est pas mais dispose d’un bon niveau en Informatique. Le Tableau B.2 illustré à l’An-
nexe B.1, montre des informations sur les nouveaux scénarios conçus à cette étape d’éva-
luation et des éléments contextuels caractérisant les situations d’apprentissage associées.
Le recueil des résultats de cette évaluation est fait à travers un deuxième questionnaire
dont les questions sont énoncées à l’Annexe B.4. Nous accompagnons les processus de
réponses aux questionnaires afin de recueillir des feedbacks et des impressions directes
des concepteurs. Les retours que nous souhaitons collecter à travers ces tests d’évalua-
tion sont principalement des pratiques, des comportements et des usages, des attentes,
des avis et des propositions d’améliorations.

168
 expérimentations et évaluations

[Link] Le deuxième questionnaire

Le deuxième questionnaire (cf. Annexe B.4), lancé dans le cadre de cette évaluation de
type empirique a pour but de valider l’utilité, l’utilisabilité et la pertinence de certains
aspects de CAPtuRe-platform. Le questionnaire comporte 18 questions (de Q1 au Q18).
Nous associons chacune aux critères d’évaluation à vérifier comme suit :
c1 Utilité de l’outil [Q6 ; Q16 ; Q17 ; Q18], particulièrement de :
c1.1 la réutilisation de scénarios [Q2 ; Q3 ; Q4]
c1.2 l’assistance à la réutilisation de scénarios par la recommandation [Q2 ; Q3 ;
Q5]
c1.3 l’assistance à l’indexation par l’observation [Q15]
c2 Utilisabilité de l’outil [Q7 ; Q16 ; Q17 ; Q18], particulièrement de :
c2.1 la collecte de l’information contextuelle [Q8 ; Q10]
c2.2 la recommandation de scénarios [Q11]
c2.3 la scénarisation de l’observation [Q12]
c2.4 la visualisation des indicateurs [Q13]
c2.5 l’indexation de scénarios [Q14]
c3 Pertinence des :
c3.1 données contextuelles [Q9]

[Link] Analyse des données recueillies du deuxième questionnaire et des discussions ouvertes
associées
Nous analysons dans ce qui suit les résultats recueillis des réponses aux question-
naires et des entretiens ouverts que nous avons mené avec les évaluateurs. Étant donné
que le nombre de participants est limité et qu’on ne pourrait pas dégager des valeurs sta-
tistiques significatives sur cette base, nous présentons les résultats obtenus sous forme
d’études de cas en analysant les atouts et les insuffisances relevées.
Pour la question sur le nombre de scénarios réutilisés de la base BASAR (Q2 : En
concevant votre scénario sur BASAR, et en disposant de l’outil CAPtuRe, combien avez-vous
réutilisé de scénarios existants (activité ou séquence d’activités d’un scénario) ?», et en compa-
rant avec la question 4 similaire de la première phase A d’évaluation, deux concepteurs
sont passés de «0» scénarios réutilisés dans la phase A d’évaluation à «entre 3 et 4» scé-
narios dans la phase B. D’autre part, deux participants sont passés de «entre 1 et 2» à
«entre 3 et 4» scénarios réutilisés. Un concepteur a exprimé la même valeur «entre 1 et
2» scénarios dans les deux phases, qui lui déclare que «Après recherche, je n’ai pas trouvé
de scénarios adaptés à mon cas d’usage». Par ailleurs, un participant passe de «0» à «entre
1 et 2» scénarios réutilisés. On passe ainsi d’une moyenne de «4.5» scénarios réutilisés à
la phase A sans l’utilisation d’un outil d’assistance à la réutilisation à une moyenne de
«17» scénarios en cette deuxième phase avec CAPtuRe. On constate qu’il y’a eu effecti-
vement une évolution du taux de réutilisation (évolution de 12.5 scénarios), bien que le
nombre de scénarios (ou activités) réutilisé(e)s n’est pas assez important pour pouvoir
généraliser.
Après analyse des réponses et des discussions avec les participants, nous identifions
certaines raisons. D’abord, le temps relativement limité des tests ne permet pas de

169
 expérimentations et évaluations

s’investir dans l’exploration des scénarios proposés. De plus, la base ne contient pas
beaucoup de scénarios ce qui diminue la probabilité de trouver un scénario adapté aux
besoins des concepteurs. Une autre raison a été exprimée est que, parmi les scénarios
recommandés par le système, peu relevaient de la discipline du scénario à concevoir. En
effet, ceci est dû au fait que, comme nous utilisons une approche multidimensionnelle
de modélisation du contexte, la recommandation se base sur les éléments contextuels
exprimés dans le contexte prévu cible de manière équitable qu’ils soient d’ordre péda-
gogique, technique, physique ou autre. C’est ce qui nous amène à prévoir l’intégration
d’un mécanisme de pondération des éléments du PCM pour donner la possibilité au
concepteur de privilégier des éléments par rapport à d’autres. Il peut par exemple af-
fecter des pondérations élevées aux objectifs pédagogiques et disciplinaires et sur les
profils des apprenants s’il désire mettre l’accent sur ces aspects ou même les caractéri-
ser comme des contraintes à la recommandation (en leur associant des pondérations de
«100%»). Par contre, si l’enseignant cherche plutôt à réutiliser des stratégies d’apprentis-
sage ou des méthodes pédagogiques, il pourrait dans ce cas diminuer les poids relatifs
aux objectifs et profils disciplinaires. Ceci est pris en compte lors du calcul de similari-
tés avec les index contextuel en rajoutant un poids renforçant les éléments concernés au
PCM.
Tous les participants ont répondu par l’affirmative à la question Q4 («À votre avis,
la réutilisation améliore-t-elle l’activité de conception ?»). De même pour la question Q5
(«Pensez-vous qu’il est utile d’assister la tâche de réutilisation par la recommandation de scéna-
rios adaptés à votre situation d’apprentissage ?»). C’est ce qui vérifie respectivement l’utilité
de la réutilisation de scénario et l’utilité de l’assistance à la réutilisation par la recom-
mandation.
Pour la question 6, tous les participants étaient d’accord que «l’outil CAPtuRe rend l’ac-
tivité de conception de scénarios plus intéressante». À ce niveau, un des participants a noté
que ceci est dû au fait que l’outil donne une vue globale sur toutes les tâches connexes
à la conception dans une même interface et une gestion centralisée de celle-ci sous la
forme d’un tableau de bord telle que la définition du déroulement des activités, des
ressources, des scénarios existants dans une base ou des indicateurs pour observer plus
tard les activités définies. Certains des participants ont affirmé que le fait de leur recom-
mander des scénarios parallèlement à la tâche de conception incite plus à réutiliser. En
comparaison avec la phase A, l’un d’eux exprime que, bien qu’il y’ait des tâches supplé-
mentaires à effectuer, la conception des scénarios devient plus efficace avec l’ajout d’un
tel outil d’assistance à la réutilisation parce qu’il dispose de pratiques pédagogiques défi-
nies par d’autres concepteurs l’inspirant et surtout qui sont proposées selon ses besoins,
qu’il peut rectifier au fur et à mesure de la conception. Ce même participant constate
cependant qu’il serait beaucoup mieux de pouvoir réutiliser directement des activités
existantes en les glissant dans l’outil d’édition de scénarios par des fonctionnalités de
«drag and drop» par exemple.
Cependant, nous avons constaté quelques difficultés liées à la compréhension de la
partie de scénarisation de l’observation. En effet, trois concepteurs ont demandé plus de
détails sur le paramétrage des indicateurs et la manière de les intégrer et de les relier à
une plateforme d’apprentissage. Bien que les participants étaient amenés au début des
expérimentations à se connecter à une plateforme (dans la partie «configurer learning
platform» de CAPtuRe), ceci reste non suffisant et le lien n’est pas effectivement très
clair. Ceci est peut-être dû au fait que ces trois concepteurs n’avaient pas utilisé aupa-

170
 expérimentations et évaluations

ravant une plateforme d’apprentissage (LMS) dans leurs enseignements. Nous pouvons
noter alors que des formations et des usages de plateformes d’apprentissage LMS sont
préférables pour pouvoir s’approprier l’outil plus facilement.
Quant à l’utilité de l’assistance à l’indexation de scénarios par l’observation, elle a été
validée par cinq participants avec la question Q13 «Pensez-vous que les indicateurs pédago-
giques visualisés vous ont aidés/guidés dans la tâche d’indexation du scénario ?». Le participant
restant, qui est un non informaticien, a eu du mal au début à assimiler le principe de
cette indexation en se basant sur les indicateurs visualisés et nous avons été amené à
éclaircir davantage la tâche.
Par ailleurs, deux concepteurs n’avaient pas eu du mal à comprendre l’enchainement
des activités proposées par l’outil (question Q7). L’un d’eux affirme que «les sections
ont des titres significatifs qui guident la navigation et sont affichées dans l’ordre logique de leur
exécution». Cependant, un concepteur a eu du mal à comprendre cet enchainement et
estime qu’il y’avait beaucoup de tâches proposées à la fois et qu’il «se sent un peu perdu
au début». Ceci est également dû notamment au positionnement du bouton «évaluer»
en haut de l’interface : après avoir terminé les tâches de la première interface et que
l’utilisateur se positionne en bas de page, l’utilisateur devrait se rappeler de revenir en
haut de la page pour passer à l’évaluation. Nous avons eu également une critique quant
à la disposition des indicateurs visualisés (de la deuxième interface) qui auraient pu être
placés avant la tâche d’indexation ce qui montrera plus leurs rôles à guider cette tâche
d’indexation : par ordre logique, l’enseignant commence par analyser le déroulement
du scénario et de son contexte et ensuite il évalue et indexe le scénario.
Le Tableau 9.4 donne les moyennes de niveaux (ou degrés) d’aspects abordés dans
certaines questions qui sont affectés par les six participants.

Question posée Niveau/degré moyen

attribué
Q8 : Quel niveau de difficulté affectez-vous à la 1.8 (sur 5 points)
tâche de saisi et de paramétrage des données 36%
contextuelles ?
Q9 : À quel degré estimez-vous la pertinence et 3.8 (sur 5 points)
l’expressivité des données contextuelles saisies ? 76%
Q11 : Pensez-vous que l’affichage des scénarios 2 (sur 2 points)
recommandés est bien adapté ? 100%
Q12 : Quel niveau de difficulté affectez-vous à la 2.3 (sur 5 points)
tâche de paramétrage des indicateurs 46%
pédagogiques ?
Q13 : Pensez-vous que les indicateurs 2.8 (sur 3 points)
pédagogiques visualisés sont clairs et 93.3%
compréhensibles ?
Q14 : Quel niveau de difficulté affectez-vous à la 2.5 (sur 5 points)
tâche d’indexation de scénario ? 50%
Q15 : Comment trouvez-vous l’outil CAPtuRe ?
Facile à prendre en main 3 (sur 5 points)
60%

171
 expérimentations et évaluations

Agréable 4 (sur 5 points)

80%
Motivant 4 (sur 5 points)
80%
Intéressant 4 (sur 5 points)
80%
Intuitif 2 (sur 5 points)%

Table 9.4. – Résumés de réponses sur quelques questions

D’autre part, pour la question Q10 «L’information de votre contexte vous a-t-elle parue
comme une charge supplémentaire alourdissant votre tâche de conception ?» : l’un des concep-
teurs, répondant positivement à cette question, évoque qu’en ayant conscience de l’utilité
de ce contexte informé, que ce soit de la recommandation ou pour l’évaluation du dérou-
lement du scénario, il ne considère plus que c’est une charge qui alourdit le processus
mais plutôt qui l’enrichi. Un autre participant décrit la tâche d’information du contexte
comme intéressante parce qu’elle l’aide à garder une trace des différentes instances de
sessions d’apprentissage passées et de leurs évaluations contextuelles et qu’il pourrait
sur cette base analyser ce qui s’est passé et améliorer les futures mises en œuvre du
scénario.
Ceci a été confirmé par les retours positifs faits par les concepteurs sur le niveau de
difficulté de la tâche de saisi et de paramétrage des données contextuelles (cf. Q8 du
Tableau 9.4). Ils ont exprimé que les composants graphiques utilisés par l’interface ont
diminué la charge de travail, tels que les fonctionnalités d’auto-complétion, leur permet-
tant de sélectionner et de réutiliser des objectifs déjà existants et leur donnant également
des idées de formulation et de filtrage des apprenants selon leurs compétences ou spé-
cialités. Ils ont également mentionné le fait de pouvoir disposer automatiquement des
caractéristiques des ressources matérielles existantes sans avoir à les saisir. À ce niveau,
un concepteur a suggéré d’organiser les apprenants par groupes/niveaux et de classer
les ressources matérielles par type/par salle par exemple ce qui facilitera la sélection.
Par rapport à la conception de scénarios de la première phase, un concepteur a ex-
primé que le fait de disposer du formulaire de saisi d’éléments contextuels l’a incité à
creuser plus dans ce volet et de tenir compte des différentes contraintes contextuelles
du scénario tels que les compétences qui doivent être vérifiées pour chaque apprenant
ou une caractéristique matérielle requise. Cela permet alors d’effectuer d’une certaine
manière une analyse de ces éléments contextuels disponibles afin de fournir un scénario
qui soit le plus adapté à ce contexte.
Quant à la tâche d’indexation de scénarios, nous avons eu un retour moyen (50%),
révélé dans la question Q14. D’abord, les concepteurs ont révélé certains atouts dont on
peut citer :
1. on a une vue englobante, structurée et simplifiée des différents éléments contex-
tuels auparavant saisis ;
2. pour l’évaluation, on a le choix entre sélectionner des valeurs prédéfinies ou de
saisir précisément un pourcentage.
Par ailleurs, quelques problèmes ont été exprimés à ce niveau dont on peut citer :

172
 expérimentations et évaluations

1. évaluer un élément à «not relevant» (correspondant à la valeur «0») laisse la barre

d’évaluation vide, ce qui donne l’impression que l’interaction n’a pas eu d’effet
(problème de feedback immédiat) ;
2. il manque un texte explicatif sur la signification exacte des évaluations par exemple
« pour pouvoir réutiliser ce scénario, il est très important que les apprenants aient comme
compétence le langage Java » ;
3. la valeur 50% n’est pas très expressive.
Ces deux derniers points nous confirment le changement de l’ensemble des évalua-
tions proposées (not relevant ; 50% ; constraint) en un ensemble de valeurs plus explicites
(Not Important ; Low importance ; Neutral ; Important ; Constraint) ou les évaluations (Very
dissatisfied ; Dissatisfied ; Unsure ; Satisfied ; Very satisfied) spécialement pour les objectifs,
correspondant aux échelles de Likert précédemment identifiées dans notre proposition.
Finalement, les deux dernières questions discutent l’utilité et l’utilisabilité en général
de l’outil. Pour la question Q17 énoncée comme suit «Pensez-vous que l’outil CAPtuRe
peut être un bon outil pour l’assistance à la réutilisation de scénarios par la recommandation,
à l’indexation et à la capitalisation ?», les six participants ont répondu par l’affirmative.
Quant à la question Q18 «Dans des conditions réelles de préparation de vos cours, pensez-
vous que vous utiliseriez l’outil CAPtuRe (quand il sera totalement fonctionnel) et qu’il pourrait
être intégré à vos pratiques habituelles ?», deux participants énoncent qu’ils utiliseront «sys-
tématiquement» CAPtuRe, trois confirment qu’ils l’utiliseront «souvent» alors que le
dernier affirme qu’il sera tenté «parfois» d’utiliser l’outil, surtout quand il serait amené
à assurer des sessions de formation à distance.

9.2.5 Synthèse

Les résultats de cette deuxième phase d’évaluation ont révélé d’abord la consistance
et la faisabilité des calculs de similarités contextuelles et donc de la recommandation en
utilisant CAPtuRe-algorithm. La validation de ces critères a été faite particulièrement
sur les données de la base BASAR et pourrait être généralisée pour les bases de scéna-
rios d’apprentissage hybrides. L’analyse des résultats a révélé globalement un feedback
positif et constructif sur l’utilisabilité, l’utilité et la pertinence de certains aspects de
CAPtuRe-platform. Ces résultats ont été conclus sur la base d’évaluations par inspec-
tion (avec 2 experts en IHM) afin de valider l’utilisabilité de l’outil et ensuite empiriques
(avec 6 enseignants et formateurs ayant participé à l’évaluation E2) afin de valider son
utilisabilité et utilité.
Il est important de noter que ces résultats ne sont pas «statistiquement» significa-
tifs et qu’on ne peut pas tirer des déductions générales puisqu’ils étaient établis avec
un nombre restreint d’utilisateurs et une base de scénarios moyennement volumineuse.
D’autres évaluations plus larges avec des utilisateurs de contextes plus variés, peuvent
alors étendre ce travail afin d’avoir des résultats plus révélateurs. Avec un prototype plus
élaboré, des évaluations avancées pourraient également viser la validation du processus
complet d’ingénierie et de réutilisation de scénarios qui est représenté par CAPtuRe-
process. Bien que l’ensemble des phases du processus ont été présentées aux concep-
teurs participants à travers la plateforme CAPtuRe, nous sommes bien conscients qu’un
usage durable à long terme du processus proposé pourra prouver son bienfondé et sa va-
lidité. D’ailleurs, il est prévu d’intégrer progressivement les fonctionnalités de CAPtuRe

173
 expérimentations et évaluations

dans la version cliente collaborative de «Scenari BASAR» ce qui permettra de valider

l’approche par des usages effectifs et des expérimentations à plus grande échelle.

174
CONCLUSION GÉNÉRALE ET PERSPECTIVES
10
Ce chapitre présente un bilan des travaux réalisés dans le cadre de cette thèse. Il com-
mence par une synthèse des différents résultats en explicitant les apports de l’approche
proposée. Il identifie ensuite des limites de ces travaux, une vue sur leurs perspectives
d’évolution et des ouvertures à de nouvelles problématiques de recherche.

10.1 synthèse et apports de la thèse

En étudiant la littérature, nous avons relevé que la réutilisation de scénarios d’ap-

prentissage est devenue une problématique de recherche depuis que les formalismes
de conception et les banques de scénarios ont émergé. L’indexation de ces scénarios est
l’une des techniques favorisant la réutilisation. Le besoin de réutilisation et d’indexa-
tion est réel dans le projet BASAR, dès lors que son objectif est de mettre à la disposi-
tion des enseignants et formateurs une banque de scénarios d’apprentissage hybrides
et réutilisables. En effet, la base BASAR contient dès à présent un nombre assez impor-
tant de scénarios, conçus par des enseignants et formateurs, pour décrire des situations
d’apprentissage avec des contextes d’apprentissage très différents. Ceci a été également
constaté dans d’autres bases de scénarios étudiées dans le cadre de ces travaux. Afin
de faciliter la conception de ces scénarios par la réutilisation, nous avons montré que
l’indexation de ces scénarios par leurs contextes effectifs interprétés pourrait être une
solution efficace.
Le but principal de l’approche proposée dans cette thèse est d’optimiser la réutilisa-
tion des scénarios d’apprentissage dans la conception pédagogique de situations d’ap-
prentissage hybrides ou dans des formations de types FOAD. L’atout de cette approche
est le fait de baser l’indexation de scénarios sur des expériences d’apprentissage effec-
tives tout en se basant sur des critères de réussite et d’efficacité du scénario dans un
contexte donné. Ceci s’inscrit dans une logique de raisonnement basé sur les cas, qui a
fait ses preuves dans la résolution de diverses problématiques de recherche dans plu-
sieurs domaines.
Au cours de ces travaux de thèse, nous avons proposé un cadre de réutilisation et
de capitalisation de scénarios d’apprentissage fournissant à l’enseignant-concepteur (ou
formateur-concepteur) les moyens pour l’aider en l’assistant à sélectionner les scénarios
pertinents à réutiliser, observer et évaluer leurs scénarios, les indexer et les capitaliser.
Ce cadre, formalisant l’approche CAPtuRe (a Context-based APproach to assist educa-
tionnal scenarios Reuse), est intégré dans un contexte plus général d’ingénierie et de
réingénierie de scénarios d’apprentissage. Cette approche a été proposée suite à une
analyse approfondie des travaux de la littérature et une étude de certaines banques de
scénarios existantes notamment l’étude de la base BASAR qui s’inscrit dans notre pro-
gramme de recherche. Dans ce cadre, nous avons commencé par présenter un processus
itératif d’assistance à la réutilisation et à la capitalisation de scénarios d’apprentissage
(CAPtuRe-process) se basant sur l’évaluation du contexte d’usage qui explicite les dif-

175
 conclusion générale et perspectives

férents acteurs, concepts, entités, interactions et pratiques impliqués pour assurer une
telle assistance.
Afin d’opérationnaliser ce processus, nous avons proposé des formalismes pour la re-
présentation des modèles à utiliser notamment les modèles contextuels qui constituent
l’objet central étudié. L’approche proposée se basant sur les méta-modèles a permis
de définir une approche générique de modélisation du contexte (CAPtuRe-metamodel)
sans en figer les caractéristiques et permettre ainsi une instanciation selon les besoins
du cas d’utilisation. Un exemple d’instanciation pour le cas des scénarios hybrides de
la base BASAR (CAPtuRe-model) a été ensuite mis en place. Cette approche de modé-
lisation a comme spécificité de couvrir les différents niveaux de contexte : le contexte
prévisionnel (PCM-LS) construit lors de la phase de conception du scénario, le contexte
d’usage effectif (ECM-LS) représentant le contexte réel dans lequel le scénario est mis en
œuvre et l’index contextuel (ICM-LS) à capitaliser avec le scénario pour refléter son péri-
mètre de réutilisation. Ce dernier est utile à la recommandation de scénarios appropriés.
Une autre spécificité de l’approche de modélisation contextuelle est le fait qu’elle est for-
malisée indépendamment du scénario d’apprentissage et non pas comme un élément
intégré à celui-ci. Avoir une couche indépendante gérant l’information contextuelle la
rend interopérable avec différents formalismes et langages de scénarios tout en facilitant
l’exploitation de cette information. Par ailleurs, la multitude des facettes contextuelles
impliquées dans une situation d’apprentissage hybride (mixant l’apprentissage présen-
tiel et à distance) ou entièrement à distance (telles que les facettes pédagogiques, sociales,
culturelles, techniques ou physiques) nous a également amené à intégrer le critère « mul-
tifacettes » à notre approche de modélisation contextuelle.
Nous avons aussi défini une méthode d’indexation contextuelle du scénario basée sur
l’observation du déroulement du scénario et de son contexte par les indicateurs dans des
situations d’apprentissage effectives. Cette méthode se base sur des critères d’efficacité
et de réussite du scénario dans des instances différentes du contexte. Les modèles pro-
posés et la méthode d’indexation sont utilisés par un algorithme de calcul de similarités
contextuelles (CAPtuRe-algorithm) dont le but est de sélectionner et de recommander
les scénarios appropriés à un contexte préalablement identifié d’une situation d’appren-
tissage, et ce, dans un cadre de conception par la réutilisation.
Ces contributions théoriques ont permis d’abord d’explorer de près les connaissances
contextuelles pouvant être liées aux scénarios d’apprentissage tout en se basant sur la lit-
térature et sur des standards de l’apprentissage. Elles ont également permis de montrer
comment on peut exploiter ces connaissances contextuelles d’une part et l’observation
par les indicateurs pédagogiques d’autre part pour des fins d’indexation et d’optimisa-
tion de la réutilisation de scénarios d’apprentissage.
Afin de prouver leurs faisabilités techniques, les contributions théoriques ont été
concrétisées à travers le développement d’une plateforme d’aide à la réutilisation et à la
capitalisation de scénarios d’apprentissage (CAPtuRe-platform). L’atout de cette plate-
forme est qu’elle offre une solution à l’enseignant-concepteur lui permettant, dans une
même application présentée sous la forme d’un tableau de bord, de (1) retrouver des
scénarios adaptés à la situation d’apprentissage à scénariser, (2) réutiliser des scénarios
existants, (3) exprimer son propre scénario d’apprentissage ainsi que les différents ni-
veaux de son contexte d’usage, (4) observer et analyser le déroulement du scénario par
des indicateurs pédagogiques et des estimations sur la réussite du scénario qui sont cal-
culées par le système, (5) indexer les expériences d’apprentissage sur la base de données

176
 conclusion générale et perspectives

contextuelles effectives pouvant être recueillies automatiquement à partir de différentes

sources et (6) les capitaliser dans la base de scénarios pour des futures réutilisations (par
l’enseignant lui-même ou par la communauté de pratique).
Les contributions ont été évaluées et mises à l’épreuve au fur et à mesure de leurs
spécifications afin de s’approcher au plus des besoins réels des utilisateurs cibles. Ces
évaluations ont été effectuées sous la forme d’analyse de données qualitatives et quanti-
tatives extraites de la base BASAR, de simulations, de jugements d’experts, des enquêtes
par des questionnaires et des tests utilisateurs. Ces derniers ont été mis en place dans le
cadre d’une expérimentation grandeur-réelle réalisée auprès d’enseignants-concepteurs.
Durant ces travaux, nous avons suivi une méthodologie de Recherche Design en Édu-
cation (RDE) qui est une méthodologie adoptée dans des travaux de résolution de pro-
blèmes complexes de pratiques éducatives, notamment ceux qui visent à générer des
connaissances utilisables à travers des modèles, à apporter une contribution scienti-
fique et à étudier, concevoir, développer et évaluer une intervention pratique tels que
les programmes et les systèmes. Ceci correspondait bien à nos besoins en termes de mé-
thodologies. Dans ce sens, nous avons suivi une démarche itérative en faisant évoluer
nos contributions à chaque cycle de design de type analyse-développement-évaluation-
révision. Les évaluations nous ont permis de valider jusque-là certains aspects de la
proposition, de renforcer à chaque cycle le prototype de la plateforme (mis en place
depuis la première itération) et de vérifier les conditions d’utilisabilité et d’utilité de
celui-ci.
D’autres apports s’ajoutent à nos travaux que nous énonçons dans ce qui suit.
— Apports d’ordre méthodologique et conceptuel :
Nous avons montré comment on peut définir un cadre conceptuel (cf. cadre de
réutilisation et de capitalisation de scénarios d’apprentissage présenté dans la Sec-
tion 6.1) proposant différents niveaux de spécification allant de la conceptualisa-
tion (construction par des concepts abstraits) jusqu’à l’implémentation (instancia-
tion par des composants concrets). Ces niveaux s’accordent avec les quatre types
d’output définis dans une recherche en science du design qui sont [March and
Smith, 1995] : des constructions, des modèles, des méthodes et des instanciations.
Nous avons également essayé d’appliquer une approche itérative de recherche
évaluant à chaque itération des aspects bien particuliers afin d’améliorer progres-
sivement les contributions théoriques et pratiques et se basant sur des données et
des besoins réels de l’usager.
— Apports d’ordre pratique :
Les scénarios de la base BASAR ont été analysés et interprétés en explicitant des
pratiques d’usages et des connaissances contextuelles liées à des situations d’ap-
prentissage réelles conçues par des utilisateurs potentiels de notre système. Des
premières versions d’index contextuels ont été construites pour ces scénarios, no-
tamment enrichies par les réponses au questionnaire exploratoire (cf. Section 9.1.4).
De plus, un processus instrumenté a été intégré et mis en place au sein du projet
BASAR assistant la réutilisation et la capitalisation de ses scénarios.
— Apports d’ordre technique :
Nous avons vu comment on peut appliquer le formalisme des graphes contextuels
et les techniques associées pour la modélisation des contextes de scénarios d’ap-
prentissage. Nous avons également vu comment exploiter ce type de graphes par
des méthodes et des algorithmes en utilisant des métriques existantes de calcul

177
 conclusion générale et perspectives

de similarités vectorielles, appliquées au cas des graphes contextuels de scénarios

d’apprentissage. Par ailleurs, nous avons proposé une manière d’appliquer la lo-
gique et les techniques du raisonnement basé sur les cas (CBR) dans le domaine
de la scénarisation pédagogique en considérant les expériences d’apprentissage
scénarisées comme des “cas” qui sont analysés, indexés et capitalisés pour des
futures réutilisations.
— Apports d’ordre architectural et technologique :
Nous avons proposé un cadre architectural générique suivant l’architecture de ré-
férence SOA-RA qui permettrait de mettre en place des applications flexibles, évo-
lutives et réutilisables dans un contexte d’ingénierie et réingénierie de scénarios
d’apprentissage. Ce cadre a été ensuite appliqué et implémenté particulièrement,
dans le cadre de nos travaux, pour le cas d’une assistance à la réutilisation et à la
capitalisation de scénarios d’apprentissage. D’autres instanciations de cette archi-
tecture peuvent être envisagées comme par exemple une assistance à la conception
de scénarios ou une assistance à l’adaptation et la personnalisation de scénarios.
Des choix technologiques ont été également proposés et mis en œuvre pour l’im-
plémentation de ce type d’architecture.

10.2 perspectives et directions de recherche

Dans cette section, nous exposons des perspectives d’amélioration et d’évolution de

nos propositions qui conduisent à de nouvelles directions de recherche. Certaines de ces
perspectives ont été déjà évoquées au cours de la spécification des contributions dans ce
présent mémoire.

10.2.1 Amélioration et évolution de CAPtuRe-platform

Des perspectives au niveau de la contribution pratique peuvent être envisagées. Il

s’agit d’abord de compléter le développement et l’intégration des éléments restants de la
proposition qui n’ont pas été encore finalisés au cours de la thèse à cause de contraintes
de temps. Il s’agit aussi de la possibilité d’apporter des améliorations et des évolutions
à CAPtuRe-platform. Nous citons quelques unes dans ce qui suit.
1. l’intégration du moteur DCL4UTL pour le calcul d’indicateurs avec une version
en services web (cf. “service de calcul de l’indicateur Ij ” de l’architecture fonction-
nelle de la plateforme) et la spécification d’indicateurs plus avancés et les traces
associées pour alimenter la base d’indicateurs. Le “service de gestion des indica-
teurs” (déjà développé), qui agit comme un service orchestrateur, a pour fonction
de gérer les appels aux sous-services de calcul suivant le scénario d’observation.
En effet, il procède comme suit :
— il reçoit en entrées des données de traces sous la forme de traces brutes en
UTL (“Raw-datum”) qui lui sont envoyées par le “service de collecte et de
structuration de traces” ;
— il structure les paramètres des indicateurs saisis par le concepteur sous la forme
de données additionnelles en UTL (“Additionnal-datum”) à partir du scénario
d’observation ;

178
 conclusion générale et perspectives

— il diffuse, à chacun des sous-services concernés par le calcul des indicateurs du

scénario d’observation, les données brutes et additionnelles structurées dont il
a besoin pour effectuer le calcul.
Chacun des sous-services invoqués (“ service de calcul de l’indicateur Ij ”), dispo-
sant des données brutes et additionnelles necessaires, aura la charge de calculer
l’indicateur et de le visualiser sous la forme adéquate (texte, tableau, graphe, etc.).
2. lier la plateforme à un référentiel de compétences recensant des compétences re-
latives à diverses disciplines. Ce type de référentiel est déjà mis en place 1 par
l’Agence Universitaire de la Francophonie en liaison avec le projet BASAR.
3. enrichir la base de modèles d’index contextuels dans la base BASAR. Ces mo-
dèles seraient plus développés et pertinents à travers des réalisations effectives de
CAPtuRe-process (dans le cadre d’éxpérimentations), et ce afin d’ajouter l’inter-
prétation des concepteurs réels des scénarios ;
4. la connexion de CAPtuRe-platform avec un LMS a été prévue uniquement avec la
plateforme Moodle. D’autres alternatives pourraient également être intégrées (e.g.,
Claroline ou Blackboard) à travers la mise en place de nouveaux services agissant
comme des interfaces de communication avec ces platefomes ;
5. les améliorations (non encore intégrées) au niveau de l’IHM de la plateforme ayant
été dégagées lors de l’évaluation de son utilisabilité (cf. étape d’évaluation E4 de
la Section 9.2.3 et étape d’évaluation E5 de la Section 9.2.4). On peut citer par
exemple les améliorations du format d’affichage des scénarios d’observation, des
fonctionnalités de drag&drop pour une réutilisation directe des activités de scéna-
rios recommandés ou l’affichage des récapitulatifs des contextes liés aux scénarios
recommandés ;
6. la plateforme développée n’offre pas encore un accès spécifique à des experts pé-
dagogiques et à des développeurs pour gérer les modèles de contexte et les fa-
cettes/éléments contextuels associés adaptés à la communauté d’usage cible. Elle
n’offre pas aussi un accès pour spécifier, développer et intégrer de nouveaux indi-
cateurs pédagogiques. Ceci peut être assuré à travers une interface graphique. Des
premières réflexions sur cette fonctionnalité ont été mises en place à travers le pro-
totype de la Figure 10.1. L’implémentation de cette fonctionnalité semble faisable
pour notre cas étant donné que nous avons défini le méta-modèle de contexte d’un
scénario d’apprentissage avec EMF, à partir duquel on peut générer un éditeur gra-
phique pour la modélisation avec l’outil GMF (Graphical Modeling Framework) ;
7. intégrer des interactions automatiques avec d’autres sources de données pour la
collecte du contexte d’usage des scénarios. Par exemple pour la communauté BA-
SAR, des informations sur les profils des enseignants et formateurs qui ont parti-
cipé à la conception de scénarios dans BASAR sont disponibles sur la plateforme
“Initiatives” 2 ;
8. la plateforme pourrait être intégrée avec d’autres outils de conception pédago-
gique utilisant d’autres formalismes de modélisation des scénarios, étant donné
qu’il a été montré que l’approche proposée n’est pas spécifique à un formalisme
particulier.

1. disponible sur le lien [Link]

2. disponible sur le lien [Link]

179
 conclusion générale et perspectives

Figure 10.1. – Interface administrateur de gestion des modèles de contextes de scénarios d’ap-
prentissage du prototype CAPtuRe-platform

L’adoption d’une architecture orientée services de la plateforme CAPtuRe permet de

faciliter l’intégration de ces fonctionnalités identifiées ci-avant à travers l’ajout de nou-
veaux services web (e.g., service de connexion à un référentiel de compétences, service
de calcul d’un indicateur) ou à travers la mise en place de nouvelles versions de ser-
vices web existants (e.g., service de connexion au LMS Claroline, service de collecte du
contexte à partir d’autres sources de données) et ensuite la gestion des appels à ces
services par “le service orchestrateur” de CAPtuRe-platform.

10.2.2 Optimisation de l’algorithme de recommandation de scénarios

L’algorithme de recommandation CAPtuRe-algorithm, se basant sur le calcul de si-

milarités contextuelles entre scénarios, pourrait encore être optimisé par l’intégration
de nouveaux facteurs (en plus des facteurs déjà spécifiés qui sont le taux de réussite
du scénario, l’expérience du concepteur et le seuil minimal de réutilisation des scéna-
rios capitalisés) afin d’améliorer les résultats de recommandation des scénarios les plus
appropriés à une situation d’apprentissage donnée. On pourrait par exemple intégrer
un mécanisme de notation de scénarios par d’autres enseignants-concepteurs afin de
favoriser les scénarios de meilleure qualité ou encore prioriser les scénarios qui sont
fréquemment réutilisés.
Par ailleurs, la version actuelle de CAPtuRe-algorithm applique uniquement la for-
mule de calcul de distances vectorielles « DICE similarity » pour le calcul de similarités
contextuelles des scénarios. D’autres métriques peuvent être intégrées et évaluées, telles
que les similarités COSINE ou JACCARD [Cha, 2007], afin d’être comparées et confron-
tées avec les résultats de recommandation utilisant la similarité DICE.

180
 conclusion générale et perspectives

10.2.3 Evolution de la base d’indicateurs pédagogiques

Des études sur les indicateurs, constituant le principal moyen de guidage de l’analyse
des situations d’apprentissage dans l’approche proposée, pourraient être poursuivies et
améliorées. On pourrait envisager la définition, l’intégration et le test de nouveaux indi-
cateurs et étudier leurs relations avec les différents éléments et facettes contextuelles et
ce, dans le cadre d’une évolution de la base d’indicateurs et des règles associées. De nou-
velles classes d’indicateurs peuvent également être étudiées tels que des indicateurs liés
aux émotions, des indicateurs sur les aspects culturels, etc. D’autres part, en passant à
la pratique, certains indicateurs identifiés peuvent représenter des limites. Par exemples,
certains sont coûteux à évaluer tel que le degré d’implication de l’apprenant ou le tra-
jet de l’apprenant. D’autres indicateurs sont couteux à développer et intégrer surtout
si on veut les déployer sur différentes plateformes d’apprentissage. Des mécanismes
d’optimisation du calcul et des ressources doivent donc être explorés.

10.2.4 Mise en place de nouvelles itérations d’évaluation

Les tests de CAPtuRe-platform pour la validation de son utilité et utilisabilité ont

été faits avec un nombre restreint d’utilisateurs qui est statistiquement non significatif.
Ces tests ne nous ont pas permis de tirer des déductions générales par rapport aux cri-
tères évalués. Notamment avec une base de scénarios moyennement volumineuse, nous
n’avons pas pu par exemple généraliser par rapport à l’évolution des taux de réutilisa-
tion de scénarios sans et avec l’utilisation de CAPtuRe, ou par rapport à la satisfaction
des utilisateurs par les résultats de recommandation. On envisage ainsi de mettre en
place des tests de plus grande envergure et à plus large échelle impliquant des ensei-
gnants ou formateurs concepteurs opérant dans des contextes plus diversifiés et utilisant
des bases de scénarios plus grandes. Ceci permettra d’une part d’améliorer les méthodes
proposées et les fonctionnalités de la plateforme et de s’approcher plus des besoins de
ces utilisateurs. Ceci permettera d’autres part de valider plus certains résultats tels que
la pertinence des scénarios recommandés et la satisfaction des utilisateurs par les résul-
tats ou la mesure de similarité adoptée.
De nouvelles itérations peuvent également revenir sur l’approche de modélisation
du contexte des scénarios de BASAR afin de vérifier la complétude des facettes/élé-
ments contextuels figurant dans CAPtuRe-model. Dans les travaux actuels, le modèle a
été mis en place en étudiant les corpus des scénarios de BASAR et en effectuant une
analyse contextuelle et du contenu de ces scénarios (analyse ascendante). A travers ces
nouvelles itérations, ce modèle peut être révisé davantage face à des évaluations et vali-
dations par des experts du domaine. Par ailleurs, d’autres modèles de contexte peuvent
être construits pour d’autres bases de scénarios dédiées à des communautés d’usage
différentes, et ce, en instanciant le même méta-modèle défini.
Avec un prototype plus élaboré, des évaluations avancées pourraient également viser
la validation du processus complet d’ingénierie et de réutilisation de scénarios CAPtuRe-
process. Bien que l’ensemble des phases du processus ont été présentées aux concepteurs
participant aux évaluations à travers CAPtuRe-plaform, seul un usage durable à long
terme du processus proposé pourra prouver son bienfondé et sa validité.
D’autre part, nous envisageons d’intégrer les fonctionnalités de CAPtuRe dans une
version client web collaborative de « Scenari BASAR » ce qui permettra de valider l’ap-

181
 conclusion générale et perspectives

proche par des usages effectifs et des expérimentations à plus grande échelle. Une ver-
sion de l’outil BASAR est déjà mise en pratique (cf. Figure 10.2). Ce point nous ouvre
des perspectives sur l’exploration de la conception collaborative et sa prise en compte
dans notre approche, comme la problématique de l’indexation de scénarios conçus d’une
manière collaborative par plusieurs concepteurs. Il serait aussi pertinent de tester l’al-
gorithme avec un plus grand volume de données afin d’évaluer ses performances, et
également envisager des tests avec des scénarios d’autres bases.

Figure 10.2. – Outil de conception pédagogique collaboratif de Scenari BASAR

Nous envisageons d’intégrer ces améliorations et évolutions progressivement en met-

tant en place de nouvelles itérations de type analyse-développement-évaluation-révision
comme continuité de ces travaux. Une nouvelle itération est déjà lancée et est prévue
dans les prochains mois.

10.2.5 Intégration de l’axe adaptation à travers une ingénierie ontologique

L’utilisation des modèles et méta-modèles pour formaliser le contexte peut représen-

ter des limites par rapport à l’expression des aspects sémantiques notamment si on
cherche à lier les éléments contextuels entre eux. Ainsi, envisager la combinaison de
cette approche par méta-modélisation avec une ingénierie ontologique mériterait d’être
explorée. Il serait alors judicieux d’étudier les possibilités de l’expression des liaisons
sémantiques à travers des ontologies et d’étudier l’utilité d’une telle approche.
Une première reflexion de définition d’une ontologie, pouvant être associée à un mo-
dèle contextuel effectif (ECM), a été mise en place dans la Figure 10.3 pour illuster cette
perspective. En se référant au modèle de contexte ECM modélisé précédemment dans
la Figure 7.13, cette ontologie du contexte permet d’expliciter en plus les liens entre les

182
 conclusion générale et perspectives

éléments contextuels. En effet, par rapport à l’ECM, l’ontologie ajoute des liens entre les
évaluations contextuelles tel que le montre les flèches dans la Figure 10.3.

Figure 10.3. – Exemple d’une ontologie du contexte effectif d’un scénario d’apprentissage

Les relations ajoutées entre les évaluations contextuelles expriment les interactions
faites au cours de la session d’apprentissage au niveau du contexte du scénario. Bien
que cette ontologie peut s’avérer utile à l’enseignant pour raisonner par rapport à la
réussite de son scénario, ces interactions ne semblent pas pertinentes à être stockées
et capitalisées pour des fins de réutilisation du scénario. C’est ce qui rend cette ini-
tiative un peu éloignée du cadre de notre problématique de recherche d’assistance à
la réutilisation et à la capitalisation des scénarios d’apprentissage. Cependant, l’ontolo-
gie contextuelle nous ouvre une nouvelle direction de recherche qui est l’assistance à
l’adaptation de scénarios. Cet axe a été déjà discuté dans la revue de la littérature (cf.
Section [Link]) que nous avons désigné par «l’Axe-1» des approches centrées sur l’adap-
tation des entités pédagogiques. Dans cette perspective, et en se référant au processus
d’ingénierie et de réingénierie de scénarios que nous avons construit dans la Figure 2.2
positionnant cette phase d’adaptation, on pourrait envisager la définition de méthodes
et mécanismes d’adaptation en temps réel des activités et du contexte du scénario selon,
par exemple, les interactions contextuelles perçues lors du déroulement de la situation
d’apprentissage. Ces adaptations peuvent être :
(1) déduites par l’enseignant : par exemple, dans l’ontologie de la Figure 10.3, l’ensei-
gnant constate que les apprenants qui n’ont pas utilisé de smartphones pour tester des
applications (tel est le cas de l’apprenant (065-PROFILE)) n’ont pas réussi le quiz (003-
Quiz). Il décide alors d’ajouter une activité de tests d’applications sur des émulateurs
mobiles.
(2) automatisées et suggérées par le système : par exemple le système détecte que
la vidéo (004-V) n’a pas été visualisée par beaucoups d’apprenants, il propose alors à
l’enseignant d’ajouter une nouvelle vidéo plus adaptée aux profils de ces apprenants.
D’un point de vue technique, une telle ontologie peut être construite en utilisant l’API
TIN-CAN (ou xAPI) qui permet de tracer et collecter l’historique des activités d’appren-

183
 conclusion générale et perspectives

tissage et leurs contextes. Contrairement au SCORM qui nécessite une plateforme LMS
centralisant l’ensemble des contenus de formations, xAPI étend la notion d’apprentis-
sage à n’importe quel contenu, où qu’il se trouve et quel que soit sa nature : une vidéo
sur youtube, un entretien avec un collègue, la réalisation d’une tâche, etc. [Experien-
ceAPI, 2010]. Comme le cas des modèles contextuels que nous avons proposés dans
notre approche, l’ontologie peut aussi être enrichie par des indicateurs calculés à partir
de traces d’usage tels que l’indicateur de taux de consultation d’une ressource, taux de
réussite à un quiz, etc.
D’autres perspectives peuvent également concerner des méthodes agissant au niveau
de l’adaptation de scénarios en différée lors d’une nouvelle «conception pour/par la
réutilisation» : après avoir sélectionné les scénarios appropriés à la réutilisation (notre
approche actuelle), des stratégies/propositions d’adaptation des scénarios selon les be-
soins de la situation d’apprentissage prévue peuvent être mises en place pour adapter
encore plus ces scénarios au contexte d’usage.

10.2.6 Vers une classification des scénarios d’apprentissage

L’approche proposée dans le cadre de la thèse se préoccupe principalement de la

capitalisation des aspects contextuels des scénarios. Elle offre des mécanismes pour
une indexation contextuelle des scénarios enrichie par les résultats perçus dans des
instances de contexte précises. L’approche peut être enrichie par des méthodes d’in-
dexations sémantiques, de contenu ou de structure des scénarios. Dans ce cas, et no-
tamment pour des bases de scénarios riches et volumineuses, des mécanismes et des
algorithmes de classification et de techniques de fouille de données des scénarios d’ap-
prentissage peuvent être appliqués, et ce, selon les différentes dimensions contextuelles,
sémantiques, structurelles ou autres des scénarios. Il s’agit d’un axe de recherche très
développé qui est appliqué dans différents domaines où la gestion des connaissances
est importante. Une méthode de clustering simple a été déjà appliquée dans la phase
d’évaluation de ce présent mémoire (cf. Evaluation E3 de la Section 9.2.2). La Figure
10.4 montre des illustrations possibles de ces méthodes de classifications multifacettes
et multidimensionnelles.

Figure 10.4. – Classifications multi-facettes ou multi-dimentionnelles de scénarios d’apprentis-

sage

184
 conclusion générale et perspectives

En se positionnant dans le même cadre d’un raisonnement basé sur les cas, nous
pouvons envisager par exemple l’utilisation de l’algorithme génétique appliqué au rai-
sonnement basé sur les cas (Genetic Algorithm based CBR : GA-CBR) pour le cas des
scénarios d’apprentissage. Il s’agit d’une méthode qui a été jugée parmi les plus réus-
sies et approuvées pour conduire une sélection de “cas” en adoptant la démarche de
l’algorithme génétique [Guo et al., 2011].
Ceci devient de plus en plus utile avec l’évolution des bases et référentiels comprenant
un nombre important de scénarios d’apprentissage. Ainsi, comme le cas des ressources
et objets d’apprentissage qui ont attiré l’attention de plusieurs travaux de recherche et
de standards pour leurs indexations, nous pensons que plus d’efforts devraient être
fournis pour l’indexation et la capitalisation des scénarios d’apprentissage qui, en plus
du contenu d’apprentissage, intègrent des pratiques enseignantes, des méthodes péda-
gogiques et des stratégies d’apprentissage innovantes pertinentes à être réutilisées.

10.2.7 Vers une approche de réutilisation et de capitalisation de scénarios adaptée aux environ-
nements sociaux collaboratifs, des MOOCs et des Learning games

L’une des tendances de la capitalisation des connaissances est actuellement la diffu-

sion des savoirs à travers les réseaux sociaux d’entreprise. En effet, les communautés
de pratique (ici les enseignants d’un domaine) peuvent partager des informations, mais
surtout les faire vivre à travers des annotations, des échanges de points de vue et des
retours d’expérience sur l’utilisation d’un scénario existant dans un contexte particulier.
Le travail de modélisation de contexte proposé dans nos travaux pourrait ainsi offrir
un cadre au partage tout en prenant en compte d’autres facteurs humains, tels que la
valorisation sociale des membres de la communauté de pratique. Les enseignants pro-
posant de nouveaux scénarios auraient en effet des retours (des feedbacks) sur ce qu’ils
ont proposé dans des contextes différents et l’approche de mise en contact permettrait
de s’orienter vers un design collaboratif de nouveaux scénarios. Ceci introduira plus
d’interactivité et mettra en valeur les expériences effectives ayant fait leurs preuves.
Nos propositions pourraient être également généralisées et adaptées aux MOOCs
(Massive open online courses), notamment l’indexation contextuelle sur la base de cri-
tères de réussite et d’efficacité par rapport à des contextes d’usages effectifs de ces cours.
Ceci peut s’avérer important surtout que les MOOCs représentent généralement une
plus grande diversité contextuelle vu leur caractère “ouvert”. Le contexte joue égale-
ment un rôle important dans les environnements pérvasifs spécialement dans l’appren-
tissage par les jeux relevant actuellement plusieurs défis d’adaptation et d’ataptativité
dans l’apprentissage. Nous pouvons ainsi envisager l’application des principes de l’in-
dexation contextuelle et de réutilisation pour des scénarios deployés dans des environ-
nements de Learning Games (rf. Scénario SA7 de l’évaluation B.2.3) en analysant les
contextes d’apprentissage effectifs avec la prise en compte des défis spécifiques à ces
environnements. Dans ce type d’environnements, le contexte est important surtout avec
l’utilisation de dispositifs technologiques de simulation, de réalité virtuelle ou autres
supports.

185
BIBLIOGRAPHIE

Aamodt, A. and Plaza, E. (1994). Case-based reasoning : Foundational issues, methodo-

logical variations, and system approaches. AI communications, 7(1) :39–59.

Ahmed, M. U., Begum, S., Olsson, E., Xiong, N., and Funk, P. (2010). Case-based rea-
soning for medical and industrial decision support systems. In Successful Case-based
Reasoning Applications-I, pages 7–52. Springer.

Altet, M. (2002). Une démarche de recherche sur la pratique enseignante : l’analyse

plurielle. Revue française de pédagogie, pages 85–93.

Amailef, K. and Lu, J. (2013). Ontology-supported case-based reasoning approach

for intelligent m-government emergency response services. Decision Support Systems,
55(1) :79–97.

Amorim, R. R., Lama, M., Sánchez, E., Riera, A., and Vila, X. A. (2006). A learning
design ontology based on the ims specification. Journal of Educational Technology &
Society, 9(1) :38–57.

Baggetun, R. E. P. C., Rusman, E., and Poggi, C. (2004). R. design patterns for colla-
borative learning : From practice to theory and back. In Proceedings of International
Conference on Educational Multimedia, Hypermedia and Telecommunications, volume 53,
page 277. Citeseer.

BASAR (2012). Le projet basar : Banque de scenarii d’apprentissage hybrides réutili-

sables et interopérables. AUF (Agence Universitaire de la Francophonie).

Bazire, M. and Brézillon, P. (2005). Understanding Context Before Using It, pages 29–40.
Springer Berlin Heidelberg, Berlin, Heidelberg.

Ben Sassi, M. (2015). La réingénierie des scénarios d’apprentissage : une approche d’évaluation
hybride basée sur les traces. PhD thesis, Université de la Manouba.

Benard, R., De Loor, P., and Tisseau, J. (2006). Understanding dynamic situations through
context explanation. In Sixth IEEE International Conference on Advanced Learning Tech-
nologies (ICALT’06), pages 1044–1046. IEEE.

Benlamri, R. and Zhang, X. (2014). Context-aware recommender for mobile learners.

Human-centric Computing and Information Sciences, 4(1) :1–34.

Berns, R. G. and Erickson, P. M. (2001). Contextual teaching and learning : Preparing

students for the new economy. the highlight zone : Research@ work no. 5.

Boekaerts, M. (1999). Self-regulated learning : where we are today. International Journal

of Educational Research, 31(6) :445 – 457.

186
 bibliographie

Bote-Lorenzo, M. L., Hernández Leo, D., Dimitriadis, Y., Asensio-Pérez, J. I., Gómez-
Sánchez, E., Vega-Gorgojo, G., and Vaquero-Gónzalez, L. M. (2004). Towards reusabi-
lity and tailorability in collaborative learning systems using ims-ld and grid services.
Advanced Technology for Learning. 2004 ; 1 (3) : 129-138.

Bousbia, N., Labat, J.-M., Rebai, I., and Balla, A. (2009). Indicators for deducting the
learners’ learning styles : Case of the navigation typology indicator. In Ninth IEEE
International Conference on Advanced Learning Technologies, ICALT 2009, pages 385–389.
IEEE.

Bousbia, N., Rebaï, I., Labat, J.-M., and Balla, A. (2010). Learners’ navigation beha-
vior identification based on trace analysis. User Modeling and User-Adapted Interaction,
20(5) :455–494.

Bradley, N. A. and Dunlop, M. D. (2005). Toward a multidisciplinary model of context

to support context-aware computing. Human-Computer Interaction, 20(4) :403–446.

Broisin, J. and Vidal, P. (2007). Une approche conduite par les modèles pour le traçage
des activités des utilisateurs dans des eiah hétérogènes. Sciences et Technologies de
l’Information et de la Communication pour l’Éducation et la Formation (STICEF), 14 :18–
pages.

Caeiro, M., Llamas, M., and Anido, L. (2007). Poeml : a separation-of-concerns proposal
to instructional design. Handbook of Visual Languages for Instructional Design : Theories
and Practices. IDEA Group Inc.

Caeiro-Rodrıguez, M., Marcelino, M. J., Llamas-Nistal, M., Anido-Rifón, L., and Mendes,
A. J. (2007). Supporting the modeling of flexible educational units. Journal of Universal
Computer Science, 13(7) :980–990.

CAUSA (2006). Le projet causa : Conception, analyse et usages des scénarios d’appren-
tissage. ERTé ePraxis.

Cauvet, C. and Semmak, F. (1999). La réutilisation dans l’ingénierie des systemes

d’information-dans génie objet-sous la direction de oussalah c. Hermès.

Cha, S.-H. (2007). Comprehensive survey on distance/similarity measures between pro-

bability density functions. City, 1(2) :1.

Chaabouni, M. (2014). Adaptation et réutilisation des scénarios pédagogiques : Une ap-

proche par l’évaluation du contexte d’usage à base d’indicateurs. In 5èmes Rencontres
Jeunes Chercheurs en EIAH - RJCEIAH’ 2014, pages 69–74, La Rochelle (France).

Chaabouni, M. and Laroussi, M. (2012). A cloud computing for the learner’s usage
tracks analysis. In The 1st International Workshop on Cloud Education Environments -
WCLOUD’2012, pages 12–17.

Chaabouni, M. and Laroussi, M. (2013). A pedagogical cloud for reusability, interopera-

bility and portability of pedagogical indicators. In Uden, L., Tao, Y.-H., Yang, H.-C.,
and Ting, I.-H., editors, The 2nd International Workshop on Learning Technology for Edu-
cation in Cloud - LTEC’2013, pages 161–174, Kaohsiung (Taiwan). Springer.

187
 bibliographie

Chaabouni, M., Laroussi, M., Piau-Toffolon, C., and Choquet, C. (2015a). Indexation
contextuelle multi-facettes de scénarios d’apprentissage basée sur l’observation. In
Environnements Informatiques pour l’Apprentissage Humain - EIAH’2015, Agadir (Maroc).

Chaabouni, M., Laroussi, M., Piau-Toffolon, C., Choquet, C., and Ben Ghezala, H.
(2016a). A context modeling approach and a tool for reusing learning scenarios. In
The 24th International Conference on Computers in Education - ICCE’2016, Bombay (Inde).

Chaabouni, M., Laroussi, M., Piau-Toffolon, C., Choquet, C., and Ben Ghezala, H.
(2016b). Towards a context-based approach assisting learning scenarios reuse. In
Eleventh European Conference on Technology Enhanced Learning - EC-TEL’2016, Lyon
(France).

Chaabouni, M., Piau-Toffolon, C., Laroussi, M., Choquet, C., and Ben Ghezala, H.
(2015b). Indexing learning scenarios by the most adapted contexts : an approach
based on the observation of scenario progress in session. In 15th International Confe-
rence on Advanced Learning Technologies - ICALT’2015, pages 39–43, Hualien (Taiwan).
IEEE.

Chachoua, S., Nouredine, T., Malki, J., and Estraillier, P. (2016). Towards a trace-based
adaptation model in e-learning systems. Proceedings of the 24th International Conference
on Computers in Education.

Chang, C.-K. and Yen, H.-Y. (2016). Learning behavior analysis on voicetube for re-
commender system construction. Proceedings of the 24th International Conference on
Computers in Education.

Charlier, B. and Daele, A. (2002). Recre@ sup : Réseau des centres de ressources pour
l’enseignement supérieur. Rapport final.

Chatti, M. A., Dyckhoff, A. L., Schroeder, U., and Thüs, H. (2012). A reference model for
learning analytics. International Journal of Technology Enhanced Learning, 4(5-6) :318–331.

Choquet, C. (2007). TEL Engineering and Reengineering - the REDiM approach. Accredita-
tion to supervise research, Université du Maine.

Choquet, C. and Iksal, S. (2007a). Modeling tracks for the model driven re-engineering
of a tel system. Journal of Interactive Learning Research, 18(2) :161.

Choquet, C. and Iksal, S. (2007b). Modélisation et construction de traces d’utilisation

d’une activité d’apprentissage : une approche langage pour la réingénierie d’un eiah.
Sciences et Technologies de l’Information et de la Communication pour l’Education et la For-
mation (STICEF), 14 :24–pages.

Choquet, C., Iksal, S., Levene, M., and Schoonenboom, J. (2009). Users’ data - trails
analysis. In Balacheff, N., Ludvigsen, S., de Jong, T., Lazonder, A., and Barnes, S.,
editors, Technology Enhanced Learning - Principles and Products, pages 195–211. Springer.

Class, B. and Schneider, D. (2013). La recherche design en education : vers une nouvelle
approche ? Frantice. net, 7 :5–16.

188
 bibliographie

Clayer, J. P., Toffolon, C., and Choquet, C. (2013). Patterns, pedagogical design schemes
and process for instructional design. In 2013 IEEE 13th International Conference on
Advanced Learning Technologies, pages 304–306.

Cohen, L., Manion, L., and Morrison, K. (2013). Research methods in education. Routledge.

CORDRA (2004). Content object repository discovery and registration/resolution archi-

tecture. ADL Technical Team, ADL 1’st International Plugfest.

Cox, M. T., Muñoz-Avila, H., and Bergmann, R. (2005). Case-based planning. The Know-
ledge Engineering Review, 20(03) :283–287.

Cozby, P. C. (2009). Methods in behavioral research. McGraw-Hill, 10th ed edition.

Dagger, D., Conlan, O., and Wade, V. (2003). An architecture for candidacy in adap-
tive elearning systems to facilitate the reuse of learning resources. In Proc. of World
Conference on E-Learning, E-Learn, pages 49–56.

Dalkir, K. and Liebowitz, J. (2011). Knowledge Management in Theory and Practice. MIT
Press.

Dalziel, J. (2003). Implementing learning design : The learning activity management

system (lams). Interact, integrate, impact : proceedings of the 20th annual conference of the
Australasian Society for Computers in Learning in Tertiary Education (ASCILITE).

De Mantaras, R. L., McSherry, D., Bridge, D., Leake, D., Smyth, B., Craw, S., Faltings,
B., Maher, M. L., T COX, M., Forbus, K., et al. (2005). Retrieval, reuse, revision and
retention in case-based reasoning. The Knowledge Engineering Review, 20(03) :215–240.

De Moura Filho, C. (2007). MDEduc : conceiving and implementing a language-oriented

approach for the design of automated learning scenarios. These, Université des Sciences et
Technologie de Lille - Lille I.

Derntl, M. and Hummel, K. A. (2005). Modeling context-aware e-learning scenarios.

In Pervasive Computing and Communications Workshops, 2005. PerCom 2005 Workshops.
Third IEEE International Conference on, pages 337–342. IEEE.

Dey, A. K. (2001). Understanding and using context. Personal Ubiquitous Comput., 5(1) :4–
7.

Diagne, F. (2009). Instrumentation de la supervision par la réutilisation d’indicateurs : Modèles

et Architecture. PhD thesis, Université Joseph-Fourier-Grenoble I.

Dimitrakopoulou, A. (2004). State of the art on Interaction and Collaboration Analysis.

(D26.1.1) EU Sixth Framework programme priority 2, Information society technology,
Network of Excellence Kaleidoscope, (contract NoE IST-507838), project ICALTS : In-
teraction & Collaboration Analysis.

Djouad, T., Mille, A., and Benmohammed, M. (2010). Un outil spécifique à moodle pour
le calcul des indicateurs d’interaction.

Drira, R. (2010). Assistance à la modélisation et à la contextualisation de dispositifs pédago-

giques complexes. PhD thesis.

189
 bibliographie

Duval, E. (2004). Learning technology standardization : making sense of it all. Interna-

tional Journal on Computer Science and Information Systems, 1(1) :33–43.

E-LEN (2002). Le projet e-len : A network of e-learning centres. Socrates Programme.

El-Kechai, H. (2008). Conception collective de scénarios pédagogiques dans un contexte de

réingénierie : une approche par la métamodélisation située. Theses, Université du Maine.

El-Sappagh, S., Elmogy, M., and Riad, A. (2015). A fuzzy-ontology-oriented case-based

reasoning framework for semantic diabetes diagnosis. Artificial intelligence in medicine,
65(3) :179–208.

Elammari, M. and Khoukhi, F. (2010). To an adaptive pedagogic system in eiah. In

International conference on models of information and communication systems.

Emin, V., Pernin, J.-P., and Guéraud, V. (2011). Scénarisation pédagogique dirigée par
les intentions. Revue Sticef. org, 16 :17.

Emin-Martinez, V. (2010). Modélisation dirigée par les intentions pour la conception, le partage
et la réutilisation de scénarios pédagogiques. Theses, Université Joseph-Fourier - Grenoble
I. Déposé le 10-décembre 2010.

ExperienceAPI (2010). Training & learning architecture (tla) : Experience api (xapi).
Advanced Distributed Learning ADL.

Fazeli, S., Drachsler, H., Brouns, F., and Sloep, P. (2014). Towards a Social Trust-Aware
Recommender for Teachers, pages 177–194. Springer New York, New York, NY.

Ferraris, C., Martel, C., and Vignollet, L. (2007). Ldl for collaborative activities. Handbook
of visual languages in instructional design : Theories and practices. Hershey, PA : Idea Group.

Ferraris, C., Martel, C., and Vignollet, L. (2008). Modelling the" planet game" case study
with ldl and implementing it with ldi. Journal of Interactive Media in Education, 2008(2).

Gardner, T. (2003). Model-driven metadata integration using mof 2.0 and eclipse. OMG
MDA Implementers’ Workshop.

Gary, J. and Edward, S. (2013). Knowledge Management in Education : Enhancing Learning

& Education. Religion in History, Society & Culture : Outstanding Disserta. Taylor &
Francis.

Gauthier, G. (2011). Profil d’application normetic 2.0 (v0.7.5). GTN-Québec.

Gendron, É. (2010). Cadre conceptuel pour l’élaboration d’indicateurs de collaboration à partir

des traces d’activité. PhD thesis, Université Claude Bernard-Lyon I.

Ghebghoub, O., Abel, M. H., and Moulin, C. (2008). Learning object indexing tool based
on a lom ontology. In 2008 Eighth IEEE International Conference on Advanced Learning
Technologies, pages 576–578.

Gruber, T. R. et al. (1993). A translation approach to portable ontology specifications.

Knowledge acquisition, 5(2) :199–220.

190
 bibliographie

Guéraud, V. (2005). Approche auteur pour les situations actives d’apprentissage : Scé-
narios. Suivi et Ingénierie, Mémoire d’Habilitation à Diriger des Recherches, Université
Grenoble, 1.

Guo, Y., Hu, J., and Peng, Y. (2011). Research on {CBR} system based on data mining.
Applied Soft Computing, 11(8) :5006 – 5014.

Hadwin, A. F., Nesbit, J. C., Jamieson-Noel, D., Code, J., and Winne, P. H. (2007). Exami-
ning trace data to explore self-regulated learning. Metacognition and Learning, 2(2) :107–
124.

Henri, F., Compte, C., and Charlier, B. (2007). La scénarisation pédagogique dans tous
ses débats. Revue internationale des technologies en pédagogie universitaire, 4(2) :14–24.

Hernández-Leo, D., Villasclaras-Fernández, E. D., Asensio-Pérez, J. I., Dimitriadis, Y.,

Jorrín-Abellán, I. M., Ruiz-Requies, I., and Rubia-Avi, B. (2006). Collage : A collabo-
rative learning design editor based on patterns. Journal of Educational Technology &
Society, 9(1) :58–71.

Hotte, R., Godinet, H., and Pernin, J.-P. (2007). Scénariser l’apprentissage, une activité de
modélisation. Revue internationale des technologies en pédagogie universitaire, 4(2) :7–13.

Hwang, G.-J., Chiu, L.-Y., and Chen, C.-H. (2015). A contextual game-based learning
approach to improving students’ inquiry-based learning performance in social studies
courses. Computers & Education, 81 :13 – 25.

ICALTS (2004). Projet icalts : Interaction & collaboration analysis’ supporting teachers &
students’ self-regulation. Action du Réseau d’Excellence Européen Kaleidoscope,.

Iksal, S. (2012). Ingénierie de l’observation basée sur la prescription en EIAH. Habilitation

à diriger des recherches, Université du Maine.

IMS-LD (2003). Ims-ld, ims learning design specification.

https ://[Link]/learningdesign/[Link].

IMS-LIP (2008). Ims learner information package specification.

http ://[Link]/profiles/[Link].

ISO (2011). Iso/iec 19788. technologies de l’information – apprentissage, éducation et

formation – métadonnées pour ressources d’apprentissage.

Jean-Daubias, S., Eyssautier-Bavay, C., Lefevre, M., and LIRIS, L. (2009). Modèles et
outils pour rendre possible la réutilisation informatique de profils d’apprenants hété-
rogènes. Revue Sticef. org, 11 :20.

Ji, M., Michel, C., Lavoué, E., and George, S. (2014). Ddart, a dynamic dashboard for
collection, analysis and visualization of activity and reporting traces. In European
Conference on Technology Enhanced Learning, pages 440–445. Springer.

Johnson, R. E. (1997). Frameworks=(components+ patterns). Communications of the ACM,

40(10) :39–42.

191
 bibliographie

Jonassen, D. H. and Hernandez-Serrano, J. (2002). Case-based reasoning and instructio-

nal design : Using stories to support problem solving. Educational Technology Research
and Development, 50(2) :65–77.

Jovanovic, J., Gašević, D., and Devedžić, V. (2009). Tangram for personalized learning
using the semantic web technologies. Journal of emerging technologies in web intelligence,
1(1) :6–21.

Karsenty, L. (2001). Capitaliser le contexte des décisions en conception : pourquoi et

comment. Système d’Information pour la capitalisation des connaissances. Paris : Hermès.

Kelly, A. (2013). When is design research appropriate. Educational Design Research, pages
135–150.

Kepka, L., Heraud, J.-M., France, L., Marty, J.-C., and Carron, T. (2007). Activity visuali-
zation and regulation in a virtual classroom. In Proceedings of the 10th IASTED Interna-
tional Conference on Computers and Advanced Technology in Education, Beijing, Chine.

Koper, R. (2001). Modeling units of study from a pedagogical perspective : the pedago-
gical meta-model behind eml.

Krämer, B. J., Klebl, M., and Zobel, A. (2010). Sharing educational knowledge and best
practices in edu-sharing. In Mobile, Hybrid, and On-Line Learning, 2010. ELML’10. Se-
cond International Conference on, pages 53–59. IEEE.

Kravcik, M. and Gasevic, D. (2006). Adaptive hypermedia for the semantic web. In
Proceedings of the Joint International Workshop on Adaptivity, Personalization &Amp ; the
Semantic Web, APS ’06, pages 3–10, New York, NY, USA. ACM.

Krueger, C. W. (1992). Software reuse. ACM Comput. Surv., 24(2) :131–183.

Labat, J.-M. (2002). Eiah : Quel retour d’informations pour le tuteur ? In Technologies de
l’Information et de la Communication dans les Enseignements d’ingénieurs et dans l’industrie,
pages 81–88. Institut National des Sciences Appliquées de Lyon.

Laforcade, P. (2005). Towards a uml-based educational modeling language. In Fifth IEEE

International Conference on Advanced Learning Technologies (ICALT’05), pages 855–859.
IEEE.

Lamrani, R. et al. (2015). Learning through play in pervasive context : a survey. In Com-
puter Systems and Applications (AICCSA), 2015 IEEE/ACS 12th International Conference
of, pages 1–8. IEEE.

Lefevre, M., Jean-Daubias, S., and Guin, N. (2011). PERSUA2, un modèle pour unifier le
processus de personnalisation des activités d’apprentissage. In Environnements Infor-
matiques pour l’Apprentissage Humain, Conférence EIAH’2011, pages 369–380, Belgium.
Editions de l’UMONS, Mons 2011.

Lewandowski, J., Arochena, H. E., Naguib, R. N. G., and Chao, K. M. (2011). A portable
framework design to support user context aware augmented reality applications. In
2011 Third International Conference on Games and Virtual Worlds for Serious Applications,
pages 144–147.

192
 bibliographie

LOM (2002). Lom specification : Learning object metadata. IEEE Learning Technology
Standards Committee (LTSC) Systems Interoperability in Education and Training.

Lundgren-Cayrol, K., Marino, O., Paquette, G., Leonard, M., and de la Teja, I. (2006).
Implementation and deployment process of ims learning design : Findings from the
canadian idld research project. In Sixth IEEE International Conference on Advanced Lear-
ning Technologies (ICALT’06), pages 581–585.

Macedo-Rouet, M. and Perron, J.-M. (2007). Contenu et utilité des scénarios pédago-
giques de la base primtice. In Actes de la conférence EIAH 2007. INRP.

Malek, J., Laroussi, M., and Derycke, A. (2006). A middleware for adapting context to
mobile and collaborative learning. In Fourth Annual IEEE International Conference on
Pervasive Computing and Communications Workshops (PERCOMW’06), pages 5 pp.–225.

March, S. T. and Smith, G. F. (1995). Design and natural science research on information
technology. Decision support systems, 15(4) :251–266.

Martel, C., Vignollet, L., Ferraris, C., and Durand, G. (2006). Ldl : a language to model
collaborative learning activities. In Proc. of the 2006 World Conference on Educational
Multimedia, Hypermedia and Telecommunications (ED-MEDIA’2006).

Marty, J.-C. and Carron, T. (2011). Observation of collaborative activities in a game-based

learning platform. IEEE Transactions on Learning Technologies, 4(1) :98–110.

May, M., George, S., and Prévôt, P. (2011). Travis to enhance students’ self-monitoring
in online learning supported by computer-mediated communication tools. Computer
Information Systems and Industrial Management Applications, 3 :623–634.

McKenney, S. and Reeves, T. C. (2014). Educational design research. In Handbook of

research on educational communications and technology, pages 131–140. Springer.

MDA (2000). Model driven architecture specifications. Object Management Group -

OMG.

Méndez Fernández, D., Penzenstadler, B., Kuhrmann, M., and Broy, M. (2010). A Meta
Model for Artefact-Orientation : Fundamentals and Lessons Learned in Requirements Engi-
neering, pages 183–197. Springer Berlin Heidelberg, Berlin, Heidelberg.

Mizoguchi, R. and Bourdeau, J. (2004). Le rôle de l’ingénierie ontologique dans le do-

maine des eiah. Sciences et Technologies de l’Information et de la Communication pour
l’Éducation et la Formation (STICEF), 11 :231–246.

Nieveen, N. and Folmer, E. (2013). Formative evaluation in educational design research.

Design Research, page 153.

Ouali, M. A., Iksal, S., and Laforcade, P. (2014). The strategic organization of the obser-
vation in a tel system.

Ouraiba, E. A. (2012). Scénarisation pédagogique pour des EIAH ouverts : une approche dirigée
par les modèles et spécifique au domaine métier. PhD thesis. Thèse de doctorat dirigée par
Choquet, Christophe Informatique Le Mans 2012.

193
 bibliographie

Paquette, G. (2002). Modélisation des Connaissances et des Compétences : Un Langage Gra-

phique Pour Concevoir et Apprendre. Collection Communication et relations publiques.
Presses de l’Universite du Quebec.

Paquette, G. (2003). L’ingénierie cognitive des systèmes de téléapprentissage. Pédagogies.

net : l’essor des communautés virtuelles d’apprentissage, Presses de l’Université du Québec.

Paquette, G. (2005). Apprentissage sur l’internet : des plateformes aux portails à base
d’objets de connaissance. Innovations et tendances en technologies de formation et d’appren-
tissage, pages 1–30.

Paquette, G. (2007). L’instrumentation de la scénarisation pédagogique. International

Journal of Technologies in Higher Education, 4(2) :1–15.

Paquette, G. and Girard, J. (1996). AGD : A course engineering support system, pages 382–
391. Springer Berlin Heidelberg, Berlin, Heidelberg.

Paquette, G. and Léonard, M. (2013). Modèles et métadonnées pour les scénarios péda-
gogiques.

Paquette, G. and Léonard, M. (2014). Ontologie de description et vocabulaire de méta-

données pour les scénarios pédagogiques.

Paquette, G., Léonard, M., Lundgren-Cayrol, K., Mihaila, S., Gareau, D., et al. (2006).
Learning design based on graphical knowledge-modelling. Educational Technology &
Society, 9(1) :97–112.

Pernin, J.-P. (2003). Objets pédagogiques : unités d’apprentissage, activités ou ressources.

Revue Sciences et Techniques Educatives, Hors série, pages 179–210.

Pernin, J.-P. and Lejeune, A. (2004a). Dispositifs d’apprentissage instrumentés par

les technologies : vers une ingénierie centrée sur les scénarios. In Technolo-
gies de l’Information et de la Connaissance dans l’Enseignement Supérieur et de l’In-
dustrie, pages 407–414, Compiègne, France. Université de Technologie de Com-
piègne. Les actes papiers peuvent être commandés à l’adresse suivante :
http ://[Link]/tice2004/commande_actes_tice2004.doc.

Pernin, J.-P. and Lejeune, A. (2004b). Modèles pour la réutilisation de scénarios d’ap-
prentissage. TICE Méditerranée, Nice.

Pham Thi Ngoc, D. (2011). Spécification et conception de services d’analyse de l’utilisation d’un
environnement informatique pour l’apprentissage humain. PhD thesis. Thèse de doctorat
dirigée par Choquet, Christophe et Iksal, Sébastien Informatique Le Mans 2011.

PP (2007). Projet pp : Pedagogical patterns. Joseph Bergin Software Tools.

Quintin, J.-J., Depover, C., and Degache, C. (2005). Le rôle du scénario pédagogique
dans l’analyse d’une formation à distance analyse d’un scénario pédagogique à partir
d’éléments de caractérisation définis. le cas de la formation galanet.

Rao, M. (2012). Knowledge Management Tools and Techniques. Taylor & Francis.

194
 bibliographie

Rawlings, A., Van Rosmalen, P., Koper, R., Rodríguez-Artacho, M., and Lefrere, P. (2002).
Survey of Educational Modelling Languages (EMLs). CEN/ISSS WS/LT Learning
Technologies Workshop.

Reeves, T. C., McKenney, S., and Herrington, J. (2011). Publishing and perishing : The
critical importance of educational design research. Australasian Journal of Educational
Technology, 27(1) :55–65.

RELOAD (2004). Reload project. The University of Bolton, The University of Strathclyde
and JISC.

Riesbeck, C. and Schank, R. (2013). Inside Case-Based Reasoning. Artificial Intelligence

Series. Taylor & Francis.

Rodríguez-Artacho, M. and Maíllo, M. F. V. (2004). Modeling educational content : the

cognitive approach of the palo language. Journal of Educational Technology & Society,
7(3).

Romero, C. and Ventura, S. (2007). Educational data mining : A survey from 1995 to
2005. Expert systems with applications, 33(1) :135–146.

Ruipérez-Valiente, J. A., Muñoz-Merino, P. J., Leony, D., and Kloos, C. D. (2015). Alas-
ka : A learning analytics extension for better understanding the learning process in
the khan academy platform. Computers in Human Behavior, 47 :139–148.

Santos, O. C., Rodríguez, A., Gaudioso, E., and Boticario, J. G. (2003). Helping the tutor
to manage a collaborative task in a web-based learning environment. In AIED2003
Supplementary Proceedings, volume 4, pages 153–162.

Sassi, M. B. and Laroussi, M. (2011). Scénarios malléables à base de traces : proposition

d’une approche à base d’analyse de traces pour la conception de scénarios pédago-
giques malléables. Atelier EIAH "Personnalisation de l’apprentissage", Mons 2011.

Scapin, D. L. and Bastien, J. C. (1997). Ergonomic criteria for evaluating the ergonomic
quality of interactive systems. Behaviour & information technology, 16(4-5) :220–231.

Schmidt, A. (2005). Bridging the Gap Between Knowledge Management and E-Learning with
Context-Aware Corporate Learning, pages 203–213. Springer Berlin Heidelberg, Berlin,
Heidelberg.

SCORM (2004). Sharable content object reference model. ADL Technical Team.

Settouti, L. S., Prié, Y., Marty, J.-C., and Mille, A. (2007). Vers des systèmes à base de
traces modélisées pour les eiah. Rapport de recherche RR-LIRIS-2007, 16.

Shehabat, I., Mahdi, S. A., and Khoualdi, K. (2008). E-learning as a knowledge mana-
gement approach for intellectual capital utilization. Turkish Online Journal of Distance
Education, 9(1).

Siemens, G. (2010). What are learning analytics.

http ://[Link]/blog/2010/08/25/what-are-learning-analytics/.

195
 bibliographie

Siemens, G., Gasevic, D., Haythornthwaite, C., Dawson, S., Shum, S. B., Ferguson, R.,
Duval, E., Verbert, K., and Baker, R. (2011). Open Learning Analytics : an integrated &
modularized platform. PhD thesis, Open University Press Doctoral dissertation.

SoLAR (2011). 1st International Conference on Learning Analytics and Knowledge (LAK
2011).

Tadjine, Z., Oubahssi, L., Piau-Toffolon, C., and Iksal, S. (2015). A process using ontology
to automate the operationalization of pattern-based learning scenarios. In International
Conference on Computer Supported Education, pages 444–461. Springer.

Tchounikine, P. (2002a). Pour une ingénierie des environnements informatiques pour

l’apprentissage humain. Revue I3-Information Interaction Intelligence, 2 :59–95.

Tchounikine, P. (2002b). Quelques éléments sur la conception et l’ingénierie des EIAH.

In Actes des 2ème assises nationales du GdR I3 - Groupe de Recherche Information Interaction
Intelligence, décembre 2002, page 13 pages, Nancy, France.

Tchounikine, P. (2009). Précis de recherche en ingénierie des eiah.

Tetchueng, J.-L., Garlatti, S., and Laube, S. (2008). A context-aware learning system based
on generic scenarios and the theory in didactic anthropology of knowledge. IJCSA,
5(1) :71–87.

Tjeerd, P. (2013). Educational design research : An introduction. Educational Design

Research.

Tricot, A., Plégat-Soutjis, F., Camps, J.-F., Amiel, A., Lutz, G., and Morcillo, A. (2003).
Utilité, utilisabilité, acceptabilité : interpréter les relations entre trois dimensions de
l’évaluation des EIAH. In Environnements Informatiques pour l’Apprentissage Humain
2003, pages 391–402, Strasbourg, France. ATIEF ; INRP.

van Leeuwen, A., Janssen, J., Erkens, G., and Brekelmans, M. (2015). Teacher regula-
tion of cognitive activities during student collaboration : Effects of learning analytics.
Computers & Education, 90 :80 – 94.

Verbert, K., Duval, E., Klerkx, J., Govaerts, S., and Santos, J. L. (2013). Learning analytics
dashboard applications. American Behavioral Scientist, 57(10) :1500–1509.

Villiot-Leclercq, E. (2006). Capitaliser, diffuser, réutiliser l’expertise pédagogique pour la

conception de scénarios pédagogiques : des outils et des méthodes pour enrichir les
pratiques dans un contexte d’enseignement à distance. Paris, France.

Villiot-Leclercq, E. (2007). Modèle de soutien à l’élaboration et à la réutilisation de scénarios

pédagogiques. Thèse de doctorat, Université de Montréal, Université Joseph Fourier.

Walker, R. and Cottrell, R. (2016). Pragmatic software reuse : A view from the trenches.
Technical report, Science.

Wang, F. and Hannafin, M. J. (2005). Design-based research and technology-enhanced

learning environments. Educational technology research and development, 53(4) :5–23.

196
 bibliographie

Watson, I. and Marir, F. (1994). Case-based reasoning : A review. Knowledge Engineering

Review, 9(4) :327–354.

Weis, K.-H. (2015). A case based reasoning approach for answer reranking in question
answering. arXiv preprint arXiv :1503.02917.

Wiley, D. (2010). Impediments to learning object reuse and openness as a potential

solution. Revista Brasileira de Informática na Educação, 17(03) :08.

Winne, P. H. and Hadwin, A. F. (2013). nStudy : Tracing and Supporting Self-Regulated

Learning in the Internet, pages 293–308. Springer New York, New York, NY.

Wu, D. (2015). An electronic commerce recommendation algorithm joining case-based

reasoning and collaborative filtering. In 2015 International Industrial Informatics and
Computer Engineering Conference. Atlantis Press.

197
ANNEXES

198
A R C H I T E C T U R E D E D É P L O I E M E N T D E C A P T U R E - P L AT F O R M
A
Cet annexe présente l’architecture de déploiement de CAPtuRe-platform et les envi-
ronnements technologiques utilisés pour son implémentation. Il s’agit d’une plateforme
basée sur des services web et communiquant avec des bases de données externes. La
Figure A.1 montre cette architecture de déploiement mettant en œuvre l’architecture lo-
gique et l’architecture fonctionnelle que nous avons défini dans le Chapitre 8 détaillant
l’implémentation de la plateforme.

Figure A.1. – Architecture de déploiement de CAPtuRe-platform

Nous identifions les différentes parties de cette architecture par des numéros que nous
référençons dans ce qui suit. La plateforme est développée avec le framework Spring
Boot (cf. Partie 1). Ce framework permet la mise en place d’applications basée-java en
réduisant la complexité du Framework Spring.
L’architecture de la plateforme CAPtuRe est décomposée en un ensemble de pa-
ckages. D’abord le package englobant l’environnement AngularJS qui gère le rendu
graphique (cf. Partie 4). Il est utilisé pour la déclaration et l’intégration de vues dyna-
miques dans l’application et permet de créer des Rich Internet Applications (RIA). Ce
package contient le contrôleur principal «[Link]» qui spécifie la classe gérant
la logique de l’application. AngularJS supporte une logique de «partial rendering» qui

199
 ARCHITECTURE DE DÉPLOIEMENT DE CAPTURE-PLATFORM

permet d’afficher de multiples vues partielles (cf. «[Link]» et «[Link]», Par-

tie 4) dans une seule page principale (cf. «[Link]», Partie 4) en se basant sur un
mecanisme de routage.
Pour les composants graphiques et leurs interactions, nous avons utilisé des biblio-
thèques JavaScript qui sont Bootstrap et JQuery (cf. «JS libs», Partie 3). Nous avons
également utilisé et développé des composants utilitaires implémentés en JavaScript tel
qu’un parseur JSON (cf. «JS components», Partie 2).
La plateforme manipule un ensemble de modèles en XML et JSON (cf. Partie 5) dont
on cite :
— des modèles contextuels : on trouve d’abord les modèles d’index contextuels ICM
(cf. «ICM_ContextModels») qui sont des fichiers JSON référencés dans la base de
scénarios («Scenarios DB»). Ce sont des données persistantes. On trouve aussi
les modèles PCM et ECM «PCM_ECMmodels» qui sont construits d’une manière
dynamique pendant l’exécution de l’application et représentant les données de
contexte collectées lors d’une instance de déploiement ;
— des modèles d’indicateurs : se sont les modèles formalisés en XML (cf. «Indicators-
Models») et contenant les modèles des données brutes, données additionnelles,
indicateurs ou autres types des modèles UTL ;
— des modèles utilitaires : on trouve le modèle «ICM_indicators_links.json» qui
fait le lien entre chacun des ICM et les indicateurs ayant été calculé auparavant
dans ce contexte. Ceci est utile pour le système de recommandation des indica-
teurs lors de la scénarisation de l’observation. On trouve aussi le modèle «Activi-
ties_indicators_links.json» qui fait le lien entre les types/classes d’activités d’un
scénario et les indicateurs pouvant s’adapter à ces derniers. Par ailleurs, «Context
[Link]» détaille le schéma de la structure à adopter pour un modèle contex-
tuel et représente ainsi le modèle CM-LS et les contraintes liées.
La plateforme communique avec une base de données propre à CAPtuRe (cf. «CAPtuRe
DB», Partie 9), une base de scénarios BASAR (cf. «Scenario DB», Partie 9) et une base de
données sur les d’indicateurs en UTL (cf. «Indicators DB», Partie 9). La synchronisation
se fait à travers une couche de persistance gérées par Hibernate (cf. «Hibernate persis-
tance», Partie 6). Cette couche permet la manipulation des données persistantes suivant
une architecture MVC à travers les couches «Controller», «DAO» et «Model» en Java.
Le traitement des données métiers se fait dans un environnement de services web
développés avec le Framework Jersey (cf. Partie 7). Ces services sont de types RES-
Tful et obéissent à la spécification JAX-RS. Les services sont classés en un ensemble
de composants (cf. «Services components», Partie 7) à plus gros grain. Chaque com-
posant (e.g., «ContextualKnowledge_Manager», «Observation _Manager» ou «Recom-
mandation_System») se préoccupe d’une tâche particulière qu’il effectue à l’aide des
sous-services qu’il encapsule (e.g., «ContextCollectorWS», «ContextStructuringWS» ou
«SimilarityAlgorithmWS»). Dans une logique d’ingénierie orientée service, un service
orchestrateur (cf. «Service orchestrator») gère la communication entre les services et
l’application. En effet, il gère les appels aux services et l’échange de données entre eux
et avec le «appController».
Des bases de données externes (cf. Partie 8) peuvent également interagir avec l’appli-
cation en exposant des API qui permettent la communication avec les services web. Par
exemple la plateforme Moodle expose le «core web service API» pour interagir directe-

200
 ARCHITECTURE DE DÉPLOIEMENT DE CAPTURE-PLATFORM

ment avec sa base de données. Cette architecture permet aussi, par exemple, d’intégrer
la communication avec un annuaire d’étudiants.

201
E L É M E N T S C O M P L É M E N TA I R E S D E S É VA L U AT I O N S
B
b.1 informations sur les scénarios conçus lors des expérimentations

Le Tableau B.1 présente quelques critères spécifiant les participants à l’évaluation E2

et certains éléments contextuels caractérisant les situations d’apprentissage scénarisées.

Statut Genre Pays Spécialité Titre du Ref Domaines Compéten- Niveaux

pro- du partici- scénario d’étude d’étude
fes- pant des appre- ces des ap- des appre-
sion- nants prenants nants
nel
P1 Ensei- Femme Tunisie Informa- Initiation SA1 Technolo- Notions 2ème
gnante tique ; au gies nu- de base en année
-cher- multimé- dévelop- mériques program- Licence
cheuse dia ; web pement mation Appliquée
design web
P2 Forma- Homme Tunisie Géo- Interpré- SA2 Géologie Minéralo- Ingénieurs
physique gie ; diplomés
teur tation sédimen- (en forma-
sis- tologie ; tion)
mique diagra-
par ordi- phie
nateur
P3 Ensei- Femme Tunisie Informa- Base de SA3 Informa- Notions 1ère
gnant tique et données tique de base en année
systèmes SQL informa- Ingénieur
d’informa- tique,
tion concep-
tion des
systèmes
d’informa-
tion
P4 Assis- Femme Tunisie Informa- Systèmes SA4 Gestion Gestion, Licence
tante tique d’infor- ressources fonda-
cher- mation humaines mentale
cheur en gestion
P5 Ensei- Femme Tunisie Génie Informa- SA5 Sciences Informati- Première
gnant Logiciel infir- que de année
tique mières base Licence
C2i Appliquée

202
 ELÉMENTS COMPLÉMENTAIRES DES ÉVALUATIONS

P6 Ensei- Femme France Informa- Gestion SA6 Informa- Gestion Master

gnant tique de tique de projet,
projet génie
agile logiciel,
program-
mation
web
P7 Ensei- Homme France Program- RearthM3 SA7 Sciences Program- Classe de
gnant mation et techno- mation ; 1° STI2D
logies de dévelop-
l’industrie pement
Développe- durable

ment
durable
P8 Ensei- Homme Tunisie Program- Program- SA8 Math- Program- Cycle pré-
gnant mation Physique- mation paratoire
mation Informa- Pascal ; pour ingé-
orientée tique concep- nieurs
objet tion de
systèmes
d’informa-
tion
P9 Ensei- Femme Tunisie Génie Traite- SA9 Génie Program- Ingénieur
gnant logiciel ment Logiciel mation
d’images C++ ;
Matlab ;
calcul
matriciel
P10 Ensei- Femme Tunisie Informa- Program- SA10 Informa- Base de 2ème
nant tique de tique de données, année
gestion mation gestion, concep- Licence
Web génie tion fonda-
logiciel mentale
Table B.1. – Critères des participants aux tests de l’évaluation E2 et des scénarios conçus

Le Tableau B.2 présente des informations sur les scénarios conçus lors de l’étape d’éva-
luation E5.

Titre du Ref Domaines Compétences des Niveaux d’étude

scénario d’étude des apprenants des apprenants
apprenants
P1 Dévelop- SB1 Informatique Concepts de base en Première année
pement spécialité développement web Mastère
web avancé E-commerce (HTML5, CSS3, JS) professionnel

203
 ELÉMENTS COMPLÉMENTAIRES DES ÉVALUATIONS

P2 L’explora- SB2 Géologie Géologie pétrolière ; Ingénieur

tion hydraulique
pétrolière
P5 UML SB5 Informatique Programmation orientée Deuxième année
industrielle objets ; automatique ; Ingénieur
systèmes d’information
P6 Modélisa- SB6 Informatique Systèmes d’information ; Master
tion UML Programmation OO ;
Modélisation des BD
P9 C++ SB9 Réseaux et Programmation orientée 2ème année
Télécommu- objets ; algorithmique ;
nication Langage C
P10 Processus SB10 Informatique Langage UML Troisième année
unifié de gestion Licence
Table B.2. – Critères des scénarios conçus à l’étape d’évaluation E5

b.2 quelques scénarios conçus dans les évaluations

b.2.1 Scénario SA2

Interprétation sismique par ordinateur

Établissement : ETAP
Public cible : Ingénieurs diplômés en formation en Géologie
Durée apprenant Modalité collaborative Modalité temporelle Modalité collaborative
4h Individuelle Synchrone Mixte
1 Prérequis
Minéralogie, sédimentologie, diagraphie
2 Objectif(s)
- Identifier des niveaux géologiques existants dans la zone d’étude à partir des puits
pétroliers
- Interprétation des horizons sismiques identifiés
- Savoir générer une carte géologique du sous sol
3 Partie 1 : Calibration puits/sismique des niveaux géologiques
3.1 Cours sur les données de puits permettant la calibration des horizons sismiques
Objectif(s)
Connaître les techniques de calibration sismique en utilisant les données de puits
(sonic, profil vertical sismique, checkshot, ...)

204
 ELÉMENTS COMPLÉMENTAIRES DES ÉVALUATIONS

Activité apprenant Activité formateur

Consigne(s) Consigne(s)
Prendre notes Présenter le cours
Poser des questions Guider les apprenants à l’application
Interagir
Appliquer
Matériel pédagogique Matériel pédagogique
Papier et stylos Projecteur
Présentation powerPoint
Matériel pédagogique
Manuel du cours
Pc avec les logiciels d’interprétation
sismiques installés (Petrel)
4 Partie 2 : Interprétation des données sismiques
4.1 Travaux dirigés sur l’interprétation des données sismiques
Objectif(s)
Apprendre à suivre les horizons sismiques Apprendre à générer des cartes structu-
rales du sous-sol
Activité apprenant Activité formateur
Consigne(s) Consigne(s)
Prendre notes Présenter le cours
Poser des questions Guider les apprenants à l’application
Interagir
Appliquer
Matériel pédagogique Matériel pédagogique
Papier et stylos Projecteur
Présentation powerPoint
Matériel pédagogique
Pc avec les logiciels d’interprétation
sismiques installés (Petrel)
Manuel d’utilisation du logiciel
4.2 Application sur cas d’étude
Objectif(s) Apprendre le suivi des horizons (horizon picking)
Activité apprenant Activité formateur
Consigne(s) Consigne(s)
Génération des cartes structurales de Assister les apprenants dans leurs activités
sub-surface Expliquer les techniques
Matériel pédagogique Matériel pédagogique
Pc avec les logiciels d’interprétation Pc avec les logiciels d’interprétation
sismiques installés (Petrel) sismiques installés (Petrel)
5 Test d’évaluation

205
 ELÉMENTS COMPLÉMENTAIRES DES ÉVALUATIONS

Objectif(s)
Évaluer le degré d’assimilation du cours
Activité apprenant Activité formateur
Consigne(s) Consigne(s)
Répondre au questions du test Gérer le bon déroulement du test
Soumettre les réponses Noter les tests

b.2.2 Scénario SA5

Informatique C2i
Établissement : ELAMED
Public cible : Première année Licence Appliquée en Sciences Infirmières
Modalité spatiale Modalité collaborative Modalité temporelle Type d’activité
En présentiel En groupe Asynchrone Apprendre
1 Prérequis
Notions sur l’utilisation d’un ordinateur et l’informatique en général
2 Objectif(s)
Se familiariser avec l’outil informatique
3 Domaine 1 : Organiser un espace de travail complexe
Durée apprenant Modalité Modalité Modalité Type d’activité
spatiale collaborative temporelle
6h En présentiel En groupe Asynchrone Coopérer ;
Apprendre
Objectif(s)
Avoir une idée sur la partie logiciel et matériel d’un ordinateur ;
Distinguer entre les différents types des fichiers, des logiciels et des mémoires ;
Protéger ses données et le bon fonctionnement de son outil de travail,
Activité apprenant Activité formateur
Consigne(s) Consigne(s)
Suivre et collaborer pour donner des Expliquer et argumenter le cours par des
propositions sur l’utilisation de petites exemples pratiques directement sur
l’informatique pour un infirmier les postes
Matériel pédagogique Matériel pédagogique
Ordinateur + SE ( Windows 7) Ordinateur + Logiciel de partage de cours +
connexion au réseau local
3.1 TP n°1 : organiser le travail à l’ère numérique
Durée apprenant Modalité Modalité Modalité Type d’activité
spatiale collaborative temporelle
3 heures En présentiel En groupe Synchrone Produire
Objectif(s)
Travailler sur un ordinateur (Session & Comptes, Installation des logiciels, Bureau ,
écran de veille, Maintenance , .....)

206
 ELÉMENTS COMPLÉMENTAIRES DES ÉVALUATIONS

Activité apprenant Activité formateur

Consigne(s) Consigne(s)
Apprendre et suivre les étapes indiquer Accompagner l’apprenant s’il trouve des
dans l’énoncé du Tp blocages Valider toute les parties du Tp ;
Matériel pédagogique Matériel pédagogique
Ordinateur portable ou fixe Ordinateur fixe ou portable connecté au
réseau local de la salle + logiciel de partage
(ScholarClass)
4 Domaine2 : Être responsable à l’ère du numérique
Objectif(s)
Veiller la sécurité de leurs identités et de leurs espaces de travail local ou distant
Activité apprenant Activité formateur
Consigne(s) Consigne(s)
Collaboration et apprentissage des risques Expliquer par des exemples l’ensemble des
attaques qui peuvent survenir dans le
travail à distance
Matériel pédagogique Matériel pédagogique
Un ordinateur et la connexion Internet Partager le cours par réseau (ScholarClass)
4.1 Tp n°=2 : Être responsable à l’ère du numérique
Objectif(s) Maîtrise de démarches et de préventions nécessaires
Activité apprenant Activité formateur
Consigne(s) Consigne(s)
Travailler et valider toutes les méthodes de Accompagner l’apprenant s’il trouve des
sécurité de données proposer dans le Tp blocages
Valider toute les parties du Tp ;
Matériel pédagogique Matériel pédagogique
Ordinateur+ Connexion Internet Ordinateur + internet+ logiciel
ScholarClass, Anti-malware, Anti-virus ....

b.2.3 Scénario SA7

RearthM3
Public cible : Classe de 1° STI2D 1
1 Objectif(s)
Sensibilisation et pratique de concepts de programmation et de développement
durable

2 Prise en main de la plateforme en ligne

Objectif(s) Maitrise d’une plateforme d’apprentissage en ligne

207
 ELÉMENTS COMPLÉMENTAIRES DES ÉVALUATIONS

Activité apprenant Activité formateur

Consigne(s) Consigne(s)
Première connexion et découverte des Inscription des élèves
fonctionnalités de la plateforme
Matériel pédagogique Matériel pédagogique
Plateforme de type Moodle Plateforme de type Moodle
3 Prise en compte du contexte
Objectif(s)
Interpréter un scénario de science fiction Réfléchir à une problématique sur le déve-
loppement durable
Activité apprenant Activité formateur
Consigne(s) Consigne(s)
Visualiser la vidéo en ligne Diffusion du teaser sur et répondre aux
éventuelles questions
Matériel pédagogique Matériel pédagogique
Plateforme en ligne : Accès à la vidéo et Vidéo projecteur
revisualiser autant de fois qu’il en aura
besoin
4 Programmation d’un robot sonde virtuel
Durée apprenant Modalité collaborative
4h Individuelle
Objectif(s)
Découverte et utilisation d’un environnement de programmation simplifié

4.1 Prise en main de l’interface de programmation

Durée apprenant Modalité collaborative
30min Individuelle
Objectif(s)
Maîtriser un nouvel outil de programmation de type "Scratch"
Activité apprenant Activité formateur
Consigne(s) Consigne(s)
Visualiser le tutoriel vidéo pour faciliter la Accompagnement pour la prise en main de
prise en main de l’application de l’interface de programmation
programmation
Matériel pédagogique Matériel pédagogique
Plateforme en ligne : Tutoriel vidéo pour Application RearthM3
faciliter la prise en main de l’application de
programmation Application RearthM3
4.2 Programmation du robot sonde

208
 ELÉMENTS COMPLÉMENTAIRES DES ÉVALUATIONS

Durée apprenant Modalité collaborative

3h30 Individuelle
Objectif(s)
Pratiquer la programmation
Répartir un nombre limité de capteurs sur un terrain de façon pertinente
Activité apprenant Activité formateur
Consigne(s) Consigne(s)
Programmer son robot sonde pour répartir Accompagnement pour la prise en main de
au mieux des capteurs sur leur terrain (en l’interface de programmation
gérant au mieux les contraintes de la
batterie du robot, les pannes de capteurs et
les obstacles naturels)
Détecter de potentiels nouveaux obstacles
une fois, les robots en mouvement par vue
3D ou vue immersive par Oculus
Matériel pédagogique Matériel pédagogique
Application RearthM3 Oculus et Application RearthM3
LeapMotion
5 Réflexion d’un contexte par l’une des courants du développement durable
Modalité collaborative
Mixte
Objectif(s)
Découverte de concepts sur le développement durable
Gestion d’une relation avec une communauté (Énergéticiens, Bâtisseurs, Cybernéti-
ciens, Technologues)
Activité apprenant Activité formateur
Consigne(s) Consigne(s)
Lecture et réflexion de documents proposés Incarner les représentants des 4
par sa communauté communautés (de façon anonyme pour
l’apprenant)
Matériel pédagogique Matériel pédagogique
Plateforme en ligne : échanges sur les Plateforme en ligne : échanges sur les
forums et lecture de documents forums et partage de documents
6 Analyse des données récoltées par le robot sonde
Durée apprenant Modalité collaborative
2h Individuelle
Objectif(s)
Maîtriser le traitement de données sous tableur
Réflexion sur les conditions de viabilité sur une nouvelle planète

209
 ELÉMENTS COMPLÉMENTAIRES DES ÉVALUATIONS

Activité apprenant Activité formateur

Consigne(s) Consigne(s)
Filtrer les emplacements explorés par les Accompagner les apprenants sur
robots en fonction de conditions de l’utilisation du tableur
viabilité Aider les apprenants à comprendre les
conditions de viabilité (température, eau,
altitude)
Matériel pédagogique
Fichier de données CSV issu de l’ensemble
des sondes
Tableur
7 Choix du meilleur terrain pour l’avenir de la population
Durée apprenant Modalité collaborative
2h En groupe
7.1 Préparation du débat
Durée apprenant Modalité collaborative
45min En groupe
Objectif(s)
Mettre les meilleurs arguments de développement durable fournis par la communauté
en application avec les données récoltées
Activité apprenant Activité formateur
Consigne(s) Consigne(s)
Sélectionner les 3 terrains les plus Aider à interpréter les documents fournis
avantageux pour sa communauté par les communautés
Remplir le formulaire pour formaliser les
choix
Visualiser la répartition des ressources sur
le terrain choisi
Matériel pédagogique Matériel pédagogique
Formulaire de préparation au débat Fichier Plateforme en ligne
CSV analysé
Plateforme en ligne : documents partagés
par la communauté
RearthM3 pour la datavisualisation avec
possibilité de le faire via l’Oculus et la
LeapMotion
7.2 Présentation orale du choix de la communauté
Durée apprenant Modalité collaborative
45min En groupe
Objectif(s)
Maîtriser une présentation orale (expressions orale, maîtrise des connaissances et des
chiffres)

210
 ELÉMENTS COMPLÉMENTAIRES DES ÉVALUATIONS

Activité apprenant Activité formateur

Consigne(s) Consigne(s)
Un apprenant par communauté doit Gestion du débat : temps de parole
effectuer une présentation orale durant 10 équitable pour chaque communauté
min maximum
> Citer les arguments définis avec ses
collaborateurs sur le formulaire
> Annoncer leur classement des 3 terrains
les plus interessants
> Présenter un survol virtuel du terrain le
plus avantageux
Matériel pédagogique Matériel pédagogique
Formulaire de préparation au débat
Application RearthM3
7.3 Vote pour choix du terrain
Durée apprenant Modalité collaborative
10min En groupe
Objectif(s)
Effectuer un choix en fonction de ses propres arguments ainsi que les plus pertinents
exposés par les autres communautés
Activité apprenant Activité formateur
Consigne(s) Consigne(s)
Voter pour un seul terrain Assurer le bon déroulement du vote
Annoncer les résultats du vote
Matériel pédagogique
Plateforme en ligne : Outil de vote

b.2.4 Scénario SA9

Traitement d’images
Établissement : INSAT
Domaine d’étude : image, pixel, histogramme, gradient, filtrage, bruit
Public cible : Elève-ingénieur Génie Logiciel
Durée apprenant Modalité Modalité Modalité Type d’activité
spatiale collaborative temporelle
5 semaines A distance Mixte Mixte Produire ;
Apprendre
Licence : Paternité - Pas d’Utilisation Commerciale (by-nc)
1 Prérequis
Notions en mathématiques (calcul matriciel)
Notions en Matlab ou en C/C++ 2
Objectif(s)

211
 ELÉMENTS COMPLÉMENTAIRES DES ÉVALUATIONS

Se familiariser avec le jargon de traitement d’images à savoir la notion du pixel, l’uti-

lité de l’histogramme et de filtrage
Etre capable de combiner des techniques de traitement d’images pour répondre à une
problématique
Poduire un prototype d’analyse des images extraites d’une séquence vidéo
3 Chapitre 1 : Introduction au traitement d’images
Durée apprenant Modalité Modalité Modalité Type d’activité
spatiale collaborative temporelle
1 séance de 1h30 A distance En groupe Synchrone Apprendre
Objectif(s)
Introduire les notions de base du traitement d’images : Commencer par les motiva-
tions, la définition de l’image, les différents types d’images, la granularité fine : le pixel
et énoncer l’objectif final à atteindre à l’aide du cours et des activités pratiques.
Activité apprenant Activité formateur
Consigne(s) Consigne(s)
Suivre et donner des exemples Préparer un ensemble d’exemples poussés
d’application du traitement d’image de la (avancés) de l’application du traitement
vie courante d’images afin d’attirer l’attention de
l’apprenant
Matériel pédagogique Matériel pédagogique
Système visio-conférence Système visio-conférence
3.1 TP1 : Préparation de l’environnement du travail et exercices d’échauffement
Durée apprenant Modalité Modalité Modalité Type d’activité
spatiale collaborative temporelle
2h00 A distance Asynchrone Individuelle Produire
Objectif(s)
Installer l’environnement selon le choix de l’étudiant, soit Matlab ou OpenCV
Ecrire une application permettant de lire une image, de la séparer en 3 plans Rouge/-
Vert/Bleu, manipuler différents types d’images
Activité apprenant Activité formateur
Consigne(s) Consigne(s)
Choisir le langage avec lequel il veut Accompagner l’apprenant s’il trouve des
travailler et installer l’environnement problèmes d’installation
adéquat Valider tout les exercices proposés et veiller
Répondre à toutes les questions de la à la bonne assimilation des concepts de
fascicule du TP base
Matériel pédagogique Matériel pédagogique
Ordinateur Win7 ou Ubuntu http ://[Link]/mimouzas/tp1-
traitement-dimages-gnie-logiciel-avec-
matlab

212
 ELÉMENTS COMPLÉMENTAIRES DES ÉVALUATIONS

b.2.5 Scénario SB2

L’exploration pétrolière
Établissement : ETAP
Public cible : Ingénieurs stagiaires en Géologie
Durée apprenant Modalité Modalité Modalité Type d’activité
spatiale collaborative temporelle
3 jours En présentiel Mixte Mixte Apprendre ;
Communiquer ;
Échanger ;
S’exercer ;
S’évaluer
1 Prérequis
Géologie pétrolière hydraulique
2 Objectif(s)
Comprendre les différentes étapes de l’exploration pétrolière
Définir le potentiel pétrolier d’une zone particulière
3 Partie 1 : Cours sur les méthodes de géophysique appliquées à l’exploration pé-
trolière
Objectif(s)
Connaître la méthode adéquate pour générer une carte structurale des réservoirs pé-
troliers présents dans la zone d’étude
Activité apprenant Activité formateur
Consigne(s) Consigne(s)
Suivre le cours Présenter les diapositives
Prendre des notes Expliquer
Poser des questions Répondre aux questions
Matériel pédagogique Matériel pédagogique
Manuel du cours Projecteur
Ordinateur avec connexion internet
Présentation Powerpoint du cours
4 Partie 2 : Cours sur l’évaluation géologique de la zone d’étude
Objectif(s)
Apprendre à identifier les caractéristiques géologiques des principaux réservoirs pé-
troliers
Apprendre à générer des cartes pétro-physiques des principaux réservoirs

213
 ELÉMENTS COMPLÉMENTAIRES DES ÉVALUATIONS

Activité apprenant Activité formateur

Consigne(s) Consigne(s)
Suivre le cours Présenter les diapositives
Prendre des notes Expliquer
Poser des questions Répondre aux questions
Matériel pédagogique Matériel pédagogique
Manuel du cours Projecteurs
Ordinateur avec connexion internet
Présentation powerpoint du cours
5 Partie 3 : Cours sur le forage des puits pétroliers
Objectif(s) Maîtriser les techniques utilisés pour le forage pétrolier
Connaître les différents outils diagraphiques à exécuter dans les forages
Activité apprenant Activité formateur
Consigne(s) Consigne(s)
Suivre le cours Présenter les diapositives
Prendre des notes Expliquer
Poser des questions Répondre aux questions
Matériel pédagogique Matériel pédagogique
Manuel du cours Projecteurs
Ordinateur avec connexion internet
Présentation powerpoint du cours
6 Brainstorming sur les différentes parties étudiées
Objectif(s)
Approfondir les connaissances
Apprendre à communiquer au sein d’un groupe
Échanger les idées
Activité apprenant Activité formateur
Consigne(s) Consigne(s)
Interagit Lance un sujet de discussion
Mène la discussion Anime et dirige la discussion
Donne des exemples Enrichit les discussions
Matériel pédagogique Matériel pédagogique
Bloc notes et stylos Bloc notes et stylos
7 Activité d’évaluation
Objectif(s)
Préparer un projet complet sur un cas d’étude

214
 ELÉMENTS COMPLÉMENTAIRES DES ÉVALUATIONS

Activité apprenant Activité formateur

Consigne(s) Consigne(s)
Les apprenants forment des groupes de Proposer un cas d’étude
travail Rappeler les étapes d’un projet pétrolier à
Chaque groupe étudie la démarche mettre en place
complète de l’exploration pétrolière et le Évaluer les travaux effectués
cas d’étude proposé Donner un feedback
Chaque groupe présente son projet aux
autres groupes Les autres groupes évaluent
et donnent leurs feedbacks
Matériel pédagogique
PC avec les logiciels installés : Petrel,
Géoframe...

b.2.6 Scénario SB5

UML
Établissement : INSAT
Domaines d’étude : Systèmes d’information ; Conception Bases de données ;
Public cible : 2ème année Ingénieur Informatique Industrielle et Automatique
Durée apprenant Modalité Modalité Modalité Type d’activité
spatiale collaborative temporelle
1 semestre En présentiel Mixte Mixte Produire ;
Apprendre ;
S’exercer ;
S’évaluer
1 Prérequis
La programmation orientée objets, les systèmes d’information
2 Objectif(s)
S’exercer à la conception UML
Être capable de modéliser un système d’information
3 Travaux pratiques sur la conception UML
Objectif(s)
Apprendre à générer des diagrammes UML à partir d’une étude de cas
Activité apprenant Activité formateur
Consigne(s) Consigne(s)
Lire l’étude de cas donné par l’enseignant Fournir le fascicule du TP aux étudiants
S’aider du manuel du cours Expliquer et aider au cas de besoin
Construire les diagrammes UML
Matériel pédagogique Matériel pédagogique
Ordinateurs vidéoprojecteur
Logiciel "Enterprise architect" pour la
conception Fascicule du TP

215
 ELÉMENTS COMPLÉMENTAIRES DES ÉVALUATIONS

4 Examen pratique
Objectif(s)
S’évaluer
Savoir repérer les lacunes d’un diagramme UML (diagramme de classe, d’activité et
de séquence)
Savoir générer un diagramme à partir d’un problème
Activité apprenant Activité formateur
Consigne(s) Consigne(s)
Lire l’énoncé de l’examen Surveiller les étudiants
Répondre en indivduel Noter les examens
Documents autorisés
Matériel pédagogique
Papier, stylos, documents du cours
seulement
5 Préparation d’un projet en équipe
Durée apprenant Modalité Modalité Modalité
spatiale collaborative temporelle
1 semaine Mixte En groupe Mixte
Objectif(s)
Comprendre l’importance de la modélisation
Pouvoir travailler en équipe et partager les tâches
Activité apprenant Activité formateur
Consigne(s) Consigne(s)
Choisir un thème à traiter par groupe Proposer des thèmes possibles (d’autres
Étudier les besoins du projet thème peuvent être proposés)
Dresser les phases du projet Donner des notes Corriger
Procéder à la réalisation du projet
Présentation à l’enseignant
Matériel pédagogique
Ordinateurs

b.3 questionnaire 1- fiche scénario basar

Partie 1 : Questions principales

1. Votre activité professionnelle
2. Le titre du scénario conçu avec l’outil "Scenari BASAR" *
3. En concevant votre scénario sur BASAR, combien avez-vous réutilisé de scénarios
existants (activité ou séquence d’activités d’un scénario) ?
Une seule réponse possible
a) 0
b) entre 1 et 2

216
 ELÉMENTS COMPLÉMENTAIRES DES ÉVALUATIONS

c) entre 3 et 4
d) entre 5 et 6
e) plus que 7
4. En concevant votre scénario sur BASAR, combien avez-vous réutilisé de scénarios
existants particulièrement de la base BASAR (activité ou séquence d’activités d’un
scénario) ?
Une seule réponse possible
a) 0
b) entre 1 et 2
c) entre 3 et 4
d) entre 5 et 6
e) plus que 7
5. Si vous n’avez pas réutilisé de scénarios de la base BASAR (question 3), quelles
sont les raisons ?
a) Plusieurs réponses possibles
b) Je n’ai pas senti le besoin de réutiliser
c) Après recherche, je n’ai pas trouvé de scénarios adaptés à mon cas d’usage
d) L’outil de recherche intégré n’est pas pertinent pour retrouver les bons scéna-
rios adaptés à mon cas d’usage
e) L’outil ne me permet pas de réutiliser directement des activités ou des sé-
quences d’activités de scénarios
f) Autre
6. En concevant votre scénario sur BASAR, quelles étaient vos motivations ?
Plusieurs réponses possibles
a) Organiser mes pratiques d’enseignement sous forme de scénarios d’apprentis-
sage Stocker et capitaliser mes scénarios pour des futures réutilisations
b) Partager mes scénarios avec d’autres concepteurs
c) Participer aux concours/appels lancés par le projet BASAR Tester l’outil « Sce-
nari BASAR »
d) Autre
7. Parmi ces aspects, quels sont ceux qui ont influencés les pratiques d’enseignement
des activités du scénario ?
Plusieurs réponses possibles
a) Apprentissage par la pratique
b) Apprentissage collaboratif
c) Évaluation par les pairs
d) Classe inversée
e) Pédagogie active / pro-active
f) Formation hybride

217
 ELÉMENTS COMPLÉMENTAIRES DES ÉVALUATIONS

g) Autre
8. Dans les activités conçues du scénario, avez-vous prévu l’utilisation d’une (ou
plusieurs) plateforme(s) d’apprentissage ?
Une seule réponse possible
a) Oui
b) Non
9. Si oui, laquelle (lesquelles) ?
Plusieurs réponses possibles
a) Moodle
b) Claroline
c) Chamilo
d) Blackboard
e) Autre
10. Parmi ces types d’activités, quels sont ceux que vous avez utilisé dans le scénario ?
Plusieurs réponses possibles
a) Quizz
b) Forum
c) Chat
d) Atelier
e) Autre
11. Dans les activités conçues du scénario, par quels dispositifs matériels les appre-
nants et le formateur sont (ou devraient être) équipés ?
Plusieurs réponses possibles
a) Ordinateurs/PC
b) Tablettes
c) Smartphones
d) Data show /outil visio
e) Tableau interactif
f) Matériel réseau (Gateways, câbles, routeurs...)
g) Autre
12. Existe t-il des contraintes techniques/physiques/environnementales à respecter
pour le bon déroulement du scénario (Débit minimal de connexion internet, Saison,
Température, ...)
Une seule réponse possible
a) Oui
b) Non
13. Si oui, lesquelles ?

Partie 2 : Détails supplémentaires sur le concepteur

218
 ELÉMENTS COMPLÉMENTAIRES DES ÉVALUATIONS

14. Quelle(s) est (sont) votre (vos) spécialité(s) en tant que enseignant/formateur ?
15. Quelles sont vos compétences en tant que enseignant/formateur ?
16. Dans quel emplacement géographique se trouvez-vous lors du déploiement du
scénario ?
17. En concevant votre scénario, avez-vous une idée sur le public cible (apprenants),
leurs pays, leurs compétences, etc. *
Une seule réponse possible
a) Oui (Passer à la partie 3)
b) Non (Arrêter le questionnaire)

Partie 3 : Détails supplémentaires sur les apprenants

18. Quelle(s) est (sont) la (les) spécialité(s) des apprenants participant au scénario ?
19. Quel(s) est (sont) le (les) niveau(x) d’étude des apprenants participant au scénario ?
20. Quelles sont les compétences des apprenants participant au scénario ?
21. Dans quel(s) emplacement(s) géographique(s) se trouvent les apprenants partici-
pant au scénario ?

b.4 questionnaire 2 - usages capture

Pour toutes les questions, une seule réponse est possible

1. Le titre du scénario conçu avec les outils "Scenario BASAR" et "CAPtuRe" *
2. En concevant votre scénario sur BASAR, et en disposant de l’outil CAPtuRe, com-
bien avez-vous réutilisé de scénarios existants (activité ou séquence d’activités
d’un scénario) ?
a) 0 entre 1 et 2
b) entre 3 et 4
c) entre 5 et 6
d) plus que 7
3. Si vous n’avez pas (ou peu) réutilisé de scénarios de BASAR (question 4), quelles
sont les raisons ?
a) Je n’ai pas senti le besoin de réutiliser
b) Après recherche, je n’ai pas trouvé de scénarios adaptés à mon cas d’usage
c) L’outil de recherche CAPtuRe ne répond pas à mes besoins en termes de scé-
narios
d) Autre
4. A votre avis, la réutilisation améliore-t-elle l’activité de conception ?
a) Oui
b) Moyennement
c) Non

219
 ELÉMENTS COMPLÉMENTAIRES DES ÉVALUATIONS

5. Pensez-vous qu’il est utile d’assister la tâche de réutilisation par la recommanda-

tion de scénarios adaptés à votre situation d’apprentissage ?
a) Oui
b) Moyennement
c) Non
6. L’outil CAPtuRe rend-il l’activité de conception de scénarios plus intéressante ?
a) Oui
b) Moyennement
c) Non
7. Avez-vous eu du mal à comprendre l’enchainement des activités proposées par
l’outil CAPtuRe ?
a) Oui
b) Moyennement
c) Non
8. Quel niveau de difficulté affectez-vous à la tâche de saisi et de paramétrage des
données contextuelles ?
Section "Inform my context" de la première interface

9. À quel degré estimez-vous la pertinence et l’expressivité des données contextuelles

saisies ?
Section "Inform my context" de la première interface

10. L’information de votre contexte vous a-t-elle parue comme une charge supplémen-
taire alourdissant votre tâche de conception ?
Section "Inform my context" de la première interface
a) Oui
b) Moyennement
c) Non
11. Pensez-vous que l’affichage des scénarios recommandés est bien adapté ?
Section "Reuse scenarios" de la première interface
a) Oui

220
 ELÉMENTS COMPLÉMENTAIRES DES ÉVALUATIONS

b) Moyennement
c) Non
12. Quel niveau de difficulté affectez-vous à la tâche de paramétrage des indicateurs
pédagogiques ?
Section "Observe my scenario" de la première interface

13. Pensez-vous que les indicateurs pédagogiques visualisés sont clairs et compréhen-
sibles ?
Section "Observe my scenario" de la deuxième interface
a) Oui
b) Moyennement
c) Non
14. Quel niveau de difficulté affectez-vous à la tâche d’indexation de scénario ?
Section "Evaluate my scenario" de la deuxième interface

15. Pensez-vous que les indicateurs pédagogiques visualisés vous ont aidés/guidés
dans la tâche d’indexation du scénario ?
Deuxième interface
a) Oui
b) Moyennement
c) Non
16. Comment trouvez-vous l’outil CAPtuRe ?

221
 ELÉMENTS COMPLÉMENTAIRES DES ÉVALUATIONS

17. Pensez-vous que l’outil CAPtuRe peut être un bon outil pour l’assistance à la réuti-
lisation de scénarios par la recommandation, à l’indexation et à la capitalisation ?
a) Oui
b) Moyennement
c) Non
18. Dans des conditions réelles de préparation de vos cours, pensez-vous que vous
utiliseriez l’outil CAPtuRe (quand il sera totalement fonctionnel) et qu’il pourrait
être intégré à vos pratiques habituelles ?
a) Non
b) Oui, parfois
c) Oui, souvent
d) Oui, systématiquement

222
 Mariem CHAABOUNI

Assistance à la réutilisation de scénarios d’apprentissage :

une approche guidée par l’évaluation du contexte d’usage à base d’indicateurs
Assistance in the reuse of educational scenarios: an approach guided by the
evaluation of the usage context based on indicators

Résumé Abstract

Les travaux de thèse s'inscrivent dans le domaine des The work presented in this thesis is a part of the
Environnements Informatiques pour l'Apprentissage Technology Enhanced Learning domain. It focuses on
Humain (EIAH). Ils portent sur la proposition de the proposal of processes, methods and tools that assist
processus, méthodes et outils pour assister les teachers and trainers in the reuse and the capitalization
enseignants et les formateurs dans la réutilisation et la of educational scenarios. The objective of the proposed
capitalisation des scénarios d'apprentissage. approach named CAPtuRe is to model, evaluate and
L'approche proposée nommée CAPtuRe a pour objectif exploit the contextual information related to a scenario
de modéliser, évaluer et exploiter les informations based on its effective observations with the aim to
contextuelles relatives à un scénario en se basant sur enhance reuse. The main concerns are: (1) the
des observations effectives de ce dernier pour améliorer expression and the analysis of the usage context, (2)
la réutilisation. the evaluation of the relevance of the scenario in a
Les problématiques étudiées concernent : (1) specific context, (3) the indexing of the contexts based
l'expression et l'analyse du contexte d'usage, (2) on criteria of success and effectiveness of the scenario
l'évaluation de la pertinence du scénario dans un to define its reuse scope and (4) the proactive
contexte précis, (3) l'indexation des contextes sur la suggestion of reuse.
base de critères de réussite et d'efficacité du scénario We started by specifying a global framework for the
pour la définition de son périmètre de réutilisation et (4) engineering and the reuse of educational scenarios. In
la suggestion proactive de réutilisation. this context, we have defined a process specifying the
Nous avons commencé par la spécification d'un cadre scenario lifecycle introducing the contextual dimension
global d'ingénierie et de réutilisation de scénarios and its utilization in a "design by reuse" environment. In
d'apprentissage. Dans ce cadre, nous avons défini un order to operationalize this process, we define a generic
processus qui spécifie le cycle de vie du scénario approach to model the contextual information of a
explicitant la dimension contextuelle et son utilisation scenario that is enriched by the indicators, an indexing
dans un environnement de "conception par la method and an algorithm calculating contextual
réutilisation". Pour opérationnaliser ce processus, nous similarities for the selection and the recommendation of
avons défini une approche générique de modélisation appropriated scenarios to a target learning situation.
de l'information contextuelle enrichie par les indicateurs, These contributions are implemented as a software
une méthode d'indexation et un algorithme de calcul de platform and applied to hybrid scenarios usage cases.
similarités contextuelles pour la sélection et la
recommandation de scénarios appropriés à une Key Words
situation d'apprentissage cible. Ces contributions ont été Technology Enhanced Learning (TEL); Educational
implémentées sous la forme d'une plateforme logicielle engineering; Learning scenarios; Context; Reuse;
et appliquées sur des cas d'usage de scénarios Indexing; Recommendation; Pedagogical indicators
hybrides.

Mots clés
Environnements Informatiques pour l'Apprentissage
Humain (EIAH) ; Ingénierie pédagogique ; Scénarios
d'apprentissage ; Contexte ; Réutilisation ;
Indexation ; Recommandation ; Indicateurs
pédagogiques

L’Université Bretagne Loire