Diese Präsentation wurde erfolgreich gemeldet.
Wir verwenden Ihre LinkedIn Profilangaben und Informationen zu Ihren Aktivitäten, um Anzeigen zu personalisieren und Ihnen relevantere Inhalte anzuzeigen. Sie können Ihre Anzeigeneinstellungen jederzeit ändern.
Classer et catégoriser pour mieux appréhender les données
en éducation :
Initiation à la démarche statistique de « Cluster...
Exercice 1 : Vos représentations initiales
En quelques mots,
pouvez-vous définir la démarche par cluster ?
Classer et catég...
Objectifs de la formation
- Définir et caractériser la démarche de clustering
- Présenter des exemples mobilisant le cluste...
Objectifs d’une démarche par clusters
Cette procédure statistique vise à trouver une structure intrinsèque
aux données en ...
Caractéristiques d’une démarche par clusters
- Pas de distinction entre variables dépendantes et
indépendantes
- Démarche ...
Usages dans différentes disciplines
En médecine : identifier des patients qui ont des symptômes
similaires à partir d’obser...
Usages avec différents outils de prises d’informations
Classer et catégoriser pour mieux appréhender les données en éducat...
Quelle	est	la	qualité	des	produits	de	l'appren-ssage	?
Comment	les	acteurs	
perçoivent-ils	les	produits	
d’appren-ssage	?	...
Boelaert & Khaneboubi (2015)
Exemple 1 : méthode de visualisation de traces d’activités sur la plateforme
open edX : le ca...
Boelaert & Khaneboubi (2015)
Classer et catégoriser pour mieux appréhender les données en éducationUMons
Boelaert & Khaneboubi (2015)
Classer et catégoriser pour mieux appréhender les données en éducationUMons
Classer et catégoriser pour mieux appréhender les données en éducationUMons
Trois types de classification automatique
Procédures Caractéristiques
Nuées dynamiques
(K-Means)
La procédure d'analyse de ...
A la découverte de SPSSVariables
Individus
données
Classer et catégoriser pour mieux appréhender les données en éducationU...
A la découverte de SPSS
Nom
de la
variable
Type de
mesures
Classer et catégoriser pour mieux appréhender les données en éd...
A la découverte de SPSS
Classer et catégoriser pour mieux appréhender les données en éducationUMons
A la découverte de SPSS
Classer et catégoriser pour mieux appréhender les données en éducationUMons
A la découverte de SPSS
Classer et catégoriser pour mieux appréhender les données en éducationUMons
A la découverte de SPSS
Classer et catégoriser pour mieux appréhender les données en éducationUMons
A la découverte de SPSS
Classer et catégoriser pour mieux appréhender les données en éducationUMons
A la découverte de SPSS
Classer et catégoriser pour mieux appréhender les données en éducationUMons
Nuées dynamiques
Classer et catégoriser pour mieux appréhender les données en éducationUMons
Z-Scores
Si les variables ont différentes
échelles, il est important de les
standardiser en utilisant la note Z.
Nuées dyn...
Note au cours de pédagogie
Note au cours de sciencesQuestionnaire de Desjardins
Stavaux, De Lièvre
& Temperman (à paraître...
Nuées dynamiquesExemple 2 : Formation au tbi
Classer et catégoriser pour mieux appréhender les données en éducationUMons
S...
1.Ouvrir le fichier badges.sav dans spss
2.Calculer le nombre total de badges par
individus
4.Identifier une structure à ces...
Classer et catégoriser pour mieux appréhender les données en éducation
Exercice 2 : Expérience badges
5. Créer le radar su...
Exercice 2 : Expérience badges
6. Se connecter sur voyant-tools.org
7. Charger les 3 fichiers dans le dossier texte
8. Crée...
Dendrogramme représentant le regroupement des tuteurs selon leur expérience pédagogique
(Quintin, 2008)
Classification hiér...
Exemple 3 : Profils des tuteurs
Classer et catégoriser pour mieux appréhender les données en éducationUMons
(Quintin, 2008)...
Exercice 3 : « Réalité augmentée »
Classer et catégoriser pour mieux appréhender les données en éducationUMons
Prompts
Mon...
Exercice 3 : « Réalité augmentée »
1.Ouvrir le fichier realite.sav
dans spss
2. Sélectionner les individus
dans la conditio...
Novices IsolésSocio-nautes
- Usages timides
- Moodle +
- Médias sociaux avec prudence
- Progrès outils bureautiques
- Usag...
Exercice 4 : Etude MTVL
1.Ouvrir le fichier mtvl.sav dans
spss
2. Sélectionner les individus
d o n t l e s ré p o n s e s s...
Ce que nous pouvons retenir…
… complémentaire …
… pertinente …
… utilisable …
… utile …
Exercice 5 : La démarche par clust...
Ce que nous pouvons retenir…
… complémentaire à d’autres analyses quantitatives et/ou
qualitatives
… pertinente pour ident...
Pour aller plus loin …
www.statisticssolutions.com/
cluster-analysis-2/
spss.espaceweb.usherbrooke.ca/
Classer et catégori...
UMons
Vos questions ?
Classer et catégoriser pour mieux appréhender les données en éducation
Nächste SlideShare
Wird geladen in …5
×
Nächste SlideShare
Synthèse de la journée des recherches pour l'action
Weiter
Herunterladen, um offline zu lesen und im Vollbildmodus anzuzeigen.

1

Teilen

Herunterladen, um offline zu lesen

Classer et catégoriser pour mieux appréhender les données en éducation

Herunterladen, um offline zu lesen

Initiation à la démarche statistique de « Clustering » et applications dans le logiciel SPSS

Ähnliche Bücher

Kostenlos mit einer 30-tägigen Testversion von Scribd

Alle anzeigen

Ähnliche Hörbücher

Kostenlos mit einer 30-tägigen Testversion von Scribd

Alle anzeigen

Classer et catégoriser pour mieux appréhender les données en éducation

  1. 1. Classer et catégoriser pour mieux appréhender les données en éducation : Initiation à la démarche statistique de « Clustering » et applications dans le logiciel SPSS Gaëtan Temperman - Bruno De Lièvre
  2. 2. Exercice 1 : Vos représentations initiales En quelques mots, pouvez-vous définir la démarche par cluster ? Classer et catégoriser pour mieux appréhender les données en éducationUMons
  3. 3. Objectifs de la formation - Définir et caractériser la démarche de clustering - Présenter des exemples mobilisant le clustering - Décrire trois démarches de clustering complémentaires - S’initier aux fonctions de base de SPSS - Mettre en oeuvre les démarches de Clustering dans SPSS, dans Excel et dans Voyant-tools Classer et catégoriser pour mieux appréhender les données en éducationUMons
  4. 4. Objectifs d’une démarche par clusters Cette procédure statistique vise à trouver une structure intrinsèque aux données en les organisant en groupes homogènes et distincts, appelés « clusters ». Pour former un « cluster », les éléments doivent être à la fois similaires entre eux et différents des objets regroupés dans d’autres « clusters » (Quintin, 2008) Classer et catégoriser pour mieux appréhender les données en éducationUMons
  5. 5. Caractéristiques d’une démarche par clusters - Pas de distinction entre variables dépendantes et indépendantes - Démarche statistique qui fait partie de la famille des analyses multi-dimensionnelles (analyse en composantes principales, analyse factorielle de correspondances, analyse discriminante, …) - Elle peut s'appuyer sur différents types de mesures (binaire, nominal, ordinal, métrique). Classer et catégoriser pour mieux appréhender les données en éducationUMons
  6. 6. Usages dans différentes disciplines En médecine : identifier des patients qui ont des symptômes similaires à partir d’observations et de caractéristiques individuelles En biologie : Elaborer des taxonomies avec des groupes et sous- groupes dans la faune et dans la flore à partir d’observations En éducation : créer des profils d’apprenants (d’enseignants) homogènes à partir de ce qu’ils font ou de ce qu’ils disent En marketing : Dresser des profils de consommateurs qui ont les mêmes besoins et les mêmes comportements Classer et catégoriser pour mieux appréhender les données en éducationUMons
  7. 7. Usages avec différents outils de prises d’informations Classer et catégoriser pour mieux appréhender les données en éducationUMons
  8. 8. Quelle est la qualité des produits de l'appren-ssage ? Comment les acteurs perçoivent-ils les produits d’appren-ssage ? Avec quelle cohérence ? Caractéris-ques ini-ales des acteurs Interac-ons Temps Quels processus d'appren-ssage induit le disposi9f ? Contexte Quels liens entre les variables du processus et la qualité des produits de l'appren9ssage ? Progression Niveau de maîtrise Transfert Produc-ons Temps Usages Interac-ons Comment les acteurs perçoivent-ils leur processus dans le disposi9f ? Avec quelle cohérence ? Percep-ons Produits Processus U-lisabilité U-lité Sa-sfac-on Mo-va-on EquitéDisposi-f de forma-on Quelle percep9on ont les acteurs du disposi9f de forma9on ? Usages avec différents outils de prises d’informations Classer et catégoriser pour mieux appréhender les données en éducationUMons Temperman & De Lièvre (à paraître)
  9. 9. Boelaert & Khaneboubi (2015) Exemple 1 : méthode de visualisation de traces d’activités sur la plateforme open edX : le cas du Mooc « Enseigner et former avec le numérique » Indicateurs Description absent l’utilisateur ne s’est jamais connecté aux ressources correspondant à cette semaine présent l’utilisateur s’est connecté aux pages de la semaine, mais n’a pas regardé de vidéos, ni répondu aux quiz video l’utilisateur a regardé au moins une vidéo de la semaine, mais n’a pas répondu au quiz view quiz l’utilisateur a consulté le quiz de la semaine, mais n’y a pas répondu quiz l’utilisateur a répondu à au moins une question du quiz de la semaine. Classer et catégoriser pour mieux appréhender les données en éducationUMons
  10. 10. Boelaert & Khaneboubi (2015) Classer et catégoriser pour mieux appréhender les données en éducationUMons
  11. 11. Boelaert & Khaneboubi (2015) Classer et catégoriser pour mieux appréhender les données en éducationUMons
  12. 12. Classer et catégoriser pour mieux appréhender les données en éducationUMons
  13. 13. Trois types de classification automatique Procédures Caractéristiques Nuées dynamiques (K-Means) La procédure d'analyse de cluster de nuées dynamiques est limitée aux données continues et exige que vous indiquiez au préalable le nombre de clusters Classification hiérarchique La procédure d'analyse de cluster hiérarchique est limitée à des fichiers de données plus réduits (centaines d’éléments à classer) Possibilité de classer des observations ou des variables Classification Two-Step Sélection automatique du meilleur nombre de clusters, en plus des mesures de sélection parmi des modèles de cluster. Possibilité de créer simultanément des modèles de cluster sur la base de variables catégorielles et continues. Classer et catégoriser pour mieux appréhender les données en éducationUMons
  14. 14. A la découverte de SPSSVariables Individus données Classer et catégoriser pour mieux appréhender les données en éducationUMons
  15. 15. A la découverte de SPSS Nom de la variable Type de mesures Classer et catégoriser pour mieux appréhender les données en éducationUMons
  16. 16. A la découverte de SPSS Classer et catégoriser pour mieux appréhender les données en éducationUMons
  17. 17. A la découverte de SPSS Classer et catégoriser pour mieux appréhender les données en éducationUMons
  18. 18. A la découverte de SPSS Classer et catégoriser pour mieux appréhender les données en éducationUMons
  19. 19. A la découverte de SPSS Classer et catégoriser pour mieux appréhender les données en éducationUMons
  20. 20. A la découverte de SPSS Classer et catégoriser pour mieux appréhender les données en éducationUMons
  21. 21. A la découverte de SPSS Classer et catégoriser pour mieux appréhender les données en éducationUMons
  22. 22. Nuées dynamiques Classer et catégoriser pour mieux appréhender les données en éducationUMons
  23. 23. Z-Scores Si les variables ont différentes échelles, il est important de les standardiser en utilisant la note Z. Nuées dynamiques Classer et catégoriser pour mieux appréhender les données en éducationUMons
  24. 24. Note au cours de pédagogie Note au cours de sciencesQuestionnaire de Desjardins Stavaux, De Lièvre & Temperman (à paraître) Nuées dynamiquesExemple 2 : Formation au tbi Classer et catégoriser pour mieux appréhender les données en éducationUMons
  25. 25. Nuées dynamiquesExemple 2 : Formation au tbi Classer et catégoriser pour mieux appréhender les données en éducationUMons Stavaux, De Lièvre & Temperman (à paraître)
  26. 26. 1.Ouvrir le fichier badges.sav dans spss 2.Calculer le nombre total de badges par individus 4.Identifier une structure à ces données à l’aide de la classification en tués dynamiques en intégrant les variables transformées en note Z 3.Transformer les 4 variables en note Z Exercice 2 : Expérience badges Classer et catégoriser pour mieux appréhender les données en éducationUMons Palm, De Lièvre & Temperman (à paraître)
  27. 27. Classer et catégoriser pour mieux appréhender les données en éducation Exercice 2 : Expérience badges 5. Créer le radar suivant dans Excel en copiant les centres de classe finaux depuis SPSS UMons 6. Catégoriser et interpréter les trois profils (1, 2 et 3) mis en évidence par le graphique
  28. 28. Exercice 2 : Expérience badges 6. Se connecter sur voyant-tools.org 7. Charger les 3 fichiers dans le dossier texte 8. Créer le graphique ci-dessous avec la commande « Scatterplot » Classer et catégoriser pour mieux appréhender les données en éducationUMons
  29. 29. Dendrogramme représentant le regroupement des tuteurs selon leur expérience pédagogique (Quintin, 2008) Classification hiérarchiqueExemple 3 : Profils des tuteurs Classer et catégoriser pour mieux appréhender les données en éducationUMons 2. Fusion et réduction de classes par itérations successives 3. Fusion des classes dont la dissimilarité (= indice d’agrégation) est faible 4. L’indice d’agrégation augmente au fur et à mesure des différentes itérations indice d’agrégation 1. Au départ, chaque individu = une classe
  30. 30. Exemple 3 : Profils des tuteurs Classer et catégoriser pour mieux appréhender les données en éducationUMons (Quintin, 2008) Nouvelle variable indépendante
  31. 31. Exercice 3 : « Réalité augmentée » Classer et catégoriser pour mieux appréhender les données en éducationUMons Prompts Montagne, De Lièvre & Temperman (à paraître)
  32. 32. Exercice 3 : « Réalité augmentée » 1.Ouvrir le fichier realite.sav dans spss 2. Sélectionner les individus dans la condition 2 4.Créer un dendrogramme identique à celui-ci 3. Générer un classement hiérarchique à l’aide de trois variables : prétest/posttest/prompts Classer et catégoriser pour mieux appréhender les données en éducationUMons
  33. 33. Novices IsolésSocio-nautes - Usages timides - Moodle + - Médias sociaux avec prudence - Progrès outils bureautiques - Usage chevronné - Collaboration - Progrès en ligne - Usages variés - Moodle - - Progrès en communication 1 2 3 Entretiens Clusters Questionnaires en ligne N=1176 3 profils caractéristiques N=12 Exemple 4 : le WEB 2.0 et les EPA Two step clusters Classer et catégoriser pour mieux appréhender les données en éducationUMons Van Herp, De Lièvre & Temperman (à paraître)
  34. 34. Exercice 4 : Etude MTVL 1.Ouvrir le fichier mtvl.sav dans spss 2. Sélectionner les individus d o n t l e s ré p o n s e s s o n t c o m p l è t e s ( v a r i a b l e « complet ») 4.Intégrer l’ensemble des items du questionnaire dans le c h a m p «  v a r i a b l e s continues » 3. Lancer une procédure « Two step clusters » Classer et catégoriser pour mieux appréhender les données en éducationUMons Witthier (2015)
  35. 35. Ce que nous pouvons retenir… … complémentaire … … pertinente … … utilisable … … utile … Exercice 5 : La démarche par clusters est … Classer et catégoriser pour mieux appréhender les données en éducationUMons
  36. 36. Ce que nous pouvons retenir… … complémentaire à d’autres analyses quantitatives et/ou qualitatives … pertinente pour identifier de nouvelles variables indépendantes a posteriori … utilisable avec différentes sources d’informations (produits, processus, perceptions, caractéristiques individuelles) … utile pour synthétiser et pour visualiser des quantités importantes de données Classer et catégoriser pour mieux appréhender les données en éducationUMons Exercice 5 : La démarche par clusters est …
  37. 37. Pour aller plus loin … www.statisticssolutions.com/ cluster-analysis-2/ spss.espaceweb.usherbrooke.ca/ Classer et catégoriser pour mieux appréhender les données en éducationUMons https://www.researchgate.net/publication/ 260574030 Une typologie des professeurs entrants De Stercke, Temperman & De Lièvre (2014)
  38. 38. UMons Vos questions ? Classer et catégoriser pour mieux appréhender les données en éducation
  • anasshsissi

    Sep. 5, 2016

Initiation à la démarche statistique de « Clustering » et applications dans le logiciel SPSS

Aufrufe

Aufrufe insgesamt

1.691

Auf Slideshare

0

Aus Einbettungen

0

Anzahl der Einbettungen

316

Befehle

Downloads

48

Geteilt

0

Kommentare

0

Likes

1

×