Avec l'augmentation de l’accès aux données dans le monde entier et de la forte demande de compétences en matière de données sur le marché du travail, de plus en plus de cours d'économie incluent des compétences en matière d'analyse de données dans les résultats d'apprentissage escomptés. Il devient donc de plus en plus important pour les enseignants en économie d'aider les étudiants à développer ces compétences en classe.

Nous proposons trois conseils pour encourager la collaboration entre les étudiants dans l'apprentissage de l'analyse des données pour les cours appliqués: (i) concevoir des supports pédagogiques attrayants, (ii) faire travailler les étudiants en binôme pendant les cours, (iii) utiliser le feedback des pairs pour les évaluations formatives.

Comment se préparer : des supports pédagogiques attrayants

Figure 1: Cheat sheet used in a session on data analysis and visualisations in Python for complete beginners

 

Pour commencer, il est essentiel lors du choix du matériel d'utiliser des ensembles de données du monde réel qui sont pertinents pour vos élèves et qu'ils auront envie d'explorer plus avant. De cette manière, même le processus de nettoyage des données, que beaucoup d'étudiants redoutent, peut devenir un exercice plus intéressant. 

Deuxièmement, pendant les cours d'application (ou les laboratoires), demandez aux élèves de résoudre de nouveaux exercices qu'ils n'ont pas vus auparavant.

Troisièmement, il est important de concevoir des antisèches que les étudiants peuvent utiliser en classe, pour renforcer leur autonomie pendant les sessions. Cela permet aux étudiants de développer leurs compétences techniques et de se concentrer sur l'exercice, plutôt que de passer leur temps à essayer de comprendre les commandes de base qu'ils doivent utiliser. Une antisèche sert également par la suite d'aide à la révision pour les étudiants.
Ces antisèches doivent donc inclure les commandes (ou fonctions) clés nécessaires pour aborder les exercices. Plutôt que de faire une longue liste de commandes, donnez des exemples que les étudiants pourront suivre facilement.

Ensuite, c'est à eux de trouver les commandes de l'antisèche qui sont pertinentes pour chaque exercice. Nous avons inclus un exemple d'antisèche utilisée lors d'une session sur l'analyse et la visualisation de données en Python pour les débutants complets (Figure 1). Les étudiants ont reçu l'antisèche et une série d'exercices, en utilisant un ensemble de données complètement différent.

Comment l'enseigner? Travail en binôme en classe

Pour rendre l'utilisation des antisèches plus simple, demandez aux étudiants de travailler en binôme. La programmation en binôme est largement utilisée par les scientifiques des données dans l'industrie pour les tâches de codage: deux personnes utilisent un ordinateur, le "conducteur" contrôlant le clavier et le "navigateur" observant et apportant son soutien (Williams, 2001). Le conducteur et le navigateur échangent régulièrement leurs rôles et discutent de leur travail tout au long du processus (Demir et Seferoglu, 2021; Hannay et al, 2009).

L'utilisation de cette technique d'analyse des données encourage la coopération entre les élèves de la classe, améliore l'apprentissage par la pratique et crée des liens entre les participants. Les équipes peuvent être constituées pour le trimestre ou bien changer à chaque cours. L'important est que les élèves travaillent ensemble et ne se sentent pas dépassés par la tâche à accomplir.

Comment évaluer : évaluation formative avec retour d'information par les pairs

Enfin, utilisez des évaluations formatives (c'est-à-dire des évaluations qui ne comptent pas pour la note finale du cours). Il a été démontré que ces évaluations sont essentielles pour promouvoir l'apprentissage et la compréhension des étudiants (Wu et Jessop, 2018; Black et William, 2019; McMallum et Milner, 2021).

Le problème de ces évaluations est que de nombreux étudiants ne s'y engagent pas et, même s'ils le font, beaucoup ne recueillent pas ou n'intègrent pas le retour d'information fourni dans les évaluations ultérieures (Duncan, 2007). Il est pourtant prouvé que les étudiants trouvent l'évaluation du travail de leurs pairs très motivante, améliorant ainsi leur apprentissage et leur développement (Ballantyne et al, 2002 ; Vickerman, 2009).

De courtes évaluations formatives régulières, au cours desquelles les étudiants peuvent donner leur avis, peuvent être très facilement intégrées dans un cours dont l'objectif d'apprentissage est de développer les compétences en matière d'analyse de données. Les étudiants tentent d’abord de répondre aux questions; ils soumettent ensuite leurs réponses; enfin, chaque étudiant examine la tentative d'un autre étudiant et lui fournit un retour d'information écrit. De cette manière, ils peuvent voir comment les autres étudiants ont résolu les questions, apprendre différentes façons d'aborder les exercices, tout en vérifiant la validité de la solution donnée par leur camarade et en réfléchissant à la validité de la solution qu'ils ont eux-mêmes proposée.

Chaque enseignant doit fournir des lignes directrices pour le retour d'information, mais nous avons constaté qu'il est préférable de donner d'abord des indications sur ce qui a été bien fait et ce qui pourrait être amélioré, et de communiquer les solutions complètes après que les étudiants ont donné un retour d'information les uns aux autres. De cette façon, les étudiants peuvent revoir les commentaires reçus une fois que les réponses ont été mises à disposition et réfléchir davantage lorsqu'ils donnent leur avis à leurs camarades.

Conclusion

Bien que la tâche de travailler avec des données et de les analyser puisse être intimidante pour les étudiants au début, les éducateurs peuvent rendre l'apprentissage attrayant et plus accessible pour les étudiants en repensant la conception du matériel, l'enseignement et les évaluations. Nos conseils permettent aux élèves d'apprendre par la pratique et les encouragent à être très actifs en classe, ainsi qu'en dehors de la classe lorsqu'ils travaillent sur leurs évaluations.

Cet article a été rédigé en collaboration avec le réseau Economics Network, la plus grande et la plus ancienne organisation universitaire consacrée à l'amélioration de l'enseignement et de l'apprentissage de l'économie dans l'enseignement supérieur. Pour en savoir plus sur Economics Network, cliquez ici.

^{Crédit de l'image d'en-tête: Pixabay.com.}

Références

^{Ballantyne, R., K. Hughes, and A. Mylonas, (2002). “Developing Procedures for Implementing Peer Assessment in Large Classes Using an Action Research Process.”, Assessment and Evaluation in Higher Education, 27(5), 427–41.}

^{Black, P., and D. Wiliam, (2009). “Developing the Theory of Formative Assessment.”, Educational Assessment, Evaluation and Accountability 21 (1), 5–31.}

^{Demir, Ö., and S.S. Seferoglu, (2021). “A Comparison of Solo and Pair Programming in Terms of Flow Experience, Coding Quality, and Coding Achievement.”, Journal of Educational Computing Research, 58(8), 1448-1466.}

^{Duncan, N., (2007). “‘Feed-forward’: improving students' use of tutors' comments.”, Assessment and Evaluation in Higher Education, 32(3), 271-283.}

^{Hannay, J. E., T. Dyba, E. Arisholm, and D.I. Sjøberg, (2009). “The Effectiveness of Pair Programming: A meta-analysis.”, Information and software technology, 51(7), 1110-1122.}

^{McMallum, S., and M.M. Milner, (2021). “The Effectiveness of Formative Assessment: Student Views and Staff Reflections.”, Assessment and Evaluation in Higher Education, 46(1), 1–16.}

^{Vickerman, P., (2009). “Student Perspectives on Formative Peer Assessment: An Attempt to Deepen Learning?”, Assessment and Evaluation in Higher Education, 34(2), 221-230.}

^{Williams, L. (2001). “Integrating Pair Programming into a Software Development Process.”, Proceedings 14th Conference on Software Engineering Education and Training. 'In search of a software engineering profession' (Cat. No. PR01059), 27-36.}

^{Wu, Q., and T. Jessop, (2018). “Formative Assessment: Missing in Action in Both Research-Intensive and Teaching Focused Universities?”, Assessment and Evaluation in Higher Education, 43 (7), 1019–1031.}