Speechi » Je Lève La Main – version virtuelle https://www.speechi.net/fr Tableau blanc interactif, TBI, powerpoint en HTML5 Thu, 23 Nov 2017 20:33:36 +0000 fr-FR hourly 1 http://wordpress.org/?v=4.2.6 La nouvelle version “entreprise” du logiciel d’évaluation et de sondage “Je Lève La Main” https://www.speechi.net/fr/2017/10/13/la-version-entreprise-du-logiciel-devaluation-et-de-sondage-je-leve-la-main/ https://www.speechi.net/fr/2017/10/13/la-version-entreprise-du-logiciel-devaluation-et-de-sondage-je-leve-la-main/#comments Fri, 13 Oct 2017 12:40:46 +0000 https://www.speechi.net/fr/?p=46892 Entreprises, vous l’attendiez depuis longtemps et la voilà ! La version « entreprise » de notre logiciel d’évaluation  Je Lève La Main…

The post La nouvelle version “entreprise” du logiciel d’évaluation et de sondage “Je Lève La Main” appeared first on Speechi.

]]>
Entreprises, vous l’attendiez depuis longtemps et la voilà ! La version « entreprise » de notre logiciel d’évaluation  Je Lève La Main est aujourd’hui disponible. L’interface du logiciel a été adaptée pour vous: le « professeur » devient un « animateur » et l’ « élève » devient un « participant ».

logiciel de sondage pour entreprise Je Lève La Main

Comment faire passer le logiciel de vote Je Lève La Main à la version entreprise?

Si vous êtes déjà inscrit en tant qu’entreprise, vous n’aurez rien à faire. La mise à jour est déjà effective. S’il s’agit de votre 1ère inscription à Je Lève La Main, il vous suffira, pour passer à la version « entreprise », de vous rendre dans la section « Je change mon profil » et de sélectionner simplement « entreprise ».

logiciel d'évaluation pour entreprise je lève la main

logiciel de vote pour entreprise

Je Lève La Main : un logiciel utile à la prise de décision pour les entreprises

Au départ développé exclusivement pour les établissements scolaires, le logiciel de vote Je Lève La Main a rapidement été adopté par les entreprises qui utilisent la suite logicielle de l’écran tactile SpeechiTouch Pro.

En plus d’être apprécié pour sa simplicité d’utilisation, le logiciel de vote l’est aussi pour certaines fonctionnalités comme son outil de reporting statistique capable de générer des graphes simples et riches d’enseignement, sa fonction de sondage ou la possibilité de répondre de manière anonyme. Autant d’outils utiles à la prise de décision, aux enquêtes d’opinions ou encore aux études de marché.

The post La nouvelle version “entreprise” du logiciel d’évaluation et de sondage “Je Lève La Main” appeared first on Speechi.

]]>
https://www.speechi.net/fr/2017/10/13/la-version-entreprise-du-logiciel-devaluation-et-de-sondage-je-leve-la-main/feed/ 0
Evaluation de méthode de lecture avec “Je Lève La Main”: prédire les résultats des élèves (3) https://www.speechi.net/fr/2017/09/18/analyse-quantitative-jllm/ https://www.speechi.net/fr/2017/09/18/analyse-quantitative-jllm/#comments Mon, 18 Sep 2017 10:13:20 +0000 https://www.speechi.net/fr/?p=46015 Des résultats prédictifs remarquables, à 10% près Ceux-qui auront la patience de lire cet article jusqu’au bout pourront constater que…

The post Evaluation de méthode de lecture avec “Je Lève La Main”: prédire les résultats des élèves (3) appeared first on Speechi.

]]>

Des résultats prédictifs remarquables, à 10% près

Ceux-qui auront la patience de lire cet article jusqu’au bout pourront constater que la qualité du module prédictif est remarquable, sinon extraordinaire. En effet, nous sommes capables de prédire la note des élèves à 10% près pour 80% des élèves. Ceci alors que nous ne connaissons pratiquement rien sur eux. Rappelons les données expérimentales:

  • nous n’avons enregistré que quelques critères sociaux sur les élèves (niveau d’étude des parents…) ainsi que la méthode de lecture employée
  • notre étude ne porte que sur 500 élèves (nombre très faible)
  • nous n’avons fait passer aucun test d’aptitude préalable aux élèves (un tel test améliorerait sans doute grandement la prédiction réalisée par l’algorithme).

Faut-il “donner” les données à Google ?

De tels résultats laissent rêveurs sur la qualité de prédiction que peuvent obtenir les GAFA (Google, Apple, Facebook…) si  les données scolaires leur sont confiées. En effet, les GAFA sont d’ores et déjà capables :

  • d’avoir la connaissance d’une infinité de critères sociaux via les traces d’utilisation des enfants et des parents sur Facebook, Google, ITunes…
  • d’obtenir ces données sur des millions d’enfants (et non pas quelques centaines)
  • d’obtenir des données précises sur le niveau des élèves si les dossiers scolaires leur sont confiés

Dans ces conditions, on peut facilement imaginer que les algorithmes sont capables de prédire le succès au bac ou à un concours d’un élève à 95%. Et peut être même pourront-ils faire ceci des années à l’avance. On peut se servir avec avantage de ces techniques pour détecter de façon précoce des difficultés à venir.

Il s’agit évidemment de résultats statistiques, à interpréter avec modération. L’algorithme peut, (va !) se tromper pour tel ou tel élève.

Mais j’attire d’ores et déjà l’attention du Ministère sur les conséquences qu’il y a à confier, hors tout cahier des charges, ces données à des sociétés privées.

C’est à l’Education Nationale de rédiger le cahier des charges et aux GAFA de s’adapter. Pas le contraire.

Analyse quantitative des résultats

La partie Analyse en Composantes Principales (ACP) a permis  d’étudier une population sous l’angle des critères indépendamment de ses résultats sur des quiz.

Comme nous l’avons vu dans le billet précédent, il est possible de tenter d’établir des liens entre critères et résultats par le biais des clusters. Cependant, cette procédure nécessite de nombreux aller-retours entre les onglets “Expérience” et “ACP”, et permet d’établir des relations qualitatives uniquement. Et une interprétation correcte des résultats nécessite une bonne compréhension des techniques utilisées. 

Aucune expertise nécessaire

Aucune expertise n’est nécessaire pour utiliser le module prédictif. Il découle tout simplement des algorithmes statistiques implémentés dans notre plate-forme.

L’onglet “Expérience” contient un module dont le but est d’établir automatiquement des relations quantitatives entre critères et niveau. Il s’agit de la partie “Module prédictif”. Ce module est qualifié de prédictif car il permet non seulement d’expliquer le niveau en fonction des critères, mais aussi de prédire le niveau d’un élève à partir des valeurs connues sur les différents critères de l’étude.

Arbre de décision et apprentissage

Quand nous appuyons sur , le module commence par séparer automatiquement la population interrogée en deux sous-populations : une population d’apprentissage (80% de la population interrogée) et une population de test (20%).

La population d’apprentissage est utilisée par le module pour construire un arbre de décision. Cet arbre résume les répartitions observées des niveaux sur la population d’apprentissage en fonction de seuils sur les critères. La figure ci-après montre l’arbre automatiquement obtenu sur les données de notre étude :

image31

Dans cet arbre, les noeuds contiennent dans la partie haute un niveau moyen (% de bonnes réponses) et le pourcentage de la population ayant ce niveau. Les noeuds sont colorés en utilisant un dégradé de couleur allant du vert (niveau : 100% de bonnes réponses) au rouge (0%).

La racine de l’arbre correspond au niveau moyen de la population d’apprentissage : 49% de bonnes réponses.

Nous avons un premier choix selon la valeur du critère “petu”. Si sa valeur est inférieure à 1.5 (ce qui correspond aux niveaux d’études “Sans diplôme / Brevet” et “BEP / CAP”), le niveau moyen observé est environ 43% de bonnes réponses (ce qui concerne 58% de la population d’apprentissage). Si la valeur est supérieure à 1.5 (ce qui correspond à un niveau d’études “Bac ou supérieur”), le niveau moyen observé est environ 57% de bonnes réponses (42% de la population d’apprentissage).  

Ensuite, d’autres choix permettent d’affiner la valeur du niveau. Il est à noter qu’un même critère peut faire l’objet de plusieurs choix successifs. Par exemple, si nous allons à droite au choix “mlect < 1.5”, cela signifie que “mlect < 1.5” est faux, c’est à dire mlect >= 1.5. Ceci correspond aux valeurs 2 (dominante syllabique) et 3 (syllabique).

Il y a ensuite un autre choix, “mlect < 2.5” permettant de distinguer ces deux cas. Si nous allons à gauche, cela signifie que “mlect < 2.5” est vrai, donc nécessairement mlect = 2 = “dominante syllabique”. Sinon, mlect = 3 = “syllabique”.

Nous constatons que les deux premiers critères de choix sont “petu” et “mlect”, ce qui est conforme avec nos précédentes conclusions. Cependant, ce n’est pas parce que “petu” est situé à la racine de l’arbre qu’il s’agit du critère ayant le plus d’impact sur le niveau.

En effet, l’importance d’un critère est déterminée par sa contribution à la construction de chaque feuille de l’arbre (noeuds tout en bas). Par exemple, le critère “mlect” intervient deux fois dans la construction de la feuille en bas à droite (73 / 6%) et “petu” une seule fois.

L’évaluation de l’importance des critères pouvant être complexe et souvent contre-intuitive, le module présente une partie “importance relative des critères”.

Le logiciel fournit un graphique mettant en évidence l’importance relative des critères. Nous pouvons constater que l’importance relative des critères “petu” et “mect” est la même, ce qui était difficile à estimer en observant l’arbre.

image3

On peut donc en déduire que le niveau de lecture des élèves est principalement impacté, et en proportions égales, par le niveau d’études des parents et la méthode de lecture.

Prédiction

Nous pouvons enfin prédire le niveau d’un élève à partir de la connaissance que nous avons de la valeur des critères sur cet élève.

Pour cela, nous entrons le nom d’un étudiant dans la partie “Prédiction du niveau d’une personne” et appuyons sur “Prédire”.

image20

Le module navigue alors dans l’arbre de décision en fonction des valeurs des critères connues pour l’étudiant choisi, jusqu’à atteindre une feuille (les valeurs manquantes sont complétées en utilisant les valeurs connues sur le reste de la population). Le niveau de la feuille correspond à la prédiction du niveau pour cet étudiant.

Le module prédit un niveau de 56,6% de bonnes réponses alors que le niveau réel est de 45%, soit une erreur absolue de 11,6% environ.

C’est une précision remarquable quand on pense au peu d’informations utilisées pour faire cette prédiction : uniquement les valeurs des critères “petu” (niveau d’études du père) (utilisé deux fois) et “mlect” (méthode d’apprentissage de la lecture).

Il faut cependant rester prudent car d’une part, les résultats peuvent énormément varier d’un individu à l’autre, et d’autre part, il faut prendre soin de ne pas utiliser d’individus appartenant au groupe d’apprentissage pour évaluer la qualité des prédictions.

En effet, l’arbre de décision a été construit pour donner les meilleurs résultats possibles sur le groupe d’apprentissage. Dans certaines circonstances (groupe d’apprentissage de trop petite taille ou non représentatif de la population totale par exemple), l’arbre peut trop “coller” aux données d’apprentissage. Dans ces conditions, nous obtiendrons d’excellents résultats sur la population d’apprentissage mais des résultats médiocres sur des individus totalement nouveaux.

C’est pourquoi il est d’usage de tester la qualité des prédictions sur des individus que le module n’a jamais vu pendant la phase d’apprentissage. C’est l’objectif du groupe de test.

Réduire l’erreur de prédiction

La partie “Erreur de prédiction” présente le pourcentage du groupe de test ayant eu au plus une certaine erreur de prédiction.

image28

On peut par exemple observer que l’erreur maximale de prédiction est environ 22% sur le groupe de test, ou encore qu’une erreur d’au plus 12% a été obtenue pour 80% du groupe de test.

Ces résultats sont absolument remarquables, compte tenu des critères étudiés. Rappelons que les élèves n’ont passé aucun test d’aptitude. Nous connaissons simplement sur eux quelques critères sociaux de base et la méthode de lecture employée.

The post Evaluation de méthode de lecture avec “Je Lève La Main”: prédire les résultats des élèves (3) appeared first on Speechi.

]]>
https://www.speechi.net/fr/2017/09/18/analyse-quantitative-jllm/feed/ 2
Evaluation de méthodes de lecture avec “Je Lève La Main”: le regroupement des données (2/3) https://www.speechi.net/fr/2017/09/14/le-regroupement-des-donnees-clustering-jllm/ https://www.speechi.net/fr/2017/09/14/le-regroupement-des-donnees-clustering-jllm/#comments Thu, 14 Sep 2017 09:00:59 +0000 https://www.speechi.net/fr/?p=45941 Une méthode d’analyse expérimentale L’objectif d’une analyse en composante principale (ACP)  avec “Je Lève La Main” est d’obtenir des clusters permettant de…

The post Evaluation de méthodes de lecture avec “Je Lève La Main”: le regroupement des données (2/3) appeared first on Speechi.

]]>

Une méthode d’analyse expérimentale

L’objectif d’une analyse en composante principale (ACP)  avec “Je Lève La Main” est d’obtenir des clusters permettant de mettre en évidence des différences de niveau.

Dans ce cas, cela signifie que les critères sélectionnés pour obtenir ces clusters sont pertinents et qu’ils sont liés au niveau atteint par les élèves. Dans le cas contraire, l’ACP ne met en évidence aucun lien entre critères et niveau atteint – ce qui signifie que l’expérience est négative. Les critères observés, quels qu’ils soient, ne jouent pas sur le niveau.

Par analogie avec le chimiste, les critères sont les ingrédients mis dans le tube à essai. Le chimiste cherche à observer le changement de couleur du tube à essai, qui correspond pour nous à la variation du niveau.

Le regroupement des données ou “clustering”

Le clustering permet de constituer des groupes les plus homogènes possibles en termes de valeurs de critères. Ces groupes sont appelés des clusters. Les individus appartenant à un même cluster auront des valeurs de critères similaires.

La figure ci-après montre le clustering de la population réalisé par l’outil en se basant sur les valeurs des 5 critères sélectionnés. Par défaut, l’outil calcule automatiquement le nombre de clusters (ici 2).

image26

Les clusters sont totalement distincts (leur intersection est vide). Mais en 2 dimensions, les clusters semblent se recouvrir car ils sont projetés dans un espace de dimension 2 depuis un espace plus grand (5 dimensions ici). Le fait de représenter les clusters dans la carte des individus limite ces recouvrements mais ne permet pas de les éliminer.

Nous allons ajouter ce clustering en tant que groupe dans notre expérience “méthode de lecture”. Ceci va nous permettre de manipuler ce groupe dans l’onglet “Expériences”.

image24Pour ce faire, nous cliquons sur image35, nous conservons le nom par défaut “clustering1” et cliquons sur OK.

Première analyse des clusters

Le clustering que nous venons de générer va nous permettre de tenter d’établir un lien entre la valeur des critères qui caractérisent ces clusters et le niveau de lecture des individus appartenant à ces clusters.

Pour cela, nous allons dans l’onglet “Expériences” et sélectionnons l’étude “méthode de lecture”. 

Dans la partie “Groupes”, nous constatons qu’une nouvelle partie est apparue : “ACP”. Cette partie contient tous les clusterings calculés dans la partie ACP – pour le moment uniquement le clustering nommé “clustering1”.

image47

Nous constatons que le groupe “clustering1” est bien une partition de la population interrogée. Il contient tous les individus de la population interrogée (500 personnes), et se divise en 2 sous-groupes “Cluster : 1” (255 personnes) et “Cluster 2” (245 personnes). On a bien 255 + 245 = 500.

Nous pouvons évaluer les résultats du groupe “clustering1” sur le quiz “Compréhension lecture” en ajoutant ce groupe aux groupes de l’étude :

image1

Ensuite, nous cliquons sur l’icône image32de la partie “Carte de niveau” et nous obtenons le résultat suivant :

image12

Nous constatons qu’il n’y a pas de différence significative de niveau entre les 2 clusters. Si l’on regarde les choses un peu plus en détail (en cliquant sur le carré bleu puis vert), on peut constater que la répartition des niveaux dans ces clusters est très similaire à celle de la population interrogée :

image43image17

A ce stade, notre expérience a donc échoué puisque les clusters obtenus ne nous disent rien sur le niveau de lecture des élèves. Nous sommes dans la situation du chimiste qui, ayant mélangé divers ingrédients dans son tube à essai, constate que celui-ci ne change pas de couleur.

Elimination des critères non pertinents (méthode itérative)

Analysons ce qui différencie le plus les clusters 1 et 2. Pour ceci, nous retournons dans l’onglet “ACP”, partie “Valeur des critères sur les clusters”,[a][b][c][d] et nous demandons d’évaluer la différence de valeur de critères entre les clusters 1 et 2 :

image46

Nous constatons que les clusters sont totalement différents sur le critère “sexe” (la valeur 1 correspond à une différence de “100%”) : un cluster ne contient que des filles, et l’autre que des garçons.

Nous avons aussi constaté que les deux clusters avaient des niveaux de lecture équivalents, nous pouvons donc en déduire que le critère “sexe” n’a pas d’impact sur le niveau de lecture.

Deuxième analyse des clusters

Le critère “sexe” n’ayant pas d’impact sur le niveau de lecture, nous pouvons l’exclure de notre étude pour tenter d’identifier les critères ayant un impact sur le niveau parmi les restants.

Cette exclusion se fait en décochant le critère “sexe” dans la liste des critères dans la configuration de l’analyse :

image5

Nous recalculons les clusters en fixant le nombre de clusters à 4 pour bien séparer les sous-groupes tout en gardant des sous-groupes de taille raisonnable (un nombre élevé de clusters peut amener à des sous-groupes contenant très peu d’individus) .

image25

Nous ajoutons ce nouveau clustering à l’étude sous le nom “clustering2”.

Si nous regardons la composition de ce clustering, nous constatons que les sous-groupes sont de taille homogène et qu’ils possèdent au moins 100 personnes.

image45

Si nous demandons les résultats de ce clustering sur le quiz de compréhension, nous constatons une différence significative de niveau entre les clusters 1 et 2.

Notre “tube à essai”” a maintenant bien changé de couleur.

image4

Cette fois, la répartition des niveaux entre les deux clusters est nettement différente :

image22image44

Nous observons également que ce qui différencie le plus ces deux clusters est le critère “petu”, puis “mlect”. Les autres critères sont quasiment identiques sur ces clusters, leur différence de valeur étant inférieure à 5%.

image42

Nous pouvons en déduire que les critères “mlect” (méthode de lecture) et “petu” (niveau d’études du père) ont un impact sur le niveau, mais nous ne pouvons pas en dire plus.

En particulier, ce n’est pas parce que ce les clusters se différencient le plus sur le critère “mlect” que ce critère a le plus d’impact sur le niveau.

Nous pouvons toutefois avoir une idée de l’évolution du niveau en fonction des critères en utilisant la fonction de partitionnement de la partie “Expériences”.

Par exemple, pour observer l’impact de “mlect” sur le niveau de lecture, nous pouvons créer une partition “mlect” sur la base du critère “mlect” (voir le manuel de l’outil d’analyses statistiques pour le détail des opérations).

La partition “mlect” contient autant de sous-groupes que de méthodes de lecture. Et comme précédemment, l’ensemble des membres de ces sous-groupes donne la population interrogée.

image9

Si nous évaluons les résultats de la partition “mlect” sur le quiz de référence, nous obtenons les niveaux suivants :

image39

Nous voyons clairement que le niveau évolue dans le même sens que mlect, ce qui permet d’identifier une tendance mais pas d’expliquer (et encore moins de prévoir) quantitativement des résultats.

C’est le but du module prédictif que nous allons utiliser dans la partie suivante.

The post Evaluation de méthodes de lecture avec “Je Lève La Main”: le regroupement des données (2/3) appeared first on Speechi.

]]>
https://www.speechi.net/fr/2017/09/14/le-regroupement-des-donnees-clustering-jllm/feed/ 0
Evaluation de méthodes de lecture avec “Je Lève La Main” : une étude de cas https://www.speechi.net/fr/2017/09/11/evaluation-de-methodes-de-lecture-avec-je-leve-la-main-une-etude-de-cas/ https://www.speechi.net/fr/2017/09/11/evaluation-de-methodes-de-lecture-avec-je-leve-la-main-une-etude-de-cas/#comments Mon, 11 Sep 2017 10:58:50 +0000 https://www.speechi.net/fr/?p=45628 De façon à mieux faire sentir la révolution apportée par notre plate-forme “Je Lève La Main” dans l’évaluation scolaire, je…

The post Evaluation de méthodes de lecture avec “Je Lève La Main” : une étude de cas appeared first on Speechi.

]]>
De façon à mieux faire sentir la révolution apportée par notre plate-forme “Je Lève La Main” dans l’évaluation scolaire, je vais publier dans ce blog une étude de cas qui illustre 3 points forts de la plate-forme:

  1.  la saisie des données d’évaluation
  2.  l’analyse en composantes principales (ACP)
  3.  le groupement (ou clusterisation) des données d’analyse
  4.  l’analyse prédictive

Contexte général : des cycles d’analyse divisés par 100.

Pour bien voir où nous en sommes actuellement en matière d’évaluation scolaire en France, il faut comprendre les points suivants:

Le premier point (saisie des données) empêche de façon pratique la plupart des évaluations d’être menées de façon légère. En effet, toute évaluation a pour but de l’analyse de l’impact de différents critères (sociologiques, technologiques, pédagogiques, …) sur la performance de l’élève. Recueillir ces critères, c’est en général un travail de titan, puis il faut les rentrer dans des systèmes informatiques, les analyser, etc. Ceci explique que les durées moyennes d’analyse soient de plusieurs années. Par exemple, cette étude, menée par le CNRS depuis 2 ans avec des moyens conséquents – une équipe de chercheurs rassemblant plusieurs laboratoires – n’a toujours pas publié ses résultats.

Avec “Je Lève La Main”, le travail de recueil des données est rapide et “gratuit”. L’outil permet aux professeurs, enseignants, élèves de les saisir (selon le type de critère) directement via l’interface de réponse des tablettes. Grâce à cet outil de “délégation”, la “logistique” d’évaluation est incroyablement simplifiée. Les résultats que nous présentons correspondent à une étude de même ampleur que celle du CNRS, mais l’ensemble du processus (saisie et analyse)  a été réalisé en une quinzaine de jours au lieu de deux ans. La partie “Analyse” est réalisée par une seule personne, non statisticienne. La description de l’outil de saisie des évaluations et des critères (le premier point) fera l’objet d’un prochain article.

Cet article illustre le deuxième point, c’est à dire l’Analyse en Composante Principale fournie par “Je Lève La Main”. L’Analyse en Composante Principale est une technique de visualisation des données complexes, qui permet mieux comprendre les liens entre les différents critères étudiés, de les réduire (c’est à dire de simplifier l’étude) et de les trier. Nous allons voir qu’elle prépare les points n°3 et 4 cités ci-dessus, qui eux aussi feront l’objet d’un prochain article: le clustering et l’analyse prédictive.

Toutes les illustrations de ce billet sont générées automatiquement par notre plate-forme “Je Lève La Main”

 

L’étude de cas

Pour illustrer notre propos, nous allons nous baser sur une étude de cas concernant le niveau de lecture des élèves de CP, dans laquelle le logiciel d’évaluation “Je Lève La Main” nous a permis d’obtenir les informations suivantes :

  • les résultats d’un panel de 500 élèves de CP à un quiz de compréhension de lecture
  • les valeurs de 13 critères pour chaque élève du panel :

Critères liés à l’établissement (4 critères) :

Nom

Description

Domaine

Détails

tclass

Taille de la classe

0-5

0 : < 15 élèves

1 : 15 – 19

2 : 20 – 24

3 : 25 – 29

4 : 30 – 34

5 : plus de 34

pub

Établissement public / privé

0-1

0 : Privé

1 : Public

xpprof

Nombre d’années d’expérience de l’enseignant en CP

0-25

mlect

Méthode de lecture utilisée par l’enseignant

0-3

0 : Globale

1 : Dominante globale

2 : Dominante syllabique

3 : Syllabique

Critères liés aux élèves (9 critères) :

Nom

Description

Domaine

Détails

nlivr

Nombre de livres achetés ou empruntés par mois

0-10

nhist

Nombre d’histoires lues par les parents par mois

0-30

sexe

Sexe de l’élève

0-1

0 : Fille

1 : Garçon

necr

Nombre d’heures passés devant un écran par jour (tablette, télévision, ordinateur…)

0-5

petu

Niveau d’études du père

0-5

0 : Aucun / Brevet

1 : BEP / CAP

2 : Bac

3 : Bac + 2

4 : Bac + 2 à Bac +5

5 : Bac + 8

metu

Niveau d’études de la mère

0-5

0 : Aucun / Brevet

1 : BEP / CAP

2 : Bac

3 : Bac + 2

4 : Bac + 2 à Bac +5

5 : Bac + 8

mtrav

La mère de l’élève exerce une activité

0-1

0 : Non

1 : Oui

ptrav

Le père de l’élève exerce une activité

0-1

0 : Non

1 : Oui

hdom

Heure de retour du premier  parent  au domicile

0-3

0 :<= 17h

1 : 17h01 – 18h00

2 : 18h01-19h00

3 : > 19h00

Création de l’expérience

Avant de commencer, nous devons définir une expérience concernant tous les élèves ayant répondu au quiz de compréhension de lecture.

Pour cela, nous créons une nouvelle expérience de type “prise de niveau” que nous nommerons “méthode de lecture”.

image38

Nous ouvrons cette expérience et ajoutons le quiz “Compréhension lecture” aux quiz de l’étude.

image23

Le groupe “Population interrogée”, qui comporte les personnes ayant répondu aux quiz de l’étude, est automatiquement actualisé. Il comporte 500 personnes.

Analyse qualitative

Dans l’onglet “ACP”, partie “Configuration de l’analyse”, nous sélectionnons l’étude “méthode de lecture” que nous venons de créer. Le groupe “Population interrogée” est sélectionné par défaut, nous cliquons sur “OK”.

image2

La liste des critères renseignés pour la population interrogée apparaît alors. Nous retrouvons les 13 critères de l’étude, qui sont cochés par défaut (nous ne voyons ici que les premiers critères car il est possible de les faire défiler verticalement).

image11

Quand nous cliquons sur “Lancer l’analyse”, une Analyse en Composantes Principales (ACP) est effectuée.

La propriété de l’ACP que nous allons exploiter ici est sa capacité à produire des graphiques fournissant un point de vue privilégié sur les données, comme le cercle des corrélations (qui va nous permettre de mieux identifier les ensembles de critères redondants) ou la carte des individus (qui va nous permettre de mieux séparer les individus sur la base des critères).

L’Analyse en Composantes Principales (ACP)

L’ACP est une technique utilisée dans des problèmes mettant en jeu de nombreuses variables. Elle combine des variables liées (ou corrélées) pour créer de nouvelles variables décorrélées les unes des autres, appelées composantes principales.

La construction des composantes principales peut être expliquée de manière géométrique.

Imaginons que nous connaissons les valeurs de critères c1 et c2 sur une population. Nous pouvons représenter chaque individu dans un repère d’axe c1 et c2. Chaque individu est un point dont les coordonnées sont les valeurs pour les critères c1 et c2.

L’ACP effectue un changement de repère, de telle manière que le nuage de points formé par les individus s’étale le plus possible selon un premier axe p1 (le long de la droite décrite ci-avant), puis selon un deuxième p2, et ainsi de suite. Ces nouveaux axes sont les composantes principales.

Le nouveau repère peut être vu comme une rotation du repère initial. Dans ce nouveau repère, les données varient le plus selon p1, puis p2, et ainsi de suite.

image29

Dans notre étude, nous allons utiliser la capacité de l’ACP à nous fournir un point de vue privilégié sur les données. Comme les individus varient le plus sur les premières composantes principales, on peut projeter le nuage de points sur ces axes en le déformant le moins possible (c’est à dire en préservant au maximum les distances : deux individus éloignés le resteront globalement, et inversement).

Si nous reprenons le nuage de points de notre exemple, on peut constater que l’on peut le projeter sur l’axe p1 en gardant la majorité de l’information sur les distances entre individus.

image36

Ce processus de projection permet de mieux mettre en évidence des groupes d’individus ayant des valeurs similaires de critères, appelés “clusters”. Dans la figure ci-dessus on peut par exemple identifier un petit groupe d’individus sur la gauche, détaché du reste de la population.

Il permet également d’observer la population de manière commode quand nous sommes en présence de 3 critères ou plus : comme la visualisation de la population dans un espace de dimension 3 ou plus n’est pas aisée, il est utile de la représenter dans un espace de dimension 2 (un plan) en étant le plus fidèle possible à la répartition initiale des individus.

C’est ce qui est fait en projetant les données dans un plan défini par les deux premières composantes principales. Cette projection est appelée “carte des individus” (voir encadré dédié pour plus d’informations).

Réduction du nombre de critères

La partie “Corrélations entre critères” va nous aider à éliminer d’éventuels critères redondants.

Le premier graphique de cette partie est appelé “Matrice des corrélations”. Pour chaque couple de critères, un point de couleur indique si ces critères sont (linéairement) liés ou non. Un point bleu indique que les deux critères sont corrélés (point bleu) ou anti-corrélés (point rouge).

image34

Deux critères corrélés (corrélation proche de 1) évoluent dans le même sens. Par exemple, le point bleu au croisement de nlivr et nhist signifie que si nlivr augmente, hist augmente. En d’autres termes, plus il y a de livres à la maison, et plus le nombre d’histoires lues par les parents augmente. Certaines corrélations sont plus subtiles, celle entre petu et metu, qui indique les parents ont très souvent le même niveau d’études.

Deux critères anti-corrélés (corrélation proche de -1) évoluent en sens opposé. Par exemple, le point rouge au croisement de nhist et hdom signifie que si nhist augmente, hdom diminue (ou inversement : si hdom augmente, nhist diminue). En d’autres termes, plus les parents rentrent tard à la maison, et moins ils lisent d’histoires à leur enfant.

Corrélation linéaire

Le coefficient de corrélation que nous utilisons dans cette étude est le coefficient de Pearson. Il mesure la force d’un lien linéaire entre deux critères.

Il existe un lien linéaire entre deux critères c1 et c2 si les valeurs de c2 peuvent être déduites de celles de c1 (et inversement) en utilisant une équation de droite.

Cela peut être vu qualitativement en représentant les individus d’une population dans un repère d’axe c1 et c2 (chaque individu est un point dont les coordonnées sont les valeurs pour les critères c1 et c2).

Si c1 et c2 sont linéairement corrélés, alors le nuage de points formé par la population décrit globalement une droite, illustrée en bleu dans l’exemple ci-dessous :

image40

Le coefficient de corrélation donne une mesure quantitative du lien linéaire entre les variables. Il est calculé en mesurant la distance entre la valeur réelle de c2 et la valeur théorique donnée par la droite bleue (chaque distance est représentée par un petit segment noir dans la figure ci-après).

image15

Si ce coefficient est proche de 1 (en valeur absolue), alors ce lien est fort. L’exemple ci-dessus, les critères c1 et c2 ont un coefficient de corrélation de 0.91 environ.

Le signe du coefficient indique si les critères évoluent dans le même sens ou non. S’il est positif, c1 et c2 évoluent dans le même sens : si c1 augmente, c2 augmente (c’est le cas dans notre exemple). S’il est négatif, ils évoluent en sens contraire : si c1 augmente, c2 diminue (et inversement).

image7

Si le coefficient est proche de 0, il n’y a pas de lien linéaire entre les variables. Il est important de noter que cela n’exclut pas qu’il y ait pas d’autres types de liens, plus complexes.

Par exemple, dans la figure ci-dessous, il y a un lien fort entre c1 et c2, puisqu’on a exactement c2 = c1 x c1 (les points décrivent une parabole). Mais la droite moyenne (horizontale) est une approximation médiocre, aboutissant à un coefficient de corrélation égal à 0.

image16

On constate que de nombreux critères sont liés deux à deux, mais il n’est pas aisé d’identifier des ensembles de critères redondants. Pour ce faire, une vue plus appropriée est le cercle des corrélations.

Dans cette représentation, les critères pouvant être regroupés sont alignés (ils ont la même direction, mais pas nécessairement le même sens). Deux critères allant dans le même sens sont corrélés (par exemple petu et ptrav) et deux critères allant dans un sens opposé sont anti-corrélés (par exemple petu et necr). On peut facilement le vérifier dans la matrice des corrélations.

image33

Le cercle des corrélations met clairement en avant deux axes d’étude :

  1. Un axe “statut socio-professionel des parents” (spro), orienté à 45°, dans lequel on trouve petu, ptrav, metu, et necr;
  2. un axe “lecture accompagnée à domicile” (lecta) orienté à -45°, dans lequel on trouve mtrav, hdom, nlivr et nhist.

Pour simplifier l’étude, nous n’allons conserver qu’une variable par axe (les autres pouvant être déduites avec une erreur très limitée compte-tenu des fortes corrélations) :

  • la variable petu pour l’axe “spro”
  • la variable nhist pour l’axe “lecta”

En renouvelant l’opération plusieurs fois (en décochant les critères déjà traités), nous finissons avec l’ensemble de critères suivant : petu, nhist, sexe, tclass et mlect. Nous pouvons vérifier que les critères conservés ne sont que très faiblement corrélés :

image30

Carte des individus

Comme décrit dans l’encadré “Analyse en Composantes Principales”, chaque individu peut être représenté par un point positionné en utilisant la valeur de ses critères. Une difficulté se pose quand il y a plus de 2 critères : les points sont alors dans un espace de dimension 3 ou plus, il faut alors les projeter dans un plan pour pouvoir les observer.

Dans la carte des individus, les individus sont projetés dans un plan qui est défini par les deux premières composantes principales (voir l’encadré “ACP” pour en avoir une définition). Ceci permet d’étaler au plus le nuage de points formé par les individus, et d’ainsi faciliter la visualisation des clusters présentés dans la prochaine partie.

Carte des individus

Considérons que l’on représente chaque individu d’une population par un point ayant pour coordonnées la valeur de ses critères. La représentation de cette population est un nuage de points dans un espace à n dimensions, où n est le nombre de critères.

Quand n > 2, il faut projeter le nuage de point dans un espace de dimension 2 (un plan) pour pouvoir le visualiser. Cette projection implique une altération des distances qui séparaient initialement les points. Pour illustrer cela, imaginons deux points A et B en dimension 3. La projection de ces points sur le plan rouge altère beaucoup plus les distances que celle sur le plan vert. Le plan vert semble donc un meilleur choix que le rouge pour différencier au mieux les points.

image6

Comme nous l’avons vu dans l’encadré concernant l’ACP, les composantes principales sont calculées de telle sorte que le nuage de point s’étale le plus selon la première composante principale p1, puis la deuxième p2, et ainsi de suite jusqu’à pn. Le plan défini par les deux premières composantes principales p1 et p2 est donc celui qui aboutira à une déformation minimale du nuage de points.

La projection de la population dans ce plan particulier est appelée “carte des individus”. Elle permet de distinguer au mieux les éventuels groupements de points (appelés des clusters).

Dans l’exemple ci-dessous, nous considérons une population évaluée sur 3 critères c1, c2, c3. Les composantes principales p1 et p2 sont illustrées par des flèches de couleur, et le plan correspondant en pointillés. Après projection dans ce plan, les deux groupements de points présents en 3D restent clairement distinguables.

image19

Ne loupez pas, demain… Le regroupement des données (ou Clustering)

The post Evaluation de méthodes de lecture avec “Je Lève La Main” : une étude de cas appeared first on Speechi.

]]>
https://www.speechi.net/fr/2017/09/11/evaluation-de-methodes-de-lecture-avec-je-leve-la-main-une-etude-de-cas/feed/ 0
L’évaluation au pouvoir : comment “Je Lève La Main” change profondément les pratiques dans l’Education Nationale https://www.speechi.net/fr/2017/09/04/levaluation-au-pouvoir-comment-je-leve-la-main-change-les-pratiques-dans-leducation-nationale/ https://www.speechi.net/fr/2017/09/04/levaluation-au-pouvoir-comment-je-leve-la-main-change-les-pratiques-dans-leducation-nationale/#comments Mon, 04 Sep 2017 10:07:04 +0000 https://www.speechi.net/fr/?p=44706 Les nouvelles évaluations lancées au CP Le nouveau Ministre de l’Education Nationale, Jean-Michel Blanquer, vient d’annoncer la mise en place…

The post L’évaluation au pouvoir : comment “Je Lève La Main” change profondément les pratiques dans l’Education Nationale appeared first on Speechi.

]]>
Logiciel d'évaluation

Les nouvelles évaluations lancées au CP

Le nouveau Ministre de l’Education Nationale, Jean-Michel Blanquer, vient d’annoncer la mise en place de 3 évaluations nationales pour évaluer les mesures récemment prises dans les CP. J’ai suffisamment dénoncé, dans ce blog, l’absence organisée de toute stratégie d’évaluation dans l’Education Nationale pour applaudir cette initiative des deux mains.

Mais, en dépit de ses nombreux mérites, ce processus d’évaluation lancé par le Ministre souffre de plusieurs carences:

  • c’est un processus national, lourd, coûteux à mettre en place.
  • il se heurte à la méfiance, sinon à l’opposition, de certains syndicats, qui soupçonnent le Ministre d’arrières-pensées. Comme pour un référendum, les questions posées peuvent avoir, en effet, des motivations politiques.
  • les résultats seront longs à dépouiller (de fait, non disponibles avant fin 2018). La méthodologie, relativement opaque, sera forcément contestée. De fait, le Ministère a souvent, dans le passé, utilisé ou réalisé des études sans valeur scientifique.
  • les enseignants n’auront que peu de retombées sur leurs propres pratiques. Les statistiques obtenues n’ont d’intérêt qu’au niveau national.

Bref, alors que le Ministre a raison de vouloir introduire un peu de rationalité dans un monde jusqu’à présent gouverné par les émotions, la politique et l’idéologie, le fait est qu’il a peu de chances d’y arriver. Les résultats des évaluations sont par avance contestés par ses opposants. Dans 2 ans, on en sera exactement au même point.

Le pouvoir entre les mains des professeurs.

Le contraste avec le processus d’évaluation que nous pouvons, dès aujourd’hui, mettre en place avec notre plate-forme d’évaluation “Je Lève La Main” est saisissant:

  • une évaluation mise en place avec “je Lève La Main” est légère, simple à mettre en place, qu’elle concerne une classe ou des millions de personnes. Faire des évaluations nationales n’est d’ailleurs pas nécessaire pour obtenir des résultats significatifs, “Je Lève La Main” permet de procéder par sondage, sur des échantillons beaucoup plus petits.
  • son élaboration est ouverte, publique, transparente. Elle ne peut générer aucune méfiance.
  • les résultats sont immédiatement disponibles. Non seulement ils sont de grande qualité au niveau scientifique, mais ils sont incontestables car les outils statistiques d’analyse les plus avancés du moment sont disponibles dans le logiciel même. Les analyses peuvent être refaites ou améliorées par les professeurs, les syndicats, les écoles… eux-mêmes.
  • les enseignants ont des retombées immédiates sur leurs propres pratiques et peuvent comparer leur classe aux autres classes de leur école, de leur région, du pays, etc.

JLLM est à l’évaluation ce qu’Excel est à la finance

“Je Lève La Main” permet de réaliser, en grand nombre, des évaluations dont la mise en place était auparavant réservée à des statisticiens de métier. Ces évaluations peuvent être menées par les enseignants, les écoles, les collectivités locales sans expertise statistique – le “savoir” statistique est inclus dans l’outil. Notre objectif est de multiplier le nombre d’évaluations et ainsi de donner le pouvoir aux acteurs de terrain.

“Je Lève La Main” est à l’évaluation ce qu’Excel a été à l’ingénierie financière. Excel a révolutionné l’ingénierie financière non pas parce que les calculs qu’on y effectue sont forcément complexes (il s’agit le plus souvent d’additions et de multiplications), mais parce que les calculs peuvent être menées de façon très rapide, légère et systématique, ce qui fait qu’on peut, sans être programmeur, étudier des milliers d’options impossibles à évaluer avec une simple calculette.

De même, les méthodes d’analyse fournies dans “Je Lève La Main” ne sont pas, dans la plupart des cas, nouvelles. Mais elles deviennent si faciles, si rapides d’accès que les évaluations peuvent être menées et multipliées avec une grande rigueur, sans être un statisticien professionnel. Ceci de la récolte des données à l’analyse statistique.

Un professeur qui veut se former à “Je Lève La Main” va pouvoir le faire en quelques heures – là encore, on peut faire le parallèle avec une première formation Excel. Ensuite, il dispose d’un outil unique, plus puissant et plus simple que les outils actuellement utilisés dans les instituts de sondage professionnels.

Les évaluations étaient rares, parcellaires, peu rigoureuses, peu vérifiables et biaisées. Elles vont devenir  monnaie courante, vérifiables par tous et transparentes.

La transformation radicale de l’Education Nationale qui est engendrée par cette nouveauté, c’est très exactement ce qui s’appelle la révolution numérique.

Dès cette semaine, je publierai dans ce blog une étude de démonstration qui illustrera les éléments contenus dans cet article.

 

The post L’évaluation au pouvoir : comment “Je Lève La Main” change profondément les pratiques dans l’Education Nationale appeared first on Speechi.

]]>
https://www.speechi.net/fr/2017/09/04/levaluation-au-pouvoir-comment-je-leve-la-main-change-les-pratiques-dans-leducation-nationale/feed/ 0
Le manuel de la partie “big data” du logiciel d’évaluation “Je Lève La Main” https://www.speechi.net/fr/2017/03/08/nouvelle-version-du-manuel-de-la-partie-big-data-du-logiciel-devaluation-je-leve-la-main/ https://www.speechi.net/fr/2017/03/08/nouvelle-version-du-manuel-de-la-partie-big-data-du-logiciel-devaluation-je-leve-la-main/#comments Wed, 08 Mar 2017 15:49:05 +0000 https://www.speechi.net/fr/?p=41075 Comme annoncé, une nouvelle version du manuel de la partie “big data” du logiciel “Je Lève La Main” a été mise…

The post Le manuel de la partie “big data” du logiciel d’évaluation “Je Lève La Main” appeared first on Speechi.

]]>
statistique-logiciel-evaluation-jelevelamain

Comme annoncé, une nouvelle version du manuel de la partie “big data” du logiciel “Je Lève La Main” a été mise en ligne. Un manuel revu, amélioré et augmenté pour mieux appréhender l’outil d’analyses statistiques.

La structure de cette nouvelle version du manuel reste la même et vous accompagne dans la découverte de l’outil d’analyses statistiques à travers :

  • Une introduction qui retrace l’enjeu et l’ambition de l’outil, ainsi que son fonctionnement global.
  • Une partie sur l’étude de prise de niveau qui permet d’évaluer des groupes à un instant t.
  • Une partie sur l’étude de progression destinée à évaluer la progression des groupes.

Qu’est-ce que l’outil d’analyses statistiques Je Lève La Main ?

L’outil d’analyses statistiques a été développé en complément du logiciel d’évaluation “Je Lève La Main“.  Il en est son prolongement, son approfondissement et sa suite logique.

Conçu pour donner un retour objectif sur le niveau d’un groupe par rapport à d’autres, l’outil d’analyses statistiques doit permettre à l’enseignant, au rectorat ou même au Ministère d’évaluer les pratiques pédagogiques, les politiques éducatives, ou encore l’impact de certains critères, d’ordre sociologique par exemple, sur les résultats des élèves.

Plus pédagogique

Écrire un manuel sur l’outil d’analyses statistiques du logiciel “Je Lève La Main” qui soit pédagogique sans sacrifier à la rigueur scientifique qu’il exige n’est pas une mince affaire.

Vous l’aurez compris : nous avons travaillé pour que ce manuel soit non seulement à la hauteur de son outil, mais aussi accessible afin de rassembler autour du projet qu’il porte le plus de personnes possibles.

C’est pourquoi le manuel a été l’objet de plusieurs relectures et réécritures réalisées par deux experts de l’outil afin d’y traquer les moindres inexactitudes et approximations et par un non expert pour repérer les éléments sources de confusion et d’incompréhension.

The post Le manuel de la partie “big data” du logiciel d’évaluation “Je Lève La Main” appeared first on Speechi.

]]>
https://www.speechi.net/fr/2017/03/08/nouvelle-version-du-manuel-de-la-partie-big-data-du-logiciel-devaluation-je-leve-la-main/feed/ 0
Logiciel d’évaluation et de sondage “Je Lève La Main” : connectez-vous avec Facebook et Google + https://www.speechi.net/fr/2017/01/31/je-leve-la-main-connectez-vous-avec-facebook-et-google/ https://www.speechi.net/fr/2017/01/31/je-leve-la-main-connectez-vous-avec-facebook-et-google/#comments Tue, 31 Jan 2017 09:16:31 +0000 https://www.speechi.net/fr/?p=39830 Après la connexion anonyme qui permet de rejoindre une session sans s’être présinscrit, une nouvelle fonctionnalité (désormais incontournable) a été…

The post Logiciel d’évaluation et de sondage “Je Lève La Main” : connectez-vous avec Facebook et Google + appeared first on Speechi.

]]>
Après la connexion anonyme qui permet de rejoindre une session sans s’être présinscrit, une nouvelle fonctionnalité (désormais incontournable) a été ajoutée au logiciel d’évaluation Je Lève La Main : la connexion avec Facebook ou Google +.

JLLM-connexion-fb-google

Si vous vous connectez avec l’un de ces réseaux sociaux sans avoir créé de compte préalablement, le logiciel vous crée automatiquement un compte avec les renseignements disponibles sur votre réseau social (nom, prénom, adresse mail, photo). Vous aurez alors seulement accès au mode “Élève”. Pour accéder au mode « Professeur », il vous faudra compléter votre profil en renseignant notamment le nom de votre entreprise.

JLLM logiciel évaluation

Vous recevrez un mail pour vous confirmer la création de votre compte et vous donner un mot de passe temporaire à renseigner pour une connexion « normale » c’est-à-dire sans passer par les réseaux sociaux.

Pour découvrir le logiciel Je Lève La Main, participez à notre Quiz concours “Miss France” et gagnez peut-être des cadeaux Speechi (tableau blanc interactif et visualiseurs) !

Cette version “connexion simplifiée” est d’ores et déjà disponible sous l’interface navigateur et sous Android. Dans les tous prochains jours, la version iOS du logiciel “Je Lève La Main” intégrera cette nouvelle fonctionnalité.

The post Logiciel d’évaluation et de sondage “Je Lève La Main” : connectez-vous avec Facebook et Google + appeared first on Speechi.

]]>
https://www.speechi.net/fr/2017/01/31/je-leve-la-main-connectez-vous-avec-facebook-et-google/feed/ 0
Quiz concours : faites mieux que Miss France et gagnez des tableaux interactifs, des visualiseurs… https://www.speechi.net/fr/2017/01/24/quiz-concours-ferez-vous-mieux-que-miss-france/ https://www.speechi.net/fr/2017/01/24/quiz-concours-ferez-vous-mieux-que-miss-france/#comments Tue, 24 Jan 2017 10:08:51 +0000 https://www.speechi.net/fr/?p=39234   Pour fêter cette nouvelle année 2017, nous avons le plaisir de vous convier à un quiz de culture générale.…

The post Quiz concours : faites mieux que Miss France et gagnez des tableaux interactifs, des visualiseurs… appeared first on Speechi.

]]>

 

Pour fêter cette nouvelle année 2017, nous avons le plaisir de vous convier à un quiz de culture générale. Nous vous invitons à répondre au quiz des candidates de Miss France 2017 avec, à la clé, des cadeaux pour les meilleurs d’entre vous ! Ferez-vous mieux que les candidates de Miss France ?

Pour le savoir, participez au concours en répondant aux 40 questions de culture générale en 20 minutes maximum sur le logiciel de quiz “Je Lève La Main”. Les vainqueurs seront tirés au sort parmi les meilleurs participants.

Deux conditions sont nécessaires pour participer au concours :
• Avoir/créer son compte “Je Lève La Main”.
• Réaliser le quiz entre aujourd’hui et le 10 février inclus.

Vous souhaitez répondre au quiz, juste par curiosité, sans vous créer de compte ? C’est possible avec la connexion anonyme (cf. Comment accédez au quiz ? – Option B).

Les cadeaux en jeu

1er prix :


Un TBI mobile sans fil eBeam Edge + Wireless d’une valeur de 799 €. Avec cette barrette fine et légère, transformez n’importe quelle surface de projection en tableau interactif.


2e prix :


Un visualiseur Speechi VI-401 d’une valeur de 469 € et son logiciel Eye Present. Grâce à son excellente définition de 8 millions de pixels, projetez des images d’une très belle qualité, aux couleurs éclatantes et naturelles.


3e prix :


Un visualiseur de documents Speechi VI-101 et son logiciel Eye Present d’une valeur de 299 €. Avec son excellente résolution de 8 mégapixels et son bras articulé, observez les objets sous tous les angles dans leurs moindres détails.


4e prix :


Un microvisualiseur de documents SpeechiCam 6 et son logiciel SpeechiCam Presenter d’une valeur de 199 €. Pliable et nomade, profitez d’une image belle et nette en toute situation.


Comment accéder au quiz ?

1. Connectez-vous à https://webapp.jelevelamain.fr/ ou téléchagez l’application “Je lève la main” sur Google Play et App Store.

Option A : Si vous n’avez pas de compte, cliquez sur “Nouvel utilisateur” ou connectez-vous via Facebook ou Google :

Remplissez les informations nécessaires à l’élaboration de votre profil. Connectez-vous en tant qu’ « élève », puis cliquez sur “Rejoindre une session”.
Option B : Si vous ne souhaitez pas vous inscrire, réalisez le quiz, en cliquant, en bas de la page, sur “Rejoindre une session sans être inscrit”

Attention, en choisissant cette option, vous ne participez pas au concours !

2. Après vous être connecté, saisissez ce numéro de session 147360937 qui vous renverra au quiz du concours.

Remarque : Pour chaque question, n’oubliez pas de « valider » votre réponse…

…puis de cliquer sur les flèches pour passer à la question suivante ou revenir à la question précédente !

Et les gagnants sont…

Pour connaître vos résultats et les noms des heureux gagnants du concours, nous vous donnons rendez-vous début février.

En attendant de savoir qui l’équipe Speechi comblera de cadeaux, nous vous souhaitons une très belle et heureuse année 2017,

Règlement du jeu concours

Jeu sans obligation d’achat, ouvert du 20 janvier au 10 février 2017. Le tirage au sort est prévu le 10 février 2017 mais pourra être retardé d’un mois en fonction de l’évolution du jeu. -1er prix : 1 TBI mobile sans fil eBeam Edge+ Wireless – 2e prix : 1 visualiseur Speechi VI-401 – 3e prix : 1 visualiseur de documents Speechi VI-101 – 4e prix : 1 microvisualiseur de documents SpeechiCam 6. Une seule inscription par personne est autorisée, le nom et prénom des gagnants seront contrôlés, un email valide est demandé pour s’inscrire. Les employés de Speechi, ainsi que les membres de leur famille, ne peuvent pas s’inscrire au jeu.

The post Quiz concours : faites mieux que Miss France et gagnez des tableaux interactifs, des visualiseurs… appeared first on Speechi.

]]>
https://www.speechi.net/fr/2017/01/24/quiz-concours-ferez-vous-mieux-que-miss-france/feed/ 0
Premier manuel de la partie “big data” du logiciel d’évaluation “Je Lève La Main” https://www.speechi.net/fr/2016/12/08/premier-manuel-de-la-partie-big-data-du-logiciel-devaluation-je-leve-la-main/ https://www.speechi.net/fr/2016/12/08/premier-manuel-de-la-partie-big-data-du-logiciel-devaluation-je-leve-la-main/#comments Thu, 08 Dec 2016 16:00:24 +0000 https://www.speechi.net/fr/?p=37993 Attention, cher lecteur, la tâche à laquelle nous te convions aujourd’hui est ardue. Nous mettons en ligne la première version…

The post Premier manuel de la partie “big data” du logiciel d’évaluation “Je Lève La Main” appeared first on Speechi.

]]>
statistique-logiciel-evaluation-jelevelamain

Attention, cher lecteur, la tâche à laquelle nous te convions aujourd’hui est ardue.

Nous mettons en ligne la première version du manuel de la partie “data” du logiciel d’évaluation “Je Lève La Main“, qui résume les principaux outils d’analyses disponibles dans le logiciel à ce jour.

Ceci n’est pas un simple manuel d’utilisation qu’il suffit de parcourir en diagonale. Nous en sommes totalement conscients. C’est aussi une première version, destinée à s’améliorer. Si nous la proposons aujourd’hui, c’est qu’elle est déjà de très grande qualité.

Ce qu’Excel a été à la gestion, nous souhaitons que “Je Lève La Main” le soit à l’enseignement.

L’objectif que nous cherchons à atteindre est de donner aux professeurs, aux écoles, aux rectorats, au Ministère de l’Education Nationale, aux chercheurs, le moyen – jusque-là réservé à des statisticiens professionnels – d’avoir un retour objectif, rapide et efficace sur leurs pratiques et méthodes pédagogiques.

Avec cet outil, le professeur a, par exemple, la liberté d’évaluer ses propres pratiques, de comparer plusieurs méthodes pédagogiques, d’avoir une vision claire des progressions de ses groupes de classe, de réaliser des analyses comparatives avec des classes du département, d’un autre département, d’une autre région, ou encore de France.

A terme, l’ambition d’un tel dispositif est de permettre d’évaluer la pertinence des politiques éducatives et des réformes scolaires menées à l’échelle du pays pour améliorer l’école grâce aux données prélevées à l’aide d’un processus scientifique expérimental.

Manuel de la partie statistiques du Logiciel “Je Lève La Main”

The post Premier manuel de la partie “big data” du logiciel d’évaluation “Je Lève La Main” appeared first on Speechi.

]]>
https://www.speechi.net/fr/2016/12/08/premier-manuel-de-la-partie-big-data-du-logiciel-devaluation-je-leve-la-main/feed/ 0
“Je Lève La Main” devant le nouvel écran interactif SpeechiTouch Pro https://www.speechi.net/fr/2016/11/29/nouvelle-version-du-logiciel-de-reponse-et-nouvel-ecran-interactif-speechitouch-pro/ https://www.speechi.net/fr/2016/11/29/nouvelle-version-du-logiciel-de-reponse-et-nouvel-ecran-interactif-speechitouch-pro/#comments Tue, 29 Nov 2016 20:43:53 +0000 https://www.speechi.net/fr/?p=37786  Notre logiciel d’évaluation et de sondage “Je Lève La Main” est inclus dans notre nouvel écran tactile professionnel SpeechiTouch Pro…

The post “Je Lève La Main” devant le nouvel écran interactif SpeechiTouch Pro appeared first on Speechi.

]]>
RejoindreSession Notre logiciel d’évaluation et de sondage “Je Lève La Main” est inclus dans notre nouvel écran tactile professionnel SpeechiTouch Pro (qui sera lancé dès la semaine prochaine).

Pour l’occasion, nous avons ajouté une nouvelle fonctionnalité: la possibilité de prendre part à une session sans s’être préalablement enregistré dans le logiciel (utilisateur non authentifié). Ceci permet, en entreprise, dans une réunion, une assemblée… de tester une idée auprès de tous les participants présents sans qu’ils aient à s’inscrire préalablement en déclarant leur email dans notre logiciel.

Ainsi, le retour de l’audience peut être, si besoin est, instantané. Ceci permet de créer des animations plus efficaces, des sessions plus interactives.

Cette nouvelle fonction a été intégrée à tous les plans payants de “Je Lève La Main” ainsi qu’aux versions fournies avec l’écran SpeechiTouch Pro.

ecran-tactile-speechitouch-pro

 

The post “Je Lève La Main” devant le nouvel écran interactif SpeechiTouch Pro appeared first on Speechi.

]]>
https://www.speechi.net/fr/2016/11/29/nouvelle-version-du-logiciel-de-reponse-et-nouvel-ecran-interactif-speechitouch-pro/feed/ 0