Speechi https://www.speechi.net/fr Tableau blanc interactif, TBI, powerpoint en HTML5 Tue, 19 Sep 2017 13:05:15 +0000 fr-FR hourly 1 http://wordpress.org/?v=4.2.6 Le cursus robotique pour l’Education Nationale (au collège) https://www.speechi.net/fr/2017/09/19/le-cursus-robotique-pour-leducation-nationale-au-college/ https://www.speechi.net/fr/2017/09/19/le-cursus-robotique-pour-leducation-nationale-au-college/#comments Tue, 19 Sep 2017 13:00:40 +0000 https://www.speechi.net/fr/?p=46101 Le manque de livres pour enseigner la programmation au collège Il y a un manque cruel de livres pour aider…

The post Le cursus robotique pour l’Education Nationale (au collège) appeared first on Speechi.

]]>
Cursus robotique Education Nationale

Le manque de livres pour enseigner la programmation au collège

Il y a un manque cruel de livres pour aider les professeurs à enseigner la programmation au collège.

Plusieurs raisons à ceci:

  • les éditeurs traditionnels n’ont pas réellement une compétence en la matière (après 10 ans, ils en sont, pour la plupart, à simplement proposer des version “ebook” ou pdf de leurs bouquins…)
  • les livres sont certes utiles, bien plus qu’on ne le croît, pour l’enseignement de l’informatique. Mais on n’enseigne pas l’informatique qu’avec des livres. L’art du codage, c’est un aller-retour constant entre le livre et l’implémentation sur la machine. On ne peut pas envisager l’un sans l’autre, sauf peut-être dans de très rares cas et à un haut niveau universitaire.

16 modules de formation au codage et à la robotique

C’est pourquoi nous avons développé une offre “livresque” unique pour les professeurs et les élèves. Cette offre est couplée à notre kit robotique “Education Nationale”. Il s’agit d’un cursus complet de 16 modules, avec le manuel du professeur. Chaque session correspond à une classe de 60 à 90 minutes.

Les livrets apportent aux enfants à la fois des notions théoriques et des notions pratiques. Ils permettent à l’enfant, sous le contrôle du professeur, de réaliser des robots faisant appel à des notions de plus en plus avancées. Car l’informatique ne prend sens que sous sa forme pratique : un programme qui réalise une fonction.

Les livrets robotique Education Nationale, ainsi que le manuel enseignant, sont accessibles à partir de cette page.

studuino-arduino-programmation

Un environnement d’apprentissage simple et ouvert : Scratch / Arduino

Les exemples présents dans nos livrets sont développés dans l’environnement Scratch; c’est le langage qui s’est imposé pour l’enseignement de la programmation au collège, à cause de sa grande simplicité syntaxique.

Les programmes développés sous Scratch sont lancés sur une carte Arduino. La carte Arduino est une carte électronique extrêmement simple et répandue. Elle est “open source”, ce qui veut dire que son dessin est public et c’est pourquoi cette carte est la plus riche au monde en termes d’offres de périphériques (moteurs, capteurs, GPS, connection BlueTooth…). Ce sont ces périphériques que vous retrouvez “tout prêts” dans nos boîtes, vous pourrez rajouter les vôtres si vous êtes un prof “geek”

Le manque de professeurs spécialistes

Une des réalités malheureuses de l’enseignement de l’informatique au collège, c’est qu’il n’est pas mené par des professeurs d’informatique.

La raison principale ? Il n’y a pas de profs d’info au collège. Cet enseignement est donc donné par des profs de techno, de maths, de physique, de SVT (j’ai même vu un professeur en langues classiques l’assurer). Ils font ce qu’ils peuvent mais certains en sont réduits à mettre les élèves devant une console “Scratch” et à laisser plus ou moins faire.

Nous avons essayé de tenir compte de cet état de fait et donc, nos livrets ne présupposent pas que l’enseignant a des connaissances informatiques. Tout enseignant dans une matière scientifique pourra sans aucun problème les utiliser et faire progresser ses élèves : les livrets se concentrent sur les principes, les algorithmes et aident les élèves pour tout ce qui relève du langage lui-même.

Le programme en informatique au collège.

Dans le programme d’informatique tel qu’il a été défini pour le collège, il y a finalement peu de choses. Mais la robotique, les moteurs, les capteurs sont clairement au centre.

« Observer et décrire le comportement d’un robot ou d’un système embarqué. En décrire les éléments de sa programmation. »
« Écrire, mettre au point (tester, corriger) et exécuter un programme commandant un système réel et vérifier le comportement attendu. »
« Écrire un programme dans lequel des actions sont déclenchées par des événements extérieurs»

Notre cursus a pour objectif de suivre, autant que faire se peut, les indications données par l’Education Nationale.

Nous espérons avoir fait oeuvre utile. Nous attendons vos retours.

.

The post Le cursus robotique pour l’Education Nationale (au collège) appeared first on Speechi.

]]>
https://www.speechi.net/fr/2017/09/19/le-cursus-robotique-pour-leducation-nationale-au-college/feed/ 0
Programmer des robots à l’école, sur France Bleu (audio) https://www.speechi.net/fr/2017/09/18/les-robots-a-lecole-sur-france-bleue/ https://www.speechi.net/fr/2017/09/18/les-robots-a-lecole-sur-france-bleue/#comments Mon, 18 Sep 2017 15:39:01 +0000 https://www.speechi.net/fr/?p=46281 Toutes les pièces pour construire et programmer un robot. Des briques, des moteurs pour faire bouger le robot, des effecteurs…

The post Programmer des robots à l’école, sur France Bleu (audio) appeared first on Speechi.

]]>

Toutes les pièces pour construire et programmer un robot. Des briques, des moteurs pour faire bouger le robot, des effecteurs pour qu’il comprenne son environnement. Tout ceci se met en musique à travers le programme réalisé par l’élève.

Merci à Nicole Buyse de France Bleu pour l’interview diffusée sur France Bleu ce matin.

The post Programmer des robots à l’école, sur France Bleu (audio) appeared first on Speechi.

]]>
https://www.speechi.net/fr/2017/09/18/les-robots-a-lecole-sur-france-bleue/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
Un jour, un robot éducatif en vidéo: Le robot qui suit son chemin https://www.speechi.net/fr/2017/09/17/le-robot-guide-par-la-ligne/ https://www.speechi.net/fr/2017/09/17/le-robot-guide-par-la-ligne/#comments Sun, 17 Sep 2017 18:21:19 +0000 https://www.speechi.net/fr/?p=44230 Les robots industriels Un grand classique des robots de type industriel et (comme d’habitude avec les robots), il existe de…

The post Un jour, un robot éducatif en vidéo: Le robot qui suit son chemin appeared first on Speechi.

]]>
Les robots industriels

Un grand classique des robots de type industriel et (comme d’habitude avec les robots), il existe de multiples façons d’obtenir ce comportement. Ici, ce comportement est obtenu de façon très simple, avec un capteur infra-rouge et un programme d’une dizaine de lignes rédigé en Scratch. Cet exemple est assez intéressant car un adulte ne connaissant pas le sujet ne comprend pas comment ce robot “suit la ligne”. Mais un enfant de CM2 peut parfaitement construire et programmer ce robot rapidement, avec une grande rigueur. Et apprendre quelque chose en classe que les parents ne savent pas.

ecole-robot-arduino-scratch

Ci-dessus ; “L’école robot pour apprendre à coder – Le robot guidé par la ligne”. Cliquez pour voir la vidéo. 

The post Un jour, un robot éducatif en vidéo: Le robot qui suit son chemin appeared first on Speechi.

]]>
https://www.speechi.net/fr/2017/09/17/le-robot-guide-par-la-ligne/feed/ 0
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
Un jour, un robot éducatif en vidéo: le robot qui range les objets https://www.speechi.net/fr/2017/09/13/le-robot-a-bras-mecanique/ https://www.speechi.net/fr/2017/09/13/le-robot-a-bras-mecanique/#comments Wed, 13 Sep 2017 12:56:40 +0000 https://www.speechi.net/fr/?p=44256 Les robots industriels programmés sous Scratch Toujours dans la famille des robots industriels avec un robot qui voit son environnement de façon intelligente et…

The post Un jour, un robot éducatif en vidéo: le robot qui range les objets appeared first on Speechi.

]]>
Les robots industriels programmés sous Scratch

Toujours dans la famille des robots industriels avec un robot qui voit son environnement de façon intelligente et qui sait se positionner pour saisir des objets “mal rangés”, puis les traiter (ici, empaquetage).  Assez impressionnant, je trouve. Un algorithme que les élèves peuvent développer au collège avec des capteurs simples ou, de façon plus avancée, dans nos écoles de robotique Algora.

robot-educatif-apprendre-coder

Ci-dessus ; “L’école robot pour apprendre à coder – Le robot à bras mécanique”. Cliquez pour voir la vidéo. 

 

Des développements robotiques accessibles au collège

Ce robot est développé dans l’environnement Scratch / carte Arduino (Collège). Des versions Python ou C sont disponibles (Lycée).

The post Un jour, un robot éducatif en vidéo: le robot qui range les objets appeared first on Speechi.

]]>
https://www.speechi.net/fr/2017/09/13/le-robot-a-bras-mecanique/feed/ 1
Des ressources de mathématiques pour les 3eme sur Interagir https://www.speechi.net/fr/2017/09/13/des-ressources-de-mathematiques-pour-les-3eme-sur-interagir/ https://www.speechi.net/fr/2017/09/13/des-ressources-de-mathematiques-pour-les-3eme-sur-interagir/#comments Wed, 13 Sep 2017 09:47:52 +0000 http://www.speechi.net/fr/?p=12937 Après les 6eme, passons aux 3eme ! Voici la seconde partie du travail de Yannick Jerier, qui a transposé une…

The post Des ressources de mathématiques pour les 3eme sur Interagir appeared first on Speechi.

]]>
Ressources pédagogique pour 3emeAprès les 6eme, passons aux 3eme !

Voici la seconde partie du travail de Yannick Jerier, qui a transposé une partie de ses cours sur TBI.

Vous pouvez télécharger sa production gratuitement, mais aussi proposer les vôtres directement sur Interagir.fr.

Vous pouvez aussi le remercier en passant par notre page Facebook, ou nous poser toutes les questions qui vous traversent l’esprit.

Les ressources pour TBI à découvrir :

Agrandissement et réduction (effet sur les longueurs et les angles) : Objectif: Effet sur les longueurs et les angles.

Le Théorème de Thalès : Objectif : Introduction et application du Théorème.

Réciproque du Théorème de Thalès : Objectif: Introduction et application du théorème de Thalès.

Sphère et boule : Géométrie – Objectif : Introduction et description.

Sphère et boule (Aire et volume) : Géométrie- Objectif: Aire et volume

Trigonométrie : Sinus et tangente : Thème: Trigonométrie – Objectif: Introduire le sinus et la tangente d’un angle aigu.

The post Des ressources de mathématiques pour les 3eme sur Interagir appeared first on Speechi.

]]>
https://www.speechi.net/fr/2017/09/13/des-ressources-de-mathematiques-pour-les-3eme-sur-interagir/feed/ 0
“Speechi apprend à parler robot aux enfants” (La Voix du Nord / Lille Actu) https://www.speechi.net/fr/2017/09/12/speechi-apprend-a-parler-robot-aux-enfants/ https://www.speechi.net/fr/2017/09/12/speechi-apprend-a-parler-robot-aux-enfants/#comments Tue, 12 Sep 2017 08:21:47 +0000 https://www.speechi.net/fr/?p=45932 C’est le joli titre de l’article paru vendredi dans la Voix du Nord. Comme on apprenait le latin pour étudier…

The post “Speechi apprend à parler robot aux enfants” (La Voix du Nord / Lille Actu) appeared first on Speechi.

]]>
C’est le joli titre de l’article paru vendredi dans la Voix du Nord.

Comme on apprenait le latin pour étudier la médecine, la biologie ou le droit, on peut appréhender l’informatique en tant que matière fondamentale pour apprendre les mathématiques, la biologie, la chimie et même les sciences humaines avec le big data.

Lille Actu a aussi publié un article sur nos robots ainsi qu’une vidéo très sympa (voir ci-dessous).

robot-programmation-voix-du-nord

Les robots Speechi dans Lille Actu (vidéo)

The post “Speechi apprend à parler robot aux enfants” (La Voix du Nord / Lille Actu) appeared first on Speechi.

]]>
https://www.speechi.net/fr/2017/09/12/speechi-apprend-a-parler-robot-aux-enfants/feed/ 0
Des robots pour apprendre à programmer à l’école (Dans “20 minutes”) https://www.speechi.net/fr/2017/09/12/des-robots-pour-apprendre-a-programmer-a-lecole-dans-20-minutes/ https://www.speechi.net/fr/2017/09/12/des-robots-pour-apprendre-a-programmer-a-lecole-dans-20-minutes/#comments Tue, 12 Sep 2017 07:22:12 +0000 https://www.speechi.net/fr/?p=46056 Merci à “20 minutes” pour leur article très élogieux paru sur nos robots aujourd’hui (pdf).

The post Des robots pour apprendre à programmer à l’école (Dans “20 minutes”) appeared first on Speechi.

]]>
Merci à “20 minutes” pour leur article très élogieux paru sur nos robots aujourd’hui (pdf).

Robots dans 20mn

The post Des robots pour apprendre à programmer à l’école (Dans “20 minutes”) appeared first on Speechi.

]]>
https://www.speechi.net/fr/2017/09/12/des-robots-pour-apprendre-a-programmer-a-lecole-dans-20-minutes/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