(. Lebis, Capitalisation of Analysis Processes : Enabling Reproducibility, Openess and Adaptability thanks to Narration, LAK '18 -8th International Conference on Learning Analytics and Knowledge, pp.245-254, 2018.
URL : https://hal.archives-ouvertes.fr/hal-01714184

(. Lebis, Approche narrative des processus d'analyses de traces d'apprentissage : un framework ontologique pour la capitalisation, Environnements Informatiques pour l'Apprentissage Humain, vol.1, 2017.
URL : https://hal.archives-ouvertes.fr/hal-01517145

, Filtrer les apprenants ayant vu la vidéo

, Compter les apprenants ayant vu la vidéo

, Compter le nombre total d'apprenants

, Cette notion d'étapes sera introduite et formalisée dans le Chapitre 8 suivant

, Formalisation de CAPTEN-FRUIT pour l'assistance à la recherche 134

, Section Ce qu'il faut retenir 141

. Lebis, Assistance à la réutilisation de processus d'analyse de traces d'apprentissage via une approche narrative et sémantique, Capitalisation of Analysis Processes : Enabling Reproducibility, Openess and Adaptability thanks to Narration". In : LAK '18 -8th International Conference on Learning Analytics and Knowledge, pp.245-254, 2017.

, Artifact Review and Badging, p.86, 2017.

M. Addis, J. Ferris, and M. Greenwood, Experiences with e-Science workflow specification and enactment in bioinformatics, Proceedings of UK e-Science All Hands Meeting, p.38, 2003.

. Advanced and . Learning, Experience API (xAPI) -TinCan, vol.27, p.97, 2013.

, SCORM Overview, 2018.

, xAPI Deep Dive : Extensions, 2018.

, xAPI Specification, p.27, 2018.

, xAPI Statement Data Model represented as RDF Classes and Properties, 2018.

, xAPI Vocabulary -Improving Semantic Interoperability of Controlled Vocabularies, vol.43, p.42, 2018.

L. Agnihotri, S. Mojarad, N. Lewkow, and A. Essa, Educational Data Mining with Python and Apache Spark : A Hands-on Tutorial, Proceedings of the Sixth International Conference on Learning Analytics & Knowledge. LAK '16, vol.124, p.83, 2016.

, GitHub -Educational Data Mining with Python and Apache Spark : A Hands-on Tutorial, 2019.

I. Altintas, C. Berkley, and E. Jaeger, Kepler : an extensible system for design and execution of scientific workflows, Proceedings. 16th International Conference on Scientific and Statistical Database Management, vol.39, p.38, 2004.

. Apereo-foundation, Open Learning Analytics Platform, 2016.

, Learning Analytics Processor, p.22, 2018.

F. Baader, D. Calvanese, D. L. Mcguinness, D. Nardi, and P. F. Patel-schneider, The Description Logic Handbook : Theory, Implementation, and Applications, p.59, 2003.

B. M. Baker, A conceptual framework for making knowledge actionable through capital formation, pp.14-16, 2007.

R. S. Baker and K. Yacef, The State of Educational Data Mining in 2009 : A Review and Future Visions, Journal of Educational Data Mining, vol.1, issue.1, p.111, 2009.

R. S. Baker, A. T. Corbett, K. R. Koedinger, and A. Z. Wagner, Game the System, Proceedings of the SIGCHI Conference on Human Factors in Computing Systems. CHI '04, pp.383-390, 2004.
URL : https://hal.archives-ouvertes.fr/hal-00190176

A. Bánáti, P. Kacsuk, and M. Kozlovszky, Minimal sufficient information about the scientific workflows to create reproducible experiment, 2015 IEEE 19th International Conference on Intelligent Engineering Systems (INES), vol.38, p.29, 2015.

, Investigation of the descriptors to make the scientific workflows reproducible, 2016 IEEE 17th International Symposium on Computational Intelligence and Informatics (CINTI), p.38, 2016.

A. Bandrowski, R. Brinkman, and M. Brochhausen, The Ontology for Biomedical Investigations, PLOS ONE 11, vol.4, p.53, 2016.

, Ontology for Biomedical Investigations, p.53, 2018.

S. Bechhofer, I. Buchan, and D. D. Roure, Why linked data is not enough for scientists, vol.50, p.53, 2013.

M. Beek and . Van-den, Workflow version managment, p.69, 2018.

K. Belhajjame, G. Klyne, D. Garijo, and . Verdejo, Wf4Ever Research Object Model 1, vol.177, p.54, 2013.

, Wf4Ever Research Object Model 1.0 -Workflow execution provenance, vol.49, p.48, 2013.

, Wf4Ever Research Object Model 1.0 -Workflow provenance, vol.46, p.45, 2013.

, Wf4Ever Ontologies, vol.57, pp.45-48, 2018.

K. Belhajjame, O. Corcho, and D. Garijo, Workflow-Centric Research Objects : First Class Citizens in Scholarly Discourse, Proceedings of the Second International Conference on the Future of Scholarly Communication and Scientific Publishing Sepublica, pp.53-55, 2012.

K. Belhajjame, M. Roos, and E. Garcia-cuesta, Why Workflows Break -Understanding and Combating Decay in Taverna Workflows, Proceedings of the 8th International Conference on E-Science, 2012.

D. C. Washington and . Usa, , vol.39, p.29

K. Belhajjame, J. Zhao, and D. Garijo, A Workflow PROV-corpus Based on Taverna and Wings, Proceedings of the Joint EDBT/ICDT 2013 Workshops. EDBT '13, pp.55-57, 2013.

K. Belhajjame, J. Zhao, and D. Garijo, Using a suite of ontologies for preserving workflow-centric research objects, Journal of Web Semantics, vol.32, issue.86, p.94, 2015.

M. Berland, R. S. Baker, and P. Blikstein, Educational data mining and learning analytics : Applications to constructionist research, Technology, Knowledge and Learning, vol.19, p.17, 2014.

M. R. Berthold, N. Cebron, and F. Dill, KNIME -the Konstanz Information Miner : Version 2.0 and Beyond, In : SIGKDD Explor. Newsl, vol.11, issue.1, p.160, 2009.

M. Bienkowski, M. Feng, and M. Barbara, Enhancing teaching and learning through educational data mining and learning analytics : An issue brief, Proceedings of Conference on Advanced Technology for Education, vol.13, p.16, 2014.

F. Bobillo and U. Straccia, The fuzzy ontology reasoner fuzzyDL, Knowledge-Based Systems, vol.95, p.61, 2016.

O. Bohl, J. Scheuhase, R. Sengler, and U. Winand, The sharable content object reference model (SCORM) -a critical review, p.26, 2002.

D. Bouhineau, S. Lalle, and V. Luengo, Share data treatment and analysis processes inTechnology enhanced learning, Workshop Data Analysis and Interpretation for Learning Environments, vol.80, p.28, 2013.
URL : https://hal.archives-ouvertes.fr/hal-00948796

D. Bouhineau, V. Luengo, N. Mandran, M. Ortega, and C. Wajeman, Conception et mise en place d'un entrepôt de traces et processus de traitement EIAH : UnderTracks, EIAH 2013 -6e Conférence sur les Environnements Informatiques pour l'Apprentissage Humain, vol.57, p.20, 2013.

S. Bowers, B. Ludäscher-;-de, L. Delcambre, C. Kop, H. C. Mayr et al., Actor-oriented design of scientific workflows, Conceptual Modeling -ER 2005. Sous la dir, p.51, 2005.

J. N. Breckenridge, Replicating cluster analysis : Method, consistency, and validity, Multivariate Behavioral Research, vol.24, pp.147-161, 1989.

B. Brodaric and M. Gahegan, Ontology Use for Semantic e-Science, p.50, 2010.

S. P. Callahan, J. Freire, and E. Santos, Managing the Evolution of Dataflows with VisTrails, 22nd International Conference on Data Engineering Workshops (ICDEW'06), p.210, 2006.

P. Champin, Y. Prié, A. Mille-;-de, G. Hébrail, L. Lebart et al., MUSETTE : a framework for Knowledge from Experience, Extraction et gestion des connaissances (EGC'2004), vol.22, p.12, 2004.
URL : https://hal.archives-ouvertes.fr/hal-00824598

B. Chandrasekaran and J. R. Josephson, The ontology of tasks and methods, Rapp. tech. SS-97-06. AAAI Spring Symposium, p.50, 1997.

M. A. Chatti, A. L. Dyckhoff, U. Schroeder, and H. Thüs, A reference model for learning analytics, International Journal of Technology Enhanced Learning, vol.4, issue.5-6, pp.318-331, 2012.

C. S. Choquet and . Iksal, Usage tracking language : a meta language for modelling tracks in tel systems, Proceedings of International Conference on Software Technologies. INSTICC, p.21, 2006.
URL : https://hal.archives-ouvertes.fr/hal-01434224

, Modélisation et construction de traces d'utilisation d'une activité d'apprentissage : une approche langage pour la réingénierie d'un EIAH". In : Sciences et Technologies de l'Information et de la Communication pour l'Éducation et la Formation 14, vol.32, p.30, 2007.

C. Choquet, V. Luengo, and K. Yacef, Usage Analysis in Learning Systems. Association for the Advancement of Computing in Education, p.21, 2009.
URL : https://hal.archives-ouvertes.fr/hal-00962090

P. Ciccarese, E. Wu, and G. Wong, The SWAN biomedical discourse ontology, Journal of Biomedical Informatics, vol.41, pp.51-53, 2008.

, Semantic Web Applications in Neuromedicine (SWAN) Ontology, vol.52, p.51, 2018.

D. Clow, An overview of learning analytics, Teaching in Higher Education 18, vol.6, pp.683-695, 2013.

, Coheris Analytics Spad, p.160, 2018.

A. Cooper, Learning Analytics Interoperability -a survey of current literature and candidate standards, vol.32, p.20, 2013.

O. Corby, R. Dieng-kuntz, and C. Faron-zucker, Querying the Semantic Web with Corese Search Engine, European Conference on Artificial Intelligence, vol.132, p.60, 2004.
URL : https://hal.archives-ouvertes.fr/hal-01531219

C. Bibliographie, O. , R. Dieng-kuntz, C. Faron-zucker, and F. Gandon, Ontology-based Approximate Query Processing for Searching the Semantic Web with Corese, vol.63, pp.59-61, 2006.

O. Corby, R. Dieng-kuntz, F. Gandon, and C. Faron-zucker, Searching the semantic web : Approximate query processing based on ontologies, IEEE Intelligent Systems, vol.21, p.60, 2006.
URL : https://hal.archives-ouvertes.fr/hal-01150215

R. Cyganiak, S. Field, A. Gregory, W. Halb, and J. Tennison, Semantic Statistics : Bringing Together SDMX and SCOVO, Proceedings of the WWW2010 Workshop on Linked Data on the Web, vol.628, p.50, 2010.

B. Dan and M. Libby, FOAF Vocabulary Specification 0, vol.99, p.43, 2014.

. Data and . Group, Data Mining Group, p.34, 2018.

, PFA -Motivation, p.36, 2018.

, PFA -Specification, vol.37, p.36, 2018.

, PFA -Tutorial 1 : Scoring Engines, p.36, 2018.

, PFA -Tutorial 2 : Programming, p.37, 2018.

, PMML Powered, vol.36, p.34, 2018.

, PMML Scope and Fields, 2018.

, Portable Format for Analytics, vol.42, p.36, 2018.

, Predictive Model Markup Language (PMML, vol.34, p.31, 2018.

, DataShop -Import Format, vol.27, p.20, 2010.

S. Dawson, S. Joksimovic, O. Poquet, and G. Siemens, Increasing the Impact of Learning Analytics, Proceedings of the 9th International Conference on Learning Analytics & Knowledge. LAK19, p.210, 2019.

T. De-nies, F. Salliau, R. Verborgh, E. Mannens, and R. Van-de-walle, TinCan2PROV : exposing interoperable provenance of learning processes through experience API logs, WWW'15 companion : proceedings of the 24th international conference on world wide web, vol.44, p.43, 2015.

D. De-roure, C. A. Goble, and G. Klyne, Towards the Preservation of Scientific Workflows, In proceedings of the 8th International Conference on Preservation of Digital Objects, p.39, 2011.

D. De-roure, C. Goble, and S. Aleksejevs, Towards open science : the myExperiment approach, Concurrency and Computation : Practice and Experience 22, vol.17, p.53, 2010.

D. De-roure, C. Goble, and R. Stevens, The design and realisation of the Experimentmy Virtual Research Environment for social sharing of workflows, Future Generation Computer Systems, vol.25, p.38, 2009.

E. Deelman, D. Gannon, M. Shields, and I. Taylor, Workflows and e-Science : An overview of workflow system features and capabilities". In : Future generation computer systems 25, vol.5, p.37, 2009.

D. Bibliographie, J. , T. Curk, and A. Erjavec, Orange : Data Mining Toolbox in Python, Journal of Machine Learning Research, vol.14, p.19, 2013.

M. C. Desmarais and R. S. Baker, A review of recent advances in learner and skill modeling in intelligent learning environments, User Modeling and User-Adapted Interaction, vol.22, issue.1-2, p.25, 2012.

A. Dimitrakopoulou, State of the art on Interaction and Collaboration Analysis. (D26.1.1) EU Sixth Framework programme priority 2, Information society technology, project ICALTS : Interaction & Collaboration Analysis, 2004.
URL : https://hal.archives-ouvertes.fr/hal-00190145

D. Crockford, JavaScript Object Notation, p.13, 2002.

L. P. Dringus, Learning analytics considered harmful, In : Journal of Asynchronous Learning Networks, vol.16, p.3, 2012.

D. Dubois and H. Prade, Fuzzy sets in approximate reasoning, Part 1 : Inference with possibility distributions, Fuzzy sets and systems 40.1, vol.62, p.59, 1991.

M. Düerst and M. Suignard, Internationalized Resource Identifiers (IRIs), p.121, 2005.

E. Duval, Attention please ! Learning analytics for visualization and recommendation, Proceedings of the 1st international conference on learning analytics and knowledge, p.27, 2011.

A. L. Dyckhoff, D. Zielke, M. Bültmann, M. A. Chatti, and U. Schroeder, Design and implementation of a learning analytics toolkit for teachers, Journal of Educational Technology & Society, vol.15, pp.58-76, 2012.

E. Data and . Society, Definition of EDM, 2018.

T. Elias, Learning Analytics : Definitions, Processes and Potential, pp.14-16, 2011.

. Escience and . Research-group, eScience Lab, p.38, 2018.

U. Fayyad, G. Piatetsky-shapiro, and P. Smyth, From data mining to knowledge discovery in databases, AI Magazine, vol.17, p.16, 1996.

R. Ferguson, Learning analytics : drivers, developments and challenges, International Journal of Technology, p.12, 2012.

C. Ferraris, A. Lejeune, L. Vignollet, and J. David, Modélisation de scénarios d'apprentissage collaboratifs pour la classe, Environnements Informatiques pour l'Apprentissage Humain, p.26, 2005.

S. Ferré, SQUALL : A Controlled Natural Language for Querying and Updating RDF Graphs, International Workshop on Controlled Natural Language, p.195, 2012.

J. Freire, D. Koop, E. Santos, and C. T. Silva, Provenance for Computational Tasks : A Survey, In : Computing in Science Engineering, vol.10, p.45, 2008.

J. Freire, C. T. Silva, and S. P. Callahan, Managing Rapidly-Evolving Scientific Workflows, International Provenance and Annotation Workshop, vol.210, p.115, 2006.

D. Gajiro and Y. Gil, Open Provenance Model for Workflows Ontology, vol.48, p.110, 2010.

. Galaxy-project, Galaxy Project Stat, p.39, 2018.

. Bibliographie,

D. Garijo and Y. Gil, A new approach for publishing workflows : abstractions, standards, and linked data, Proceedings of the 6th workshop on Workflows in support of large-scale science, vol.53, p.47, 2011.

, Augmenting PROV with Plans in P-PLAN : Scientific Processes as Linked Data, Proceedings of the 2nd International Workshop on Linked Science. CEUR Workshop Proceedings, vol.114, pp.51-53, 2012.

. Gartner, Planning Guide for Data Analytics, p.82, 2018.

Y. Gil, E. Deelman, and M. Ellisman, Examining the Challenges of Scientific Workflows, Computer 40, vol.12, p.37, 2007.

C. A. Goble, J. Bhagat, and S. Aleksejevs, myExperiment : a repository and social network for the sharing of bioinformatics workflows, Nucleic acids research 38, vol.2, p.130, 2010.

C. A. Goble and D. C. De-roure, myExperiment : social networking for workflow-using e-scientists, Proceedings of the 2nd workshop on Workflows in support of large-scale science, vol.48, p.55, 2007.

J. Goecks, A. Nekrutenko, and J. Taylor, Galaxy : a comprehensive approach for supporting accessible, reproducible, and transparent computational research in the life sciences, Genome biology 11.8, R86 (cf, vol.39, p.38, 2010.

. Google, Polymer Project, 2019.

W. Greller and H. Drachsler, Translating learning into numbers : A generic framework for learning analytics, Journal of Educational Technology & Society, vol.15, pp.42-57, 2012.

R. Grossman, S. Bailey, and A. Ramu, The management and mining of multiple predictive models using the predictive modeling markup language, Information and Software Technology, vol.41, p.34, 1999.

T. R. Gruber, A translation approach to portable ontology specifications, Knowledge acquisition 5, vol.2, p.42, 1993.

N. Guarino, Formal ontology in information systems, Proceedings of the first international conference (FOIS'98), 1998.

A. Guazzelli, K. Stathatos, and M. Zeller, Efficient deployment of predictive analytics through open standards and cloud computing, ACM SIGKDD Explorations Newsletter, vol.11, issue.1, p.35, 2009.

A. Guazzelli, M. Zeller, W. Lin, and G. Williams, PMML : An open standard for sharing models, The R Journal, vol.1, issue.1, p.34, 2009.

J. C. Guides-in-metrology and . For, International Vocabulary of Metrology-Basic and General Concepts and Associated Terms. Rapp. tech. (cf, p.86, 2008.

P. Hájek, Metamathematics of fuzzy logic, p.62, 1998.

A. Haller, E. Oren, and P. Kotinurmi, m3po : An Ontology to Relate Choreographies to Workflow Models, 2006 IEEE International Conference on Services Computing (SCC'06), p.49, 2006.

M. Hausenblas, W. Halb, Y. Raimond, L. Feigenbaum, and D. Ayers, Scovo : Using statistics on the web of data, The Semantic Web : Research and Applications, p.51, 2009.

K. M. Hettne, K. Wolstencroft, and K. Belhajjame, Best Practices for Workflow Design : How to Prevent Workflow Decay, vol.50, p.48, 2012.

M. Hofmann and R. Klinkenberg, RapidMiner : Data mining use cases and business analytics applications. Chapman et Hall/CRC (cf, vol.19, p.18, 2013.

D. Huff and I. Geis, How to Lie With Statistics. W. W. Norton & Company (cf, p.17, 1993.

H. G. Hummel, J. Manderveld, C. Tattersall, and R. Koper, Educational modelling language and learning design : new opportunities for instructional reusability and personalised learning, IJLT 1, p.26, 2004.

H. Bibliographie and E. , Idées directrices pour une phénoménologie et une philosophie phénoménologique pures, Éditions Gallimard, p.89, 1950.

. Ibm, IBM SPSS -User Guide -Statistics Core System, 2018.

, IEEE Standard for Learning Object Metadata -IEEE Std 1484, IEEE, vol.12, pp.1-2002, 2002.

, eScience International Conference, p.37, 2018.

P. Ihantola, A. Vihavainen, and A. Ahadi, Educational Data Mining and Learning Analytics in Programming : Literature Review and Case Studies, Proceedings of the 2015 ITiCSE on Working Group Reports. ITICSE-WGR '15, vol.87, pp.41-63, 2015.

S. Iksal, Observation engineering based on prescription in TEL Environments, p.22, 2012.
URL : https://hal.archives-ouvertes.fr/tel-00991970

. Ims and . Learning-consortium, Learning Design specification, 2003.

, Caliper ontology, 2018.

, IMS Caliper Analytics Implementation Guide, p.27, 2018.

, IMS Learning Design Best Practice and Implementation Guide, 2018.

, Initial xAPI/Caliper Comparison, p.27, 2018.

, Real-time, Cross Application Educational Data and Analytics, vol.27, 2018.

. Iso, ISO/TS 17369 :2005 Statistical data and metadata exchange (SDMX), 2005.

H. Jeong and G. Biswas, Mining Student Behavior Models in Learning-byTeaching Environments, Educational Data Mining, p.17, 2008.

K. Kambatla, G. Kollias, V. Kumar, and A. Grama, Trends in big data analytics, Journal of Parallel and Distributed Computing, vol.74, pp.2561-2573, 2014.

B. Kämpgen and A. Harth, Transforming statistical linked data for use in OLAP systems, Proceedings of the 7th international conference on Semantic systems, p.57, 2011.

E. E. Kerre and M. De-cock, Linguistic modifiers : an overview, Fuzzy logic and soft computing, vol.138, p.62, 1999.

C. D. Kloos, A. Essa, H. Drachsler, and P. J. Muñoz-merino, Workshop on Applied and Practical Learning Analytics, vol.124, p.83, 2018.

T. Kluyver, B. Ragan-kelley, and F. Pérez, Jupyter Notebooks -a publishing format for reproducible computational workflows, Positioning and Power in Academic Publishing : Players, Agents and Agendas. Sous la dir, p.39, 2016.

K. R. Koedinger, R. S. Baker, and K. Cunningham, A data repository for the EDM community : The PSLC DataShop, Handbook of educational data mining 43, vol.57, p.27, 2010.

J. L. Kolodner, An introduction to case-based reasoning, Artificial Intelligence Review, vol.6, p.211, 1992.

C. Kong-win, B. , M. Lefevre, N. Guin, and P. Champin, SPARE-LNC : un langage naturel contrôlé pour l'interrogation de traces d'interactions stockées dans une base RDF, Rennes, p.195, 2015.

J. Laflaquière, Digital trace-based system design in virtual documentary spaces, vol.22, p.1, 2009.

C. Lagoze, H. Van-de, P. Sompel, and . Johnston, Open Archives Initiative Object Reuse and ExchangeSpecification, 2008.

. Learnsphere, , p.29, 2018.

, A community data infrastructure to support learning improvement online, 2018.

, Tigris GitHub, p.29, 2018.

, Tigris : online worflow authoring tool, vol.88, p.131, 2018.

. Tigris-worflow-components,

A. Lebis, Vers une capitalisation des processus d'analyse de traces, Rencontres Jeunes Chercheurs en EIAH (RJC-EIAH 2016), vol.173, p.147, 2016.
URL : https://hal.archives-ouvertes.fr/hal-01336850

, Assistance à la réutilisation de processus d'analyse de traces d'apprentissage via une approche narrative et sémantique, Septièmes Rencontres Jeunes Chercheurs en EIAH (RJC EIAH 2018), vol.163, p.129, 2018.

, Analysis Processes Editor -Home Page, p.147, 2018.

, Analysis Processes Editor -Prototype, p.147, 2018.

, ATOM -Expérimentation : Données expérimentales, p.181, 2018.

, CAPTEN -GitHub Home Page, vol.163, p.154, 2018.

, MANTA -Expérimentation : Données expérimentales, 2018.

A. Lebis, M. Lefevre, V. Luengo, and N. Guin, Towards a Capitalization of Processes Analyzing Learning Interaction Traces, 11th European Conference on Technology Enhanced Learning (EC-TEL 2016). T. 9891. Lecture Notes in Computer Science, vol.173, p.147, 2016.
URL : https://hal.archives-ouvertes.fr/hal-01336851

, Approche narrative des processus d'analyses de traces d'apprentissage : un framework ontologique pour la capitalisation, Environnements Informatiques pour l'Apprentissage Humain, vol.107, p.153, 2017.

, Capitaliser les processus d'analyse de traces d'e-learning". In : Méthodologies et outils pour le recueil, l'analyse et la visualisation des traces d'interaction -ORPHEE-RDV, vol.147, p.93, 2017.

, Capitalisation of Analysis Processes : Enabling Reproducibility, Openess and Adaptability thanks to Narration, LAK '18 -8th International Conference on Learning Analytics and Knowledge, vol.107, p.153, 2018.

, CAPTEN : Ontology, vol.115, p.114, 2018.

T. Lebo, S. Sahoo, and D. Mcguinness, PROV-O : The PROV Ontology, vol.44, p.43, 2013.

C. Lee, Fuzzy logic in control systems : fuzzy logic controller. I, IEEE Transactions on systems, man, and cybernetics 20, vol.2, p.62, 1990.

S. Liaw, Investigating students' perceived satisfaction, behavioral intention, and effectiveness of e-learning : A case study of the Blackboard system, Computers & Education, vol.51, p.12, 2008.

C. Lim, S. Lu, A. Chebotko, and F. Fotouhi, Prospective and retrospective provenance collection in scientific workflow environments, 2010 IEEE International Conference on Services Computing. IEEE, p.45, 2010.

B. Ludäscher, I. Altintas, and C. Berkley, Scientific workflow management and the Kepler system, Concurrency and Computation : Practice and Experience 18, vol.10, p.50, 2006.

V. Lukarov, M. A. Chatti, and H. Thüs, Data Models in Learning Analytics, CEUR Workshop Proceedings 1227, p.13, 2014.

K. Lund and A. Mille, Traces, traces d'interactions, traces d'apprentissages : définitions, modèles informatiques, structurations, traitements et usages, Analyse de traces et personnalisation des environnements informatiques pour l'apprentissage humain. Hermès, p.12, 2009.

I. Lykourentzou, I. Giannoukos, G. Mpardis, V. Nikolopoulos, and V. Loumos, Early and dynamic student achievement prediction in e-learning courses using neural networks", In : Journal of the Association for Information Science and Technology, vol.60, p.15, 2009.

N. Mandran, M. Ortega, V. Luengo, and D. Bouhineau, UnderTracks, vol.56, p.28, 2013.
URL : https://hal.archives-ouvertes.fr/hal-00868943

, DOP8 : merging both data and analysis operators life cycles for technology enhanced learning, Proceedings of LAK'15. ACM, vol.16, p.85, 2015.

P. Mates, E. Santos, J. Freire, and C. T. Silva, Crowdlabs : Social analysis and visualization for the sciences, Scientific and Statistical Database Management, p.38, 2011.

A. Merceron and K. Yacef, Interestingness measures for association rules in educational data, 1st International Conference on Educational Data Mining, p.13, 2008.

D. T. Michaelides, R. Parker, C. Charlton, W. J. Browne, and L. Moreau, Intermediate Notation for Provenance and Workflow Reproducibility". In : Provenance and Annotation of Data and Processes, p.46, 2016.

P. Missier, S. C. Dey, K. Belhajjame, V. Cuevas-vicenttín, and B. Ludäscher, D-PROV : Extending the PROV Provenance Model with Workflow Structure, 5th USENIX Workshop on the Theory and Practice of Provenance (TaPP 13). USENIX Association (cf, vol.49, p.53, 2013.

H. Mitx, HarvardX-MITx Person-Course Academic Year 2013 De-Identified dataset, version 2.0 (cf, vol.14, p.13, 2014.

L. Moreau, The foundations for provenance on the web, Foundations and Trends in Web Science, vol.2, p.50, 2010.

L. Moreau, B. Clifford, and J. Freire, The open provenance model core specification (v1. 1)". In : Future Generation Computer Systems 27, vol.6, p.48, 2011.

L. Moreau, J. Freire, and J. Futrelle, The open provenance model : An overview, International Provenance and Annotation Workshop, p.48, 2008.

L. Moreau, P. Missier, and K. Belhajjame, Prov-dm : The prov data model, 2013.

. Myexperiment, , p.38, 2015.

, MyExperiment -About, p.39, 2015.

. Mygrid, myGrid -About us, 2008.

N. Bibliographie and . Group, Common Format and MIME Type for Comma-Separated Values (CSV) Files, p.12, 2005.

R. Nkambou, R. Mizoguchi, and J. Bourdeau, Advances in intelligent tutoring systems, Springer Science & Business Media (cf, p.12, 2010.
URL : https://hal.archives-ouvertes.fr/hal-00699845

M. J. Noru?is, SPSS base system user's guide. Prentice Hall (cf, vol.28, p.18, 1990.

S. Nunn, J. Avella, T. Kanai, and M. Kebritchi, Learning Analytics Methods, Benefits, and Challenges in Higher Education : A Systematic Literature Review, Online Learning 20, vol.2, p.15, 2016.

D. Oberle, S. Lamparter, and S. Grimm, Towards ontologies for formalizing modularization and communication in large software systems, Applied Ontology, vol.1, issue.2, p.46, 2006.

. Object and . Group, Business Process Model and Notation Specification Version 2.0, p.39, 2011.

T. Oinn, M. Addis, and J. Ferris, Taverna : a tool for the composition and enactment of bioinformatics workflows, Bioinformatics 20, vol.17, p.38, 2004.

T. Oinn, M. Greenwood, and M. Addis, Taverna : lessons in creating a workflow environment for the life sciences, Concurrency and Computation : Practice and Experience 18, vol.10, pp.1067-1100, 2006.

U. O'reilly, N. Et, and . Hoffman, Sharing In LearnSphere, Study Report. Rapp. tech, p.29, 2017.

K. Page, R. Palma, and P. Holubowicz, From workflows to Research Objects : an architecture for preserving the semantics of science, Proceedings of the Second International Workshop on Linked Science. T. 10. Citeseer (cf, vol.108, p.48, 2012.

Z. Papamitsiou and A. A. Economides, Learning Analytics and Educational Data Mining in Practice : A Systematic Literature Review of Empirical Evidence, Journal of Educational Technology & Society, vol.17, p.15, 2014.

F. Perez and B. E. Granger, IPython : A System for Interactive Scientific Computing, Computing in Science Engineering 9, vol.3, p.39, 2007.

J. Pernin, LOM, SCORM et IMS-Learning Design : ressources, activités et scénarios". In : Colloque sur L'indexation des ressources pédagogiques numériques. T. 16, p.26, 2004.

J. Pivarski, C. Bennett, and R. L. Grossman, Deploying analytics with the portable format for analytics (PFA), Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, vol.37, p.36, 2016.

, Formaliser la connaissance, PRAXADEMIA, p.42, 2015.

P. Hubble, URL : http: //hubblelearn.imag.fr/?lang=fr (visité le 30 sept. 2018) (cf, vol.81, p.131, 2016.

. Hubble-plateforme, , 2018.

R. Queirós and J. P. Leal, A Survey on eLearning Content Standardization, Information Systems, E-learning, and Knowledge Management Research, p.26, 2013.

R. Development and . Team, R : A Language and Environment for Statistical Computing, Foundation for Statistical Computing, vol.19, p.15, 2008.

. Rapidminer, Global Search in RapidMiner Studio, 2018.

, RapidMiner Studio Manual, vol.56, p.19, 2018.

C. Reffay, M. Betbeder, and T. Chanier, Multimodal learning and teaching corpora exchange : lessons learned in five years by the Mulce project, International Journal of Technology Enhanced Learning, vol.4, issue.1-2, p.19, 2012.
URL : https://hal.archives-ouvertes.fr/edutice-00718392

R. Bibliographie, C. , J. R. Romero, and S. Ventura, A Survey on Pre-Processing Educational Data, Educational Data Mining : Applications and Trends, p.16, 2014.

C. S. Romero and . Ventura, Educational Data Mining : A Review of the State of the Art, IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews) 40, vol.6, p.16, 2010.

C. Romero, S. Ventura, and E. García, Data mining in course management systems : Moodle case study and tutorial, Computers & Education, vol.51, p.12, 2008.

C. Romero, S. Ventura, M. Pechenizkiy, and R. S. Baker, Handbook of Educational Data Mining, vol.82, p.1, 2010.

, Process Mining from Educational Data, Handbook of Educational Data Mining, p.19, 2010.

C. Romero, S. Ventura, A. Zafra, P. De, and . Bra, Applying Web usage mining for personalizing hyperlinks in Web-based adaptive educational systems, Computers & Education, vol.53, p.15, 2009.

E. H. Rosch, Natural categories, Cognitive psychology 4.3, vol.94, p.90, 1973.

E. Sanchez, Fuzzy logic and the semantic web. T. 1. Elsevier Science (cf, p.59, 2006.

C. Scheidegger, D. Koop, and E. Santos, Tackling the provenance challenge one layer at a time, Concurrency and Computation : Practice and Experience 20, vol.5, p.44, 2008.

L. Settouti, N. Guin, V. Luengo, and A. Mille, Trace-Based Learner Modelling Framework for TechnologyEnhanced Learning Systems, IEEE International Conference on Advanced Learning Technologies. Sous la dir. de COMPUTER SOCIETY PUBLICATIONS, p.31, 2010.
URL : https://hal.archives-ouvertes.fr/hal-00948754

, Adaptable and Reusable Query Patterns for Trace-Based Learner Modelling, EC-TEL 2011 -6th European Conference on Technology Enhanced Learning : towards ubiquitous learning, p.31, 2011.

L. S. Settouti, Y. Prié, A. Mille, and J. Marty, Systèmes à base de traces pour l'apprentissage humain, Communication in the international TICE, Technologies de l'Information et de la Communication dans l'Enseignement, vol.23, p.22, 2006.

G. Siemens, Connectivism : A learning theory for the digital age, 2005.

, Learning analytics : envisioning a research discipline and a domain of practice, Proceedings of the 2nd international conference on learning analytics and knowledge, p.12, 2012.

G. Siemens and R. S. Baker, Learning analytics and educational data mining : towards communication and collaboration, Proceedings of the 2nd international conference on learning analytics and knowledge, pp.252-254, 2012.

G. Siemens, D. Gasevic, and C. Haythornthwaite, Open Learning Analytics : an integrated & modularized platform. Rapp. tech. SolAR (cf, vol.28, p.26, 2011.

G. Siemens and P. Long, Penetrating the Fog : Analytics in Learning and Education, In : EDUCAUSE review, vol.46, p.15, 2011.

S. Slade and P. Prinsloo, Learning analytics : Ethical issues and dilemmas, American Behavioral Scientist, vol.57, issue.2, pp.1510-1529, 2013.

A. W. Smeulders, M. Worring, S. Santini, A. Gupta, and R. Jain, Content-based image retrieval at the end of the early years, IEEE Transactions on Pattern Analysis & Machine Intelligence, vol.12, p.50, 2000.

L. N. Soldatova and R. D. King, An ontology of scientific experiments, Journal of the Royal Society Interface, vol.3, issue.11, p.51, 2006.

J. F. Sowa, Conceptual Structures : Information Processing in Mind and Machine, p.60, 1984.

, Reality check on reproducibility, SPRINGER NATURE, vol.86, p.18, 2016.

S. Bibliographie, S. , and R. Studer, Handbook on ontologies, vol.109, p.42, 2010.

J. Stamper, K. Koedinger, and P. Jr, Educational Data Analysis Using LearnSphere Workshop, 9th International Conference on Educational Data Mining -Workshop, vol.35, p.29, 2016.

J. C. Stamper, K. R. Koedinger, and R. S. Baker, Managing the Educational Dataset Lifecycle with DataShop, International Conference on Artificial Intelligence in Education, pp.557-559, 2011.

. Stato, Correlation coefficient semantic, p.116, 2018.

, The Statistics Ontology, p.49, 2018.

D. Suthers and D. Rosen, A Unified Framework for Multi-level Analysis of Distributed Learning, Proceedings of the 1st International Conference on Learning Analytics and Knowledge. LAK '11, pp.64-74, 2011.

M. Terdjimi, HyLAR-Reasoner v.1.8.3, 2019.

M. Terdjimi, L. Médini, and M. Mrissa, HyLAR : Hybrid Location-Agnostic Reasoning, ESWC Developers Workshop, p.163, 2015.
URL : https://hal.archives-ouvertes.fr/hal-01154549

E. Trillas and L. Eciolaza, Fuzzy logic : an introductory course for engineering students, T, vol.320, p.61, 2015.

L. Tsantis and J. Castellani, Enhancing learning environments through solution-based knowledge discovery tools : Forecasting for self-perpetuating systemic reform, Journal of Special Education Technology, vol.16, p.80, 2001.

M. Vahdat, Learning analytics and educational data mining for inquiry-based learning, p.31, 2017.

M. Vahdat, A. Ghio, and L. Oneto, Advances in learning analytics and educational data mining, ESANN 2015 proceedings : European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning, p.12, 2015.

F. Van-harmelen, V. Lifschitz, and B. Porter, Handbook of knowledge representation, T, vol.1, p.55, 2008.

K. Verbert, H. Drachsler, and N. Manouselis, Dataset-driven research for improving recommender systems for learning, Proceedings of the 1st International Conference on Learning Analytics and Knowledge, p.19, 2011.

K. Verbert, N. Manouselis, H. Drachsler, and E. Duval, Dataset-Driven Research to Support Learning and Knowledge Analytics, Journal of Educational Technology & Society, vol.15, p.31, 2012.

J. C. Vidal, T. Rabelo, and M. Lama, Semantic Description of the Experience API Specification, 2015 IEEE 15th International Conference on Advanced Learning Technologies, p.43, 2015.

M. Volle, Le métier de statisticien, vol.57, p.16, 2001.

W. Bruce-croft-donald-metzler and T. S. , Search Engines : Information Retrieval in Practice. Pearson (cf, vol.59, p.57, 2009.

, OWL 2 Web Ontology Language Document Overview, p.42, 2012.

, RDF Schema 1.1, p.42, 2014.

, RDF Schema -Syntax NS, p.117, 2014.

E. Wagner and P. Ice, Data changes everything : Delivering on the promise of learning analytics in higher education, In : EDUCAUSE Review, vol.47, p.26, 2012.

T. White, Hadoop : The Definitive Guide. 1st. O'Reilly Media, Inc. (cf, p.36, 2009.

D. H. Widyantoro and J. Yen, A fuzzy ontology-based abstract search engine and its user studies, IEEE International Conference on Fuzzy Systems. T. 3. IEEE, p.62, 2001.

I. H. Witten, E. Frank, M. A. Hall, and C. J. Pal, Data Mining : Practical machine learning tools and techniques, vol.19, p.18, 2016.

C. Wroe, C. Goble, and A. Goderis, Recycling workflows and services through discovery and reuse, Concurrency and Computation : Practice and Experience 19, vol.2, p.38, 2007.

J. Yen, Generalizing Term Subsumption Languages to Fuzzy Logic, Proceedings of the 12th International Joint Conference on Artificial Intelligence. T. 1. IJCAI'91. Sydney, vol.62, p.59, 1991.

L. A. Zadeh, Fuzzy sets, In : Information and Control, vol.8, p.61, 1965.

L. A. Zadeh, Quantitative fuzzy semantics, Information sciences 3.2, vol.134, p.62, 1971.

. Bibliographie,

, Initialisation du processus Dans la 2 nde zone, cliquez sur l'onglet " + " afin d'indiquer au système que vous souhaitez commencer à créer un processus d'analyse. Vous verrez apparaître un nouvel onglet

, Définition des données relatives aux traces d'apprentissage

, La première chose à faire consiste à définir les données nécessaires (ou plutôt le type des données) que vous utiliserez. Cliquez sur le bouton " Listes Initiales

. Cliquez-sur-le-bouton, Créer une nouvelle liste, et remplissez les champs requis avec les informations relatives à vos types de données. Dans notre exemple, nous pouvons ainsi créer une liste "MOOC_avec_video". N'oubliez pas de valider. La liste apparaît alors avec 0

, Cliquez sur la liste qui vient d'apparaître. Vous pouvez maintenant ajouter des éléments à cette liste. Il faut en ajouter deux (le temps et les apprenants). Cliquez sur " Ajouter un élément " pour ajouter le premier élément

, Ajouter un élément", vous spécifiez donc deux données nécessaires impératives à votre processus d'analyse. Notez que lors de leur création, les nouvelles données ont un nom attribué par défaut du style "autoElementX

, Pour sélectionner une donnée nécessaire, il suffit de cliquer dessus

, Le fait de sélectionner un élément permet d'appliquer les actions

, Modifiez le nom des deux données créées. Appelez par exemple l'une "temps

, La zone de modification ne s'ouvre qu'après sélection d'un élément. Notez que renommer

O. Ajouter-un,

, La première étape de notre processus d'analyse étant un filtre temporel sur des données temporelles, il faut ajouter "temps" à l'étape courante via " Utiliser l'élément

, Vous pouvez fermer la fenêtre

, Si vous ajoutez malencontreusement plus d'un élément, vous pouvez retirer ceux en trop en fermant la fenêtre, en sélectionnant -pour chaque élément indésirable -l'élément à supprimer puis en cliquant sur

, Opérateurs" recense toutes les actions (opérations) que notre outil est capable de gérer (actuellement) et qu'il sera capable d, Ensuite, il nous faut matérialiser l'action que l'on va appliquer sur ce type de données

, Cliquez sur l'opérateur "Filtre temporel" pour le sélectionner

, Lorsque vous sélectionnez un opérateur dans la liste, toutes ses informations sont accessibles

, Utilisez l'opérateur sélectionné en cliquant sur " Utiliser cet opérateur

L. Fait and D. , avoir suffisamment d'entrées pour un opérateur dans une étape génère automatiquement le résultat

, Le fait de cliquer sur le bouton ajoute directement l'opérateur à l'étape courante. Vous ne pouvez ajouter qu'un seul opérateur à chaque fois

, Si vous désirez remplacer l'opérateur de l'étape courante, il suffira d'utiliser un autre opérateur qui remplacera l'ancien

, Cliquez sur "ok" pour fermer la fenêtre d'alerte, puis cliquez sur le bouton "Fermer". Vous revenez alors sur l

, Un opérateur génère toujours une ou plusieurs listes calculées

, Ce n'est pas toujours le cas, nous appliquons un filtre temporel : cette action n'est pas destructrice sur les types de données présents dans les traces

, Configurer l'opérateur

, Afin de configurer l'opérateur pour cibler la période, cliquez sur le bouton vert de l'opérateur dans l'étape courante

, En cliquant sur un opérateur dans une étape, vous avez accès à un récapitulatif vous permettant de savoir si oui ou non l'opérateur est bien configuré

, Lorsqu'il manque des informations capitales (ou qu'il est surconfiguré), le bouton "Opérateur

, Cliquez sur " Configuration

, Il y a deux manières de paramétrer un opérateur. La première est celle que nous allons utiliser. La seconde pourra s'effectuer lors de l'instanciation

, le format étant en JJ/MM/AAAA. Le paramètre 0 sera donc à JJ-7/MM/AAAA et le paramètre 1 à JJ/MM/AAAA. N'oubliez pas de valider les changements

, Dans la prochaine version du prototype, les paramètres et leurs noms seront plus explicites

, Les paramètres vont être utilisés lors de l'instanciation. Ils n'ont pas d'impact dans la zone de création du processus

, Remarquez qu'il est possible de changer le nom de la liste produite en double-cliquant sur la liste dans la colonne Outputs

, Vous venez de finir la première étape de votre processus d'analyse

, Ajouter un autre opérateur

. Maintenant, place à la deuxième et dernière étape. Cliquez sur " +, vol.1

, Vous pouvez créer autant d'étapes que vous le voulez. Celles incomplètes sont indiquées en orange. Notez que vous pouvez également les supprimer

, Vous pouvez renommer les étapes via le bouton

, Le second opérateur de notre processus d'analyse devra compter le nombre d'apprenants restant dans le créneau temporel défini. Pour ce faire, il ne faut pas utiliser "idApprenant" de la liste initiale, mais celui de la liste générée à l'étape 1. Cliquez sur " Listes calculées

, Si vous aviez utilisé l'"idApprenant" de votre liste initiale, vous auriez compté tous les apprenants, qu'importe la date associée. Là, vous utilisez les "idApprenant

, Une fenêtre s'ouvre avec la liste produite à l'étape 1. Un simple clic sur le nom de la liste affiche les informations de cette liste, un double clic fait apparaître les options de manipulation de la liste. Sélectionnez "idApprenant

, Les listes calculées vous permettent donc de réutiliser les productions des différents opérateurs

, À l'étape N, vous pouvez utiliser toutes les productions des étapes N-1. Vous pouvez créer de cette manière des processus complexes

, Si vous avez ajouté trop de fois un élément, ou que vous l'avez ajouté dans une mauvaise étape, vous pouvez toujours le supprimer

, Compter Distinct" est un opérateur permettant de ne compter qu'une fois le même élément. Ainsi, lors de l'instanciation, s'il y a 4 fois l'apprenant avec l'id 777

G. Dans-ce, un cercle est la représentation d'une "feuille" (i.e. étape) du processus d'analyse. Toutes les feuilles

, Si une feuille utilise des données issues d'une autre feuille, alors cette dépendance est matérialisée par une flèche entre les deux cercles qu'il faut lire

, Sur une flèche entre un cercle A et un cercle B apparaît le nom des plates-formes qui supportent l'opérateur défini dans la feuille A

, Visualisation spécifique" en fonction des plates-formes d'analyse de traces supportant les opérations. Les étapes non supportées sont grisées et les étapes non configurées ne sont pas affichées

, Vous avez terminé d'exprimer toutes les étapes de votre processus d'analyse. Maintenant, il faut choisir lesquelles conserver. Pour ce faire, cliquez sur "Sélection des étapes

L. , instanciation de ce processus n'est pas implémentée pour l'instant, mais devrait par la suite vous permettre de décrire l'indicateur produit, de lier ce processus avec vos traces réelles et d'avoir la notice permettant de l'instancier sur la ou les plate(s)-forme(s) que vous aurez choisie(s)

. Questionnaire-À-remplir,

, Cas 2 : Mise en oeuvre de votre processus d'analyse

. Maintenant, vous allez tenter de mettre en oeuvre par vous-même le processus que vous avez décrit dans la première partie de l'expérimentation. Le but est de matérialiser, dans l'outil, la réflexion que vous avez eue lorsque vous avez

, Il faut d'abord isoler la semaine désirée. Puis, parmi tous les apprenants disponibles, filtrer ceux qui ont vu la vidéo, puis les compter. Ensuite, compter le nombre total d'apprenants. Et pour finir diviser le nombre d'apprenants ayant vu la vidéo par le nombre total d'apprenants, Si vous avez des difficultés pour formaliser votre processus, vous pouvez vous référer à la section ci-dessous

, Pour ce faire, rechargez la page "create_gap.html" et recommencez les manipulations faites pour le processus précédent

, Feuille d'évaluation expérimentale -IFé-JJ/MM/AAAA *Obligatoire 1. Prénom : 2. Nom : 3. Métier * 4. Cas n° : * Données nécessaires

, Quelle est votre ressenti face à une plate-forme ne faisant qu'exprimer un processus d'analyse ? *

, Avez-vous compris la notion de données nécessaires ? * Une seule réponse possible

, Oui Non 7. Justifiez votre choix

, Pensez-vous que travailler avec les "données nécessaires" suffisent à exprimer un processus d'analyse ? * Il ne s'agit ici que de l'expression

, Justifiez votre choix : Listes 10

, Avez-vous compris la notion de listes initiales ? * Une seule réponse possible

, Oui Non 11, Justifiez votre choix, p.12

, Avez-vous compris la notion de listes calculées ? * Une seule réponse possible

, Justifiez votre choix : 16. Avez-vous compris comment utiliser ces listes calculées ? * Une seule réponse possible

, Justifiez votre choix : 18. Pensez-vous qu'ajouter de la sémantique aux listes pourrait être utile lors de la description d'un processus d'analyse ? * Une seule réponse possible

, Justifiez votre choix : Opérateurs 20. La notion d'opérateur est-elle claire ? * Une seule réponse possible

, Justifiez votre choix : 22. La notion d'entrée d'un opérateur est-elle claire ? * Une seule réponse possible

, Justifiez votre choix : 24. La notion de sortie d'un opérateur est-elle claire ? * Une seule réponse possible

, Justifiez votre choix : 26. La notion de paramètrage de l'opérateur est-elle claire ? * Une seule réponse possible

, Justifiez votre choix

C. Justifiez-votre, Identifiez-vous bien le processus d'analyse tel que représenté dans la 2ème zone (zone de description + graphe) ? * La zone de description est la zone où vous placez les opérateurs et les données nécessaires, p.42

, Justifiez votre choix : 44. Pressentez-vous des limitations quant à cette approche ? * Une seule réponse possible

, Justifiez votre choix : Général -1/2

, La notion d'étape vous a-elle parue assez claire ? * Une seule réponse possible

, Justifiez votre choix : 48. Le graphe de visualisation vous a-t-il aidé ? * Une seule réponse possible

, Justifiez votre choix : Général 2/2 50. Voyez-vous l'intêret d'une telle approche ? * Une seule réponse possible

, Justifiez votre choix : 52. Êtes-vous intéressé par cette approche ? * Une seule réponse possible

, Justifiez votre choix : 54. Pensez-vous pouvoir exprimer tous vos processus de cette manière (en considérant un jeu plus important d'opérateurs) ? * Une seule réponse possible

, Justifiez votre choix : 56. Pensez-vous que cet outil peut servir d'alternative à une solution papier ? * Une seule réponse possible

, Justifiez votre choix : 58. Pensez-vous que cet outil peut permettre d'être plus explicite vis-à-vis du demandeur ? * Une seule réponse possible

, Justifiez votre choix

, Ci-dessous le lexique des éléments principaux que vous serez amenés à rencontrer dans CAPTEN : ? Narrated Analysis Process / Processus d'analyse narré (NAP) : un processus d'analyse narré décrit une analyse réalisée, de manière conceptuelle : il est constitué d'opérations narrées (opérateurs et processus), d'éléments narratifs, pp.présentés ci-après

, Narrated Operator / Opérateur narré (NOP) : un opérateur narré représente un concept d'opération à appliquer. Par exemple, un opérateur de régression linéaire, une addition

, Narrated Operation / Opération narrée : une opération narrée peut être soit un opérateur narré

, Ces graphes servent à représenter l'état des variables avant et après l'application des opérations narrées, mais aussi à offrir un environnement contrôlé autour d'un vocabulaire standardisé pour partager les informations. ? Concept (or Node ) / Concept : il s'agit des variables de la trace, Ainsi, le haut niveau conceptuel de CAPTEN s'établit sur les variables et non plus sur les valeurs/données atomiques de ces variables

?. Property, Propriété (ou Relation) : il s'agit des liens qui existent entre les variables de la trace. Faire ressortir ces relations permet d'apporter des informations importantes sur l'analyse et son contexte

/. Step, Étape : C'est une étape lors de l'analyse. Elle est constituée d'une opération narrée (pouvant être configurée), du graphe de concepts sur lequel cette opération narrée est appliquée et du graphe résultant

, ? Narrative Element / Élément narratif : il s'agit d'une information contrôlée, qui est sémantiquement définie. Elle est attachée à un élément de l'analyse par une relation

?. Pattern, Patron : l'effet d'une opération narrée sur un ensemble de concepts est définie par deux graphes de concepts, appelés patrons. L'un définit quels concepts sont attendus en entrée, l'autre représente quels concepts seront obtenus

, Relevant Concepts / Connaissances : les connaissances sont des concepts, appartenant à un graphe de concepts, identifiés comme étant ce qui est recherché -le ou les objectifslors de l'analyse

, Le prototype que vous allez utiliser expérimente une méthode pour proposer aux analystes un moyen de capitaliser leurs processus d'analyse. Autrement dit, mettre à disposition pour la communauté ses processus d'analyse pour permettre leur reproductibilité, ainsi que de pouvoir les adapter pour les réutiliser dans des contextes différents

, La zone centrale (N) regroupe à la fois les éléments narratifs de l'opération

, Il représente les concepts issus de l'opération appliquée sur les concepts initiaux

L. Pour-résumer and . De-cette-Étape, on représente le fait d'utiliser une opération définie par l'utilisateur pour obtenir quelles réponses sont correctes ou non. Le patron d'entrée de cette opération attend deux concepts prédéfinis, et est appliqué sur le graphe de concepts initial

, Cliquez sur le bouton avec la double flèche violette, tout à droite de l'écran, pour accéder à l'étape qui suit directement l'étape courante. Vous arrivez alors à l'étape Obtenir le nombre de Reponse Correcte pour chaque Etudiant. De la même manière que décrit précédemment, on représente le fait de vouloir compter le nombre de bonnes réponses pour, à la fin

, Cliquez encore une fois sur le bouton avec la double flèche. Cette fois-ci, l'étape se concentre sur compter le nombre d'échecs

, Pour conclure, cliquez une dernière fois sur le bouton avec la double flèche. Il s'agit de l'étape indiquant comment obtenir la proportion recherchée lors de l'analyse. Le point intéressant ici est le concept identifié comme "connaissance" dans le graphe de sortie de cette dernière étape

D. ,

, Un point rapide sur les opérateurs narrés Un opérateur narré permet donc de représenter des opérations atomiques/simples, ou bien d'indiquer qu'il existe une analyse qui prend tel concept en entrée et qui, en sortie

L. Page-d'un-opérateur-est-là-aussi-séparée-en and . Deux, La première partie est la partie liée à la narration. La deuxième partie permet d'exprimer son patron d'entrée (sur quels concepts appliquer cette opération semble être cohérent), quels concepts de sortie sont attendus, Ces deux patrons sont exprimés sous forme de graphes

E. Dans-notre, si nous nous considérons la première étape de Note Etudiant QCM , il s'avère en réalité que l'opération utilisée est un autre processus d'analyse

, vous pouvez distinguer des informations sur l'implémentation de cet opérateur au sein d'un outil d'analyse (ici, Undertracks). La Figure 9 montre tous les éléments narratifs liés à l

, Déroulez les éléments narratifs liés à l'implémentation dans Undertracks pour en apprendre davantage, comme de quel opérateur il s'agit dans cet outil

, La Figure 10 montre l'utilisation de cet opérateur au sein d'UnderTracks, en suivant les informations présentes. C'est à vous -pour le moment -d'aller chercher l'opérateur dans l'outil de votre choix, Les informations narrées vous assistent pour savoir si vous êtes

, Éléments narratifs dédiés à l'implémentation avec Undertracks de l'opération d'enrichissement conditionnel, p.14

, Réutilisation du processus d'analyse narré Detection de la justesse ou du caractere errone des Reponse dans Undertracks. La fenêtre en premier plan montre l'utilisation de l'opérateur Fun en suivant l'exemple d'implémentation fournie par les éléments narratifs. La fenêtre en second plan montre l'agrégation des deux étapes du processus d'analyse narré en une seule

, Pourquoi ? 61. Aviez-vous une idée de comment réaliser votre analyse ? * Une seule réponse possible, p.60

, Oui Non 62. Saviez-vous quel(s) outil(s) utiliser et comment ? * Une seule réponse possible

, Avez-vous réussi à réaliser l'analyse ? * Une seule réponse possible. Je n'ai pas su quoi faire lorque j'étais en autononomie Passez à la question 68, Oui Non 63. Lesquels ? * 64. Pourquoi ? 2eme Besoin -Réalisation, vol.65

, rencontré des difficultés qui m'ont empêché de finir l'analyse lorsque j'étais en autonomie Passez à la question 68. J'ai réussi à terminer le processus d'analyse lorsque j'étais en autonomie Passez à la question 66