Learning Analytics for the understanding of learning processes in online learning environments

L’éducation change en termes de ce qui est appris et de contexte dans lequel l'apprentissage a lieu. Cela peut être en grande partie lié aux exigences en constante évolution du marché du travail actuel. En outre, la disponibilité des technologies de l'information a modifié les limites traditionnelles de l'éducation en matière de temps, d'espace et d'accès à l'information. Du point de vue de la pédagogie, la combinaison de ces deux phénomènes constitue un grand défi pour les chercheurs et les pédagogues qui doivent mettre en œuvre une pédagogie qui réponde aux exigences du contexte actuel de l'apprentissage (Ng, 2015). Le modèle de conception pédagogique à quatre composantes (modèle 4C/ID; van Merriënboer et al., 2002) est un modèle de conception pédagogique basé sur la recherche qui s'est avéré efficace pour promouvoir l’ apprentissage complexe. Néanmoins, offrir un environnement d'apprentissage en ligne basé sur un modèle de conception pédagogique basé sur la recherche n'est pas nécessairement une garantie de son efficacité. Comme l'apprenant est un agent actif dans le processus d'apprentissage en ligne, l'efficacité des environnements d'apprentissage dépend largement des caractéristiques cognitives et motivationnelles-affectives de l'étudiant. Afin d'étudier les caractéristiques qui peuvent influencer l'efficacité d'un cours en ligne basé sur les 4C/ID et la manière dont l'efficacité peut être facilitée, le projet de recherche actuel a été divisé en deux pistes de recherche. Sur la base de trois études, la première piste de recherche a examiné l'influence des caractéristiques cognitives et motivationnelles-affectives des étudiants sur l'efficacité des environnements d'apprentissage en ligne. Plus particulièrement, les études 1 et 2 ont examiné l'influence de l'acceptation de la technologie par les étudiants et la perception de la qualité de l'enseignement par les étudiants. En outre, l'étude 3 a examiné l'influence des connaissances antérieures et des caractéristiques motivationnelles des élèves sur les différentes utilisations des composantes et les résultats de l'apprentissage. Les résultats des études 1 et 2 révèlent l'importance de l'acceptation des technologies par les étudiants et de la perception de la qualité de l'enseignement sur respectivement la quantité et la qualité de l'utilisation et les résultats d'apprentissage des étudiants. En outre, les résultats de l'étude 3 indiquent que (1) les connaissances antérieures et la motivation intrinsèque des étudiants peuvent influencer les différences d'utilisation et que (2) les connaissances antérieures des étudiants et les différences d'utilisation des composantes influencent positivement les résultats d'apprentissage des étudiants. Par conséquent, la piste de recherche 1 indique que les différences individuelles peuvent influencer l'efficacité d'un environnement d'apprentissage en ligne. Néanmoins, des recherches antérieures indiquent que l'influence des différences individuelles peut être modéré en alignant l'environnement d'apprentissage sur les besoins d'apprentissage des étudiants. Afin d'aligner le cours en ligne sur les besoins d'apprentissage des étudiants, nous devrions être en mesure de détecter le processus d'apprentissage au cours de l'apprentissage complexe en ligne. Par conséquent, la deuxième piste de la recherche a examiné dans deux études si des données physiologiques liées à la peau (études 4 et 5) et les données physiologiques cardiovasculaires (étude 5) peuvent être utilisées pour évaluer la charge cognitive pendant le processus de résolution de problèmes en ligne. Les résultats de l'étude 4 révèlent que les changements de charge cognitive peuvent être détectés par l'EDA lorsque les différences de charge cognitive sont élevées. Les résultats de l'étude 5 semblent indiquer que la surcharge cognitive induit un stress qui a été évalué via la température de la peau et la fréquence cardiaque.The current learning landscape is evolving in terms of what is learned and the context in which learning takes place. This can largely be related to the continuously changing requirements of today’s labor market. Additionally, the availability of information technology has changed the traditional educational boundaries of time, space, and informational access. From an instructional design perspective, the combination of both phenomena poses a great challenge for researchers and instructional designers to implement instruction that meets the requirements of the current learning landscape (Ng, 2015). A research-based instructional design model that has proven to be effective in promoting complex learning is the four-component instructional design model (4C/ID-model; van Merriënboer et al., 2002). Nonetheless, offering an online learning environment based on a research-based instructional design model is not necessarily a guarantee for its effectiveness. As the learner is an active agent in the online learning process, the effectiveness of learning environments largely depends on student cognitive and motivational-affective characteristics. In order to investigate characteristics that can influence the effectiveness of a 4C/ID-based online course and how effectiveness can be facilitated, the current research project was divided into respectively research track 1 and 2. On the basis of three studies, research track 1 examined the influence of students’ cognitive and motivational-affective characteristics. More particularly, Study 1 and 2 investigated the influence of students’ technology acceptance and students’ perceptions of instructional quality. Additionally, study 3 investigated the influence of students’ prior knowledge and motivational characteristics. Findings of study 1 and 2, reveal the importance of students’ technology acceptance and perceived instructional quality on respectively the quantity and quality of use and students’ learning outcomes. Additionally, findings of study 3 indicate that (1) students’ prior knowledge and task value can influence differences in use and that (2) students’ prior knowledge and differences in use positively influences students’ learning outcomes. As a result, research track 1 indicates that individual differences can influence the effectiveness of a 4C/ID-based online course. Nonetheless, former research indicates that the influence of individual differences can be reduced by aligning the learning environment with students’ learning needs. In order to align the online course with students’ learning needs, we should be able to detect learning process during online complex learning. Consequently, research track 2 explored in two studies whether physiological measures such as skin response measures (Study 4 and 5) and cardiovascular measures (Study 5) can be used to assess cognitive load during the online problem-solving process. Findings of study 4 reveal that changes in cognitive load can be detected by electrodermal activity when differences in cognitive load are high. Findings of study 5 appear to indicate that cognitive overload induces stress which was assessed via skin temperature and heart rate