De l'observation a la recommandation

1,097 views

Published on

Presentation a l'ecole thematique CNRS MOOC EIAH 2014

0 Comments
1 Like
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total views
1,097
On SlideShare
0
From Embeds
0
Number of Embeds
31
Actions
Shares
0
Downloads
21
Comments
0
Likes
1
Embeds 0
No embeds

No notes for slide

De l'observation a la recommandation

  1. 1. DEL'OBSERVATION AUX RECOMMANDATIONS MATHIEUD'AQUIN - @MDAQUIN KNOWLEDGEMEDIAINSTITUTE,THEOPEN UNIVERSITY
  2. 2. HIER Information | Résultats Information | Résultats Information Données v Résultats Information Données > Analyse > Résultats > Interpretation > Information Données Résultats ^ Information Résultats | Information Données Information
  3. 3. AUJOURD'HUI Information | Résultats Information | Résultats Information Données v Résultats Information Données > Analyse > Résultats > Interpretation > Information > Recommandation > Action/In Données Résultats ^ Information Résultats | Information Données Information
  4. 4. AUJOURD'HUI Information | Résultats Information | Résultats Information Données v Résultats Information Données > Analyse > Résultats > Interpretation > Information > Recommandation > Action/In Données Résultats ^ Information Résultats | Information Données Information
  5. 5. AUJOURD'HUI Information ... | Résultats Information ... | Résultats Information ... Données v Résultats Information ... Données > Analyse > Résultats > Interpretation > Information > Recommandation > Action/In Données Résultats ^ Information ... Résultats | Information ... Données Information ...
  6. 6. DONNÉESD'HIER POUR RECOMMANDATION D'AUJOURD'HUI voir d'Aquin et al. @ WebSci 2012
  7. 7. DONNÉESD'HIER POUR RECOMMANDATION D'AUJOURD'HUI voir d'Aquin et al. @ WebSci 2012
  8. 8. APPROCHEBASIQUEDERECOMMANDATION (SUR LES CONTENUS)
  9. 9. APPROCHEBASIQUEDERECOMMANDATION (SUR LES CONTENUS)
  10. 10. EXEMPLE:BBCLEARNING "MORELIKE THIS"
  11. 11. L'AUTREAPPROCHE:L'INTELLIGENCE COLLECTIVE
  12. 12. L'AUTREAPPROCHE:L'INTELLIGENCE COLLECTIVE
  13. 13. EXEMPLETYPIQUE:AMAZON
  14. 14. ÇAPEUTETREPLUSSIMPLE (TECHNIQUEMENT)... Avec des données pre-compilées...
  15. 15. KEYINFORMATIONSET
  16. 16. KEYINFORMATIONSET-COLLECTION
  17. 17. KEYINFORMATIONSET-COLLECTION
  18. 18. KEYINFORMATIONSET-COLLECTION
  19. 19. KEYINFORMATIONSET-COLLECTION
  20. 20. KEYINFORMATIONSET-USE
  21. 21. KEYINFORMATIONSET- RECOMMANDATION
  22. 22. ÇAPEUTAUSSIETREBEAUCOUP PLUS COMPLEXE Recommendation pas seulement de resources ! Analyser ce que font les etudiants pour predire leur succés Recommender aussi des interventions
  23. 23. OU ANALYSE
  24. 24. OU ANALYSE
  25. 25. UNPEUPLUSSURLA SIMILARITÉ
  26. 26. UNPEU PLUSSURLASIMILARITÉ Ça se resemble...
  27. 27. EXEMPLE:BBC
  28. 28. UNPEU PLUSSURLASIMILARITÉ C'est lié...
  29. 29. EXEMPLE:STUDYATTHEOU
  30. 30. EXEMPLE:TALISASPIRE
  31. 31. UNPEU PLUSSURLASIMILARITÉ Quand les resources sont hétérogènes...
  32. 32. UNPEU PLUSSURLASIMILARITÉ Quand les resources sont hétérogènes...
  33. 33. UNPEU PLUSSURLASIMILARITÉ Quand les resources sont hétérogènes...
  34. 34. EXEMPLE:DISCOU ( )DISCOU.INFO
  35. 35. EXEMPLE:DISCOU ( )DISCOU.INFO
  36. 36. EXEMPLE:DISCOU ( )DISCOU.INFO
  37. 37. EXEMPLE:DISCOU ( )DISCOU.INFO
  38. 38. EXEMPLE:DISCOU ALFA ( )DISCOU.INFO/ALFA
  39. 39. EXEMPLE:DISCOU ALFA ( )DISCOU.INFO/ALFA
  40. 40. ATTENTION:LESPIÈGESDE L'ANALYSEDEDONNÉES Parce ce que ce n'est pas simplement des techniques....
  41. 41. LESPIÈGESDEL'ANALYSEDEDONNÉES :DONNÉESPERSONELLES L'annonimisation n'est pas la meme chose que la pseudonymisation, et que la de-identifiçation... Et tout ça est trop souvent mal fait de toute facon. Collecter données personelles => CNIL/Data Protection Act L'argument "oui mais nous ont est gentils" ne compte pas. Attention à l'effet de bord du partage des données/résultats Un train peu en cacher un autre, des données publiées peuvent en impliquer des autres.
  42. 42. LESPIÈGESDEL'ANALYSEDEDONNÉES :PROPRIÉTÉ Données crées par le chercheur => propriété de l'employeur Données crées par l'utilisateur => co-propriété utilisateur/plateforme Données crées comme effet secondaire de l'utilisation => ????
  43. 43. LESPIÈGESDEL'ANALYSEDEDONNÉES :BIAISETINTERPRETATION La collection de données introduit un biais L'analyse de données introduit un biais L'interpretation de l'analyse introduit un biais La recommendation introduit un biais
  44. 44. LESPIÈGESDEL'ANALYSEDEDONNÉES :BIAISETINTERPRETATION
  45. 45. LESPIÈGESDEL'ANALYSEDEDONNÉES :BIAISETINTERPRETATION
  46. 46. LESPIÈGESDEL'ANALYSEDEDONNÉES :BIAISETINTERPRETATION
  47. 47. LESPIÈGESDEL'ANALYSEDEDONNÉES :BIAISETINTERPRETATION
  48. 48. LESPIÈGESDEL'ANALYSEDEDONNÉES :BIAISETINTERPRETATION
  49. 49. CONCLUSION/ FUTUR Problème du passé - j'aimerai bien faire quelque chose, mais je n'ai pas de données Problème de maintenant - j'ai plein de données, mais je ne sais pas quoi faire avec Problème du future - j'ai plein de données et d'outils, mais comment les gerer, y donner accés... et a qui (enseignant, aprennant, persone, mon gouvernement, la companie qui gere le MOOC) ?
  50. 50. MERCI mdaquin.net @mdaquin data.open.ac.uk LinkedUniversities.org discou.info

×