DataShop & Tatiana: expériences communes de deux outils de partage de données et d’analyses

1. DataShop & Tatiana:expériences communes de deux outils de partage de données et d’analyses Gregory Dyke, John Stamper, Carolyn Rosé Carnegie Mellon University / PSLC

2. Plan • PSLC DataShop • Tatiana • Quelles similarités? Quelles leçons en tirer?

3. PSLC DataShop

4. Utilisation

5. Concepts • Problem • Composé de Step • Step • Partie différentiable et évaluable d’un problème • Transaction • 1 étudiant + 1 step • Indice / autre • KC (knowledge component) • Compétence ou connaisance • Knowledge Model • Mapping entre step et KC

6. Outils • Manipulation de corpus • Import/Export • Selection de sous-corpus • Analyses • Courbes d’apprentissage • Rapport d’erreurs • Profil de performances

7. Courbe d’apprentissage

8. Rapport d’erreurs

9. Profil de performance

10. Actualité / avenir • Services web • Autres types de données • Intégration d’informations supplémentaires • Compétitions (e.g. SIGKDD) • http://pslcdatashop.org

11. Tatiana

12. Concepts • Environnement de manipulation de rejouables • séquence d’évènements (« lignes ») • chaque événement a des facettes (« colonnes ») • Date, UID • Operations (= points d’extension/API) • Visualisation (application d’une feuille de style) • Transformation (créer nouveaux rejouables) • Synchronisation (coordination de visualisations) • Enrichissement (ajout de colonnes ou de relations sur rejouables existants)

14. Utilisation • Lyon, Paris, Denmark, Netherlands, England, Hong-Kong, USA, Corée • Médiatisé par ordinateur, face à face, les deux • Blogs, forums, chat, text editing, graphs, video, etc. • Co-conception, argumentation, prise de notes, FLE, biologie, chimie, rédaction • Workshops Multivocality @ CSCL/Alpine RDV/ICLS • Extensible et disponible: • http://code.google.com/p/tatiana

15. Conclusions communes?

16. Pourquoi partager? • Répondre à nos propres besoins d’analyse • Partage entre chercheurs • Analyse collaborative • Mise à disposition de données existantes • Quantité et puissance statistique • Coût de collecte • Educational data mining • Analyses à la croisée d’épistémologies

17. Que partager ? Données qui rentrent dans un certain moule: • DataShop • ITS = juste/faux, annoté KC (facultatif) • Petit grain, longue durée • Analyses « typiques » de ces données • Tatiana • Processus interactifs (particulièrement CSCL) • Coordination de représentations et d’annotations • Données peu structurées faisant sens pour le chercheur • Analyse manuelle/assistée

18. Comment partager ? • Données + contexte pour réutilisation • DataShop • Depôt de données • Application web • Tatiana • Logiciel standalone (import+export corpus) • Accepter des pré-réquis de base • Transactions, steps, KC, etc. • Rejouables, tranformations, visualisations, etc. • Proposition d’outils exploitant ces préréquis

19. Facteurs de réussite ? • Facilité d’import/export • Avec minima pré-réquis • En gardant données supplémentaires • Être l’utilisateur primaire • Fournir les fonctionnalités équivalentes aux outils ad-hoc existants • Fournir des fonctionnalités supplémentaires « gratuites » • Donner le moyen d’exploiter ce qui va « au-delà » du minima • Plateforme avec données mises à disposition • Evènements et workshops • Financements adéquats (et pérennes)