Pons, Mika (2026) Exploitation des outils de gestion de version pour accompagner la décision enseignante dans l'animation des séquences pédagogiques. École doctorale Mathématiques, Informatique et Télécommunications (Toulouse).

Preview

Text Download (9MB) | Preview

Abstract

L’enseignement supérieur fait face, au cours des dernières décennies, à une augmentation des effectifs rendant difficile le suivi individualisé des étudiant·es. Ce défi est particulièrement prégnant lors des séances de travaux pratiques (TP), où l’enseignant·e doit accompagner un grand nombre d’étudiant·es simultanément. Dans le contexte des TP de programmation, les outils de gestion de version, incontournables dans l’industrie, ont naturellement intégré les cursus pour former les étudiant·es aux pratiques professionnelles. Cependant, les enseignant·es ne disposent pas des outils nécessaires pour exploiter les traces d’apprentissage brutes issues de ces outils, difficilement visualisables et interprétables pour la prise de décision dans leur forme actuelle et pour de grands groupes d’étudiant·es.Cette thèse, conduite selon une méthodologie de recherche orientée par la conception (Design-Based Research), explore la problématique suivante : (QR1) Comment concevoir un Learning Analytics Dashboard (LAD) pour enseignant·es, s’appuyant sur les traces générées par les outils de gestion de version, afin de proposer des visualisations actionnables soutenant la prise de décision enseignante en temps réel ? Une première contribution, Git4School, est un tableau de bord proposant des visualisations actionnables de l’activité des étudiant·es en TP à partir de leurs dépôts Git. Une étude qualitative basée sur les retours d’expérience d’enseignant·es l’ayant utilisé dans 5 cours différents (du DUT au Master), a validé sa pertinence aux yeux des enseignant·es pour l’orchestration des séances et l’identification de profils d’étudiant·es. Cependant, une étude quantitative fondée sur le Process Mining a révélé les limites des traces générées manuellement par les étudiant·es : elles ne permettent pas de mettre en lumière les comportements d’apprentissage au cours de la résolution des exercices. Ce constat a mené à notre seconde problématique, divisée en deux questions de recherche : (QR2.1) Comment rendre les traces générées plus nombreuses, fiables et riches sur la base des événements de modifications de fichiers de sorte à pouvoir identifier des comportements d’apprentissage complexes ? (QR2.2) Comment garantir que la génération de traces améliorée ne perturbe ni les activités de l’étudiant·e ni celles de l’enseignant·e ? Une deuxième contribution, LAWG, propose un système interactif de génération de traces semi-automatiques encapsulant l’environnement de travail des étudiant·es tout en préservant l’intégrité de leur travail. Son évaluation à différents niveaux, une expérimentation en contexte écologique suivie d’analyses statistiques, couplée à une analyse quantitative par Process Mining, a permis de détecter le respect ou non de protocoles de développement attendus, tels que le TDD (Test-Driven Development).En conclusion, nos travaux présentent plusieurs contributions. D’une part, la conception et le développement de deux logiciels fonctionnels et open-source, déployables en l’état, dont les expérimentations ont démontré leur intérêt pour l’aide à la prise de décision enseignante dans le contexte de TP de programmation utilisant Git comme logiciel de gestion de version. D’autre part, des recommandations pour la conception d’outils de génération automatique de traces fines s’appuyant sur un logiciel de gestion de version. Enfin, nos perspectives de recherche visent à coupler ces contributions pour offrir un environnement plus complet de supervision, à compléter ces analyses par la collecte intégrée de données subjectives sur l’expérience vécue par les étudiant·es quant à la réalisation de la tâche d’apprentissage, et à envisager la généralisation de ces outils à d’autres contextes d’enseignement.

Higher education has faced increasing enrollment numbers over the last decades, making individualized student tracking complex. This challenge is particularly acute during practical sessions, where teachers must support a large number of students simultaneously. In the context of programming practicals, Version Control Systems, essential in the industry, have naturally been integrated into curricula to train students in professional practices. However, teachers lack the necessary tools to exploit the raw learning traces from these systems, which are difficult to visualize and interpret for decision-making in their current form and for large student cohorts.This thesis, conducted using a Design-Based Research methodology, explores the following problem: (RQ1) How to design a LAD for teachers, relying on traces generated by version control tools, to propose actionable visualizations supporting real-time teacher decision-making? A first contribution, Git4School, is a dashboard offering actionable visualizations of student activity during practicals based on their Git repositories. A qualitative study based on feedback from teachers using it in 5 different courses (from undergraduate to master’s level) validated its relevance for session orchestration and student profiling. However, a quantitative study based on Process Mining revealed the limitations of manually generated traces: they fail to highlight learning behaviors during exercise resolution. This finding led to our second problem, divided into two research questions: (RQ2.1) How to make generated traces more numerous, reliable, and rich based on file modification events so as to identify complex learning behaviors? (RQ2.2) How to ensure that improved trace generation disrupts neither the student’s nor the teacher’s activities?A second contribution, LAWG, proposes an interactive semi-automatic trace generation system encapsulating the students’ work environment while preserving the integrity of their work. Its evaluation at different levels, an experiment in an ecological context followed by statistical analyses, coupled with a quantitative analysis using Process Mining, successfully allowed for the detection of adherence to expected development protocols, such as TDD (Test-Driven Development).In conclusion, this work presents several contributions. On the one hand, the design and development of two functional and open-source software tools, deployable as is, whose experiments have demonstrated their value for teacher decision support in the context of programming practicals using Git as a version control system. On the other hand, recommendations for the design of fine-grained automatic trace generation tools based on a version control system. Finally, our research perspectives aim to couple these contributions to offer a more complete supervision environment, to complement these analyses with the integrated collection of subjective data on the students’ lived experience regarding the learning task, and to consider the generalization of these tools to other teaching contexts.