Dans cette période de transformation digitale du secteur de l’enseignement supérieur, la qualité de l’expérience d’apprentissage devient une priorité dans les offres proposées par les organismes de formation. Dans ces conditions, quelle méthode pédagogique permet de garantir, au moindre coût, une efficacité des apprentissages (rétention des savoirs, applications des connaissances) couplée à un engagement des apprenants (présence, participation, complétion des cours) ?

Parce que l’on ne comprend que ce que l’on pratique, le data challenge est une bonne réponse à ces enjeux.

Qu’est-ce qu’un data challenge ? 

Le principe est le suivant : une ou plusieurs entreprises soumettent une problématique complexe (ex. comment anticiper l’attrition ? comment prédire l’affluence à un événement ?) accompagnée d’un jeu de données qualifiées. Une communauté de chercheurs, étudiants et professionnels tente de résoudre cette problématique dans le cadre d’une compétition centrée sur la data. Les meilleures solutions font ensuite l’objet d’un transfert auprès de l’entreprise dans une perspective de valorisation.

Quels sont les avantages ? 

Les data challenges reposent sur une approche panoramique dans la mesure où sont ici traités, à la fois, les enjeux de résolution, d’innovation et d’appropriation. Les avantages d’un tel dispositif sont multiples (Mamavi et al., 2018).

Pour l’entreprise, tout d’abord, il permet de mobiliser une communauté d’experts autour de sa problématique spécifique, de bénéficier de solutions nombreuses et inattendues, et de repérer les meilleurs talents.

Pour les participants – qu’il s’agisse d’étudiants, chercheurs ou professionnels – la participation à un challenge offre l’opportunité d’accéder à des millions de données qualifiées, de monter en compétences, d’être repéré par une communauté d’experts, et de gagner un prix (une somme généralement conséquente pour le vainqueur mais négligeable pour l’entreprise au regard de la prestation perçue).

Le fait que les datas challenges s’inscrivent dans une logique de compétition favorise l’engagement des participants en raison de l’émulation collective et des incitations concrètes qui attendent les vainqueurs (Mamavi, 2019).

Quelques plateformes (à l’instar de Kaggle, Agorize ou encore Management & Data Science) proposent un environnement adapté pour maximiser l’efficacité pédagogique d’un data challenge. Les étudiants et formateurs bénéficient ainsi d’un espace ergonomique, collaboratif, dans le but de répondre aux mieux aux enjeux de l’entreprise sponsor (datalab, outils de calcul, master class, tutoriels, forums d’entraide, etc.).

L’ensemble du parcours d’apprentissage – de l’idéation à la préconisation – est par ailleurs soumis à un processus maillé de modalités d’évaluation qui permettent d’obtenir une juste appréciation du rythme de progression et d’acquisition des compétences. Les modalités d’évaluation sont multiples. Les apprenants sont évalués sur la base de leurs compétences comportementales (coopération, créativité, etc.), techniques (maitrise des outils et méthodes de calculs) et stratégiques (capacité à dépasser les autres participants pour être retenu par le jury final).

Kaggle ou encore Management & Data Science fournissent en outre un annuaire qui permet de faire figurer les différents participants en fonction de leurs compétences et de leur position au sein du classement final. L’enjeu étant de mettre en relation participants et marché sur la base de compétences éprouvés. Les meilleurs étudiants publient enfin sur Management & Data Science une étude de cas retraçant leur méthode de résolution dans le but d’enrichir les pratiques de la communauté, de favoriser les débats techniques, de promouvoir leurs compétences et celles de leurs institutions.

Un dispositif d’apprentissage par projet

La réalisation d’un data challenge doit amener les apprenants à mobiliser des connaissances, développer des compétences, acquérir une expérience et travailler en équipe. Elle permet de s’adapter à des situations réelles en mettant en œuvre une stratégie préalablement définie. Elle permet également aux apprenants de prendre confiance en eux par la réussite et la compréhension de leurs erreurs. Enfin, travailler sur un data challenge implique d’être confrontés à des résultats concrets et d’intégrer une logique de performance.

Mais au-delà de ces avantages, le data challenge s’inscrit dans une logique systémique dont la vocation est de valoriser les relations entre différentes parties prenantes (étudiants, chercheurs, entreprises, etc.) qui – dès lors qu’elles s’engagent dans un processus d’innovation ouverte – se révèlent mutuellement gagnantes. Il modifie la posture de chacun, l’espace de la classe, le lieu et le temps dédiés à l’apprentissage et son évaluation. La participation des entreprises pour aider à formuler les projets améliorent la pertinence des sujets et favorisent l’insertion ainsi que l’évolution professionnelle.

Afin de susciter la meilleure implication des apprenants, le rôle de l’enseignant est d’être un facilitateur et un coach. Il présente le problème, donne les instructions, motive, encourage et récompense les apprenants. Il sélectionne les ressources nécessaires, assure la recette des livrables et participe à l’évaluation des résultats. La relation entre le formateur et l’apprenant devient dès lors moins hiérarchique, et les liens entre apprenants renforce la motivation et l’entraide.

Les compétences acquises par les apprenants sont le produit de leurs expériences individuelles et collectives. A travers la résolution de problèmes complexes et concrets, l’apprenant est plongé dans un environnement professionnel (différent d’un stage) où il doit produire des livrables à partir desquels il pourra communiquer pour renforcer sa marque employé.

Un data challenge consiste, en résumé, à convertir un véritable processus d’innovation ouverte (Chesbrough, 2003) en contexte et levier d’apprentissage dans le but de faire vivre une expérience unique au service de la montée en compétences.