Alors que l’avenir du travail est de plus en plus axé sur les données, plusieurs questions se posent naturellement. Comment pouvons-nous préparer notre main-d’œuvre à être plus qualifiée pour travailler avec les données?
La politique de l’UE a suivi les tendances du marché, en mettant en commun les investissements pour une économie fondée sur les données. Cette approche prévoit un partage accru des données au sein des écosystèmes organisationnels qui consolident et créent une nouvelle valeur à partir des données. Avec son cadre juridique, la Commission européenne s’efforce de s’assurer que tout cela se déroule de manière équitable, ouverte et sécurisée.
Mais comment cela affectera-t-il nos emplois actuels? Quelles compétences aurons-nous besoin pour participer à cette économie fondée sur les données? Cet article donne un aperçu de la façon dont les données sont utilisées pour définir notre travail futur.
Octet par octet: quelques contextes
Chaque fois que nous interagissons avec nos appareils numériques, nous créons des données — peu de traces numériques d’informations numériques qui disent quelque chose sur notre interaction avec l’appareil. Il peut s’agir d’informations sur ce sur quoi nous avons cliqué, sur les pages Web que nous avons ouvertes, sur le texte que nous avons écrit, sur les endroits que nous avons visités ou sur l’endroit où nous avons passé un appel téléphonique.
Toutes ces traces numériques ensemble peuvent nous donner un aperçu complet de notre comportement en ligne. Les données sont de plus en plus utilisées pour mieux comprendre le comportement humain pour diverses raisons. Et de plus en plus de celui-ci est collecté. Selon les estimations, le volume mondial des données augmentera de plus de 500 % d’ici 2025. Les entreprises utilisent les données pour mieux comprendre leurs clients et améliorer leurs produits et services. Les gouvernements l’utilisent pour améliorer les effets de leurs décisions politiques. Les individus peuvent également utiliser les données pour les aider à mieux gérer leurs tâches quotidiennes. Exemple? Faites un tour du bloc et voyez le nombre de personnes avec des montres intelligentes autour de vous. Si vous en utilisez un pour surveiller l’activité que vous êtes pendant la journée, pour surveiller vos statistiques vitales, ou pour utiliser des applications qui suivent la fréquence à laquelle vous êtes en ligne, vous utilisez les données pour obtenir des informations.
Avec le transfert du stockage de données vers le Cloud, il devient techniquement plus facile de rassembler différents types de données, ainsi que des données provenant de différentes sources, ce qui pourrait donner lieu à un aperçu beaucoup plus complet. Cela réduit les difficultés des entreprises à utiliser ces données pour créer plus de valeur — que ce soit pour elles-mêmes, pour les autres ou avec leurs partenaires de l’écosystème commercial.
Les données dans le monde des affaires
Les données sont donc de plus en plus perçues comme une source essentielle de revenus par les entreprises. Mais quelles données sont utiles et comment parviennent-ils à collecter ces données de manière sécurisée et sécurisée? Dans cette section, nous approfondissons le fait que les données deviennent un atout et un produit de base pour les entreprises, et comment elles sont réglementées par les décideurs de l’UE.
Données, données, données… Quelles données?
Il existe différentes façons de catégoriser les données. Nous discutons ici de deux catégorisations qui présentent un intérêt pour la stratégie européenne plus large en matière de données.
Une première distinction concerne le lien entre les données et une personne individuelle: données à caractère personnel vs données à caractère non personnel. Les données personnelles sont toutes les données qui sont (ou peuvent être) liées à une personne: un nom, des données d’identité (par exemple, numéros de carte, etc.), des données relatives à la santé, des données de localisation, etc. Certaines données personnelles peuvent être sensibles. Il s’agit d’une catégorie distincte qui doit être traitée avec des conditions supplémentaires, car une mauvaise utilisation de ces données peut entraîner des situations blessantes, indésirables ou même dangereuses. Le règlement général sur la protection des données (RGPD) spécifie les données sensibles (Commission européenne, 2023a). Les données non personnelles sont toutes les autres données qui peuvent être collectées. À titre d’exemple, on peut citer les données sur l’utilisation quotidienne des transports publics, la consommation d’énergie dans un foyer ou le nombre d’enseignants dans une zone donnée.
Une deuxième distinction concerne les organisations qui collectent des données: données industrielles et données publiques. Par données industrielles, nous entendons tous les types de données collectées par des entreprises privées. Comme de plus en plus d’entreprises créent des produits numériques, les entreprises ont la possibilité de collecter facilement des données personnelles et non personnelles qu’elles pourront ensuite utiliser pour créer plus de valeur pour leurs consommateurs et pour elles-mêmes, ce qui peut donner un avantage concurrentiel. Des exemples de données industrielles non personnelles que vous pouvez connaître et utiliser comprennent l’utilisation quotidienne des transports publics (par exemple sur Google Maps), ou des données sur la consommation d’énergie dans votre maison recueillies par votre fournisseur d’énergie. Les gouvernements recueillent également des données pour éclairer leurs décisions politiques et fournir des services numériques. Le partage de ce type de données présente plusieurs avantages. Par exemple, les données publiques pourraient être utilisées par les entreprises pour créer des services et des produits de meilleure qualité et plus pertinents. Les utilisateurs individuels pourraient améliorer leur prise de décision sur la base de données réelles: par exemple, décider quand allumer leur machine à laver pour optimiser la consommation d’énergie à la maison.
En d’autres termes, différents types de données pourraient être utiles à des fins différentes pour différentes parties prenantes. Cela signifie qu’en créant plus d’opportunités de partage de données, il est possible de créer plus de valeur. Cependant, le partage comporte des risques:
- Utilisation abusive des données à caractère personnel
- Utilisation abusive de données sensibles
- Mauvaise utilisation de la position par les entreprises de plateformes qui ont un rôle important sur Internet.
- Inégalités entre les utilisateurs individuels et les grandes entreprises
Ce sont là quelques-uns des risques que le règlement politique européen tente de gérer et de prévenir. Le règlement le plus connu en vigueur est le règlement général sur la protection des données (RGPD), qui spécifie différents types de données et réglemente les droits et obligations des particuliers et des entreprises en matière de traitement des données. La loi sur les marchés numériques (DMA), adoptée par la Commission européenne en 2023, précise les caractéristiques des «gardiens d’accès» (plateformes en ligne détenues par des entreprises privées qui ont un accès énorme et étendu aux données en raison de leur rôle sur Internet) et réglemente la manière dont elles sont autorisées à utiliser les données uniques auxquelles elles ont accès. La législation sur les services numériques (Commission européenne, 2023c) contribue à protéger tous les utilisateurs de services numériques et précise comment les contrôleurs d’accès doivent lutter contre toute utilisation abusive de leur plateforme (par exemple, lorsque des biens illégaux sont vendus via leur plateforme ou si la désinformation/la désinformation est partagée). La loi européenne sur la gouvernance des données (Commission européenne, 2023f) et la loi sur les données de l’UE (Commission européenne, 2023d) — en cours de formulation — visent à supprimer les obstacles au partage des données, mais d’une manière qui préserve le contrôle des particuliers et des petites organisations. Une autre priorité est que le partage des données peut favoriser la création de plus d’incitations pour que les gens investissent dans la production de données.
En bref, la politique européenne vise à aider les organisations (et en particulier les PME) à investir et à capitaliser sur leurs stratégies de données. Il facilite un partage de données plus équitable et plus sûr entre les individus et les organisations de différentes tailles et rôles, afin de créer plus de valeur pour eux-mêmes et pour les citoyens européens. Les entreprises réévaluent donc de plus en plus leurs activités commerciales pour voir comment les données qu’elles génèrent peuvent potentiellement créer une nouvelle valeur pour leur entreprise.
Comment les entreprises utilisent-elles les données — et à quelles fins?
Les entreprises utilisent les données de différentes manières pour créer de la valeur commerciale. En grande partie, nous pouvons distinguer deux voies:
- Utiliser les données pour obtenir des informations commerciales sur la façon dont leurs clients interagissent avec leurs produits ou services. Il en résulte une analyse des sentiments, la compréhension du moment et de la façon dont les produits sont utilisés et, éventuellement, avec quels autres produits ils les utilisent. Klee, Janson & Leimeister (2021) désignent le niveau supra-organisationnel où la valeur commerciale est générée par la réalisation d’avantages de données externes.
- Utiliser les données pour l’excellence opérationnelle pour améliorer leur fonctionnement interne ou la gestion de la chaîne d’approvisionnement, afin de fournir de la valeur à leurs clients de manière efficiente et efficace. Klee, Janson & Leimeister (2021) nuisent cela au niveau organisationnel (développement de modèles organisationnels fondés sur les données) et au niveau de la pratique professionnelle (travail avec les données dans les processus opérationnels quotidiens).
Lorsque les données peuvent être partagées avec d’autres en toute sécurité, les entreprises sont également en mesure d’explorer une myriade d’opportunités liées à la création de nouveaux produits ou services — dans un écosystème qu’elles partagent avec des partenaires partageant les mêmes idées.
Comment les entreprises collectent-elles des données?
L’augmentation des activités en ligne signifie que le seuil technique de collecte des données est faible: les données créées lors d’interactions avec des appareils numériques, ou les mesures captées par des capteurs par exemple, sont enregistrées et stockées dans des services basés sur le cloud pour une analyse et une interprétation plus poussées. Les analyses peuvent être générées à partir de ces données pour faciliter la prise de décision.
Comme mentionné précédemment, certaines entreprises agissent en tant que «gardiens d’accès» sur Internet, où elles forment et gèrent les plateformes en ligne à travers lesquelles d’autres activités ont lieu. Ces contrôleurs d’accès ont naturellement de nombreuses sources de données qu’ils stockent pour continuer à commercialiser et à analyser à des fins publicitaires (pensez à Meta, X, et plus récemment, Tik Tok). Cette situation a créé une quantité apparemment illimitée de stockage de données, où les entreprises finissent par conserver des données qui pourraient être utiles à un usage commercial. Cependant, cette situation est susceptible de changer — en partie sous l’effet des règlements politiques mentionnés ci-dessus — étant donné que d’autres voix se font entendre.
Un aspect concerne l’utilisation rationnelle et la collecte des données, c’est-à-dire une approche plus opérationnelle pour naviguer sur d’énormes volumes de données, les entreprises considérant où se trouve la valeur potentielle de ces données, et quelles données sont exactement utiles pour garder une trace (Mazzei & Noble, 2017). Les préoccupations liées à l’impact environnemental du stockage des données entrent également de plus en plus en jeu. Selon Lucivero, 2019, la prise de conscience de la quantité d’énergie nécessaire pour stocker des données pour une durée illimitée augmente, ce qui oblige les entreprises à envisager une approche plus rationnelle de l’utilisation et du stockage des données. Enfin, il y a l’impact sur les coûts: le stockage des données devient de plus en plus coûteux. Avec les entreprises qui déplacent leurs activités vers le cloud, le stockage de données doit aller de pair avec le sens des affaires (Gartner, 2022).
Comment les entreprises gèrent-elles les données en toute sécurité?
Pour que les données deviennent quelque chose qui crée de la valeur dans un écosystème, il faut avoir confiance dans la bonne et sécurisée gestion des données. Pour cela, les organisations doivent s’adapter à la définition d’une vision et d’une stratégie de collecte et d’analyse de données, mais aussi aligner leurs architectures de données (IBM, 2023) sur ces stratégies et visions. La stratégie globale de la politique européenne en matière de données consiste à créer un véritable marché unique européen des données (Commission européenne, 2023e), où la valeur peut être créée à partir des données au sein d’un écosystème d’organisations. Il y a une ambition de créer des espaces de données sectoriels, où des partenariats autour de données partagées peuvent se former et aboutir à la co-création et au développement d’applications nouvelles et innovantes. Cela nécessite de nombreuses considérations pratiques pour les organisations dans leur architecture technique, telles que:
- Traçabilité des données: lorsque nous créons des espaces de données, la possibilité de suivre qui a collecté quelles données et dans quelles conditions doit exister.
- Gestion de l’accès sécurisé aux partenaires et aux personnes autorisées: les espaces de données doivent également prévoir la gouvernance en termes de qui a accès aux données partagées et dans quelle mesure cet accès atteint.
- Cadre juridique pour convenir de l’accès et de la gestion de l’accès: toutes les parties d’un écosystème de données doivent disposer d’une structure de coopération juridique leur permettant de partager des données dans un contexte de confiance.
Si les données deviennent si répandues, cela signifie que de plus en plus d’entre nous entreront en contact avec des produits informatiques basés sur les données. Gartner prévoit que cette année «la littératie des données deviendra un moteur explicite et nécessaire de la valeur commerciale», avec près de 80 % des entreprises indiquant les données comme un facteur clé de ses plans stratégiques (Gartner, 2023a). Cet article donne plus d’informations sur la façon dont les données peuvent être utilisées pour guider la prise de décision humaine et quelles compétences nous sont demandées, afin d’utiliser efficacement ces nouveaux outils pour obtenir plus de perspicacité et choisir judicieusement.
Comment interagissons-nous avec les produits informatiques basés sur des données?
Nous interagissons déjà avec les données tous les jours à travers diverses applications basées sur des données. Nous ne les reconnaissons peut-être pas toujours comme tels, car ils nous présentent ces données de manière non évidente.
Les applications basées sur les données peuvent être catégorisées en fonction de la façon dont elles nous présentent ces données.
Outils de mise en miroir
Les outils de mise en miroir offrent à l’utilisateur des visualisations de données sur les résultats, les processus, etc., à travers des méthodes graphiques, sans interprétation de la signification des données. Souvent, ces visualisations sont regroupées dans un tableau de bord. Un exemple prototypique de ce sont les données de séries temporelles telles que la croissance de la population dans le temps ou les données physiologiques telles que ECG, où le graphique vous montre une visualisation de l’activité physique. Prenons l’exemple d’un pollenmètre. Un outil de mise en miroir pour visualiser les niveaux de pollen, présentera un graphique où les niveaux de pollen sont tracés au fil du temps (par exemple, le niveau quotidien de pollen dans l’atmosphère). C’est à l’Homme de lire l’interprétation de la visualisation, de lui donner un sens (« est-ce un niveau élevé? Est-ce un niveau bas? Augmente-t-il ou diminue-t-il? Quel est le niveau souhaité?«) et définir les interventions potentielles pour agir sur cette information («Je resterai à l’intérieur en raison de niveaux élevés de pollen car je souffre d’allergies; Je peux faire des sports de plein air intensifs en raison de niveaux acceptables de pollen». (van Leeuwen & Rummel, 2019)
Outils d’alerte
Dans les outils de modification, les données visualisées refléteront l’activité réelle, mais incluent également une interprétation minimale car des éléments remarquables des données sont mis en évidence. Par exemple, dans notre exemple de pollen, les niveaux souhaités des niveaux quotidiens de pollen peuvent être concrétisés dans l’outil lui-même en incluant une spécification de la gamme normale/haute/faible des niveaux de pollen. L’outil peut alors alerter un humain de dire qu’un niveau particulier a été atteint (par exemple, «les niveaux de pollen sont élevés aujourd’hui»). Ces alertes peuvent être utilisées par les humains comme point de départ pour concevoir des interventions. L’étape d’une intervention est prise par l’humain, mais ils sont alertés par l’outil pour le faire. (van Leeuwen & Rummel, 2019)
Outils de conseil
Les outils de conseil vont plus loin en recommandant également une intervention particulière à prendre. Par exemple, un compteur de pollen conseil pourrait dire: «ne faites pas de sports de plein air intensifs aujourd’hui, car les niveaux de pollen sont élevés et vous êtes très sujet aux allergies». Ici, l’humain peut choisir de mettre en œuvre l’intervention proposée, mais n’a pas besoin d’interpréter indépendamment les données ni de définir une intervention basée sur celle-ci. L’outil recommande une intervention basée sur son analyse des données. (van Leeuwen & Rummel, 2019)
Outils de décision automatisés
Dans les outils de décision automatisés, l’outil contrôle toute la prise de décision et la mise en œuvre de l’intervention lui-même, sur la base de sa propre analyse de données. Dans ce contexte, l’humain ne serait pas directement impliqué dans la prise de décision ni dans la mise en œuvre de l’intervention. Dans notre exemple de pollenmètre, il pourrait s’agir d’une situation fictive où l’outil d’automatisation pourrait dire: «les niveaux de pollen sont élevés aujourd’hui. Comme vous avez des allergies, il vous est conseillé de rester à la maison. Pour faciliter cela, toutes vos réunions d’aujourd’hui ont été remplacées par des réunions de conférence en ligne.»
Un comportement potentiellement inquiétant (mais complètement fictif) d’un tel outil pourrait être «pour s’assurer que vous ne quittez pas la maison, les portes ont été automatiquement verrouillées jusqu’à ce que les niveaux de pollen soient à un niveau acceptable.» Dans un tel cas, l’humain ne participe qu’à la prise de décision, à la définition de l’intervention et au processus de mise en œuvre en tant qu’observateur.
De quelles compétences avons-nous besoin pour utiliser efficacement ces outils?
Avec l’utilisation généralisée d’outils basés sur les données, il est clair que nos aptitudes et compétences dans l’utilisation de ces outils doivent être à la hauteur, pour les utiliser efficacement, sans créer ou faciliter involontairement des dommages aux humains.
Données dans le passé et à l’avenir
Au début, lorsque les données étaient rares et difficiles à recueillir, les big data étaient principalement créées par des universitaires (ou des collaborations d’universités), des gouvernements ou de grandes organisations. Comme l’archivage des données est intensif et longitudinal, il s’agissait d’activités pluriannuelles nécessitant d’importants investissements en temps, en efforts et en ressources financières. Seules les entreprises qui avaient les ressources nécessaires pour investir dans l’archivage des données et qui voyaient un intérêt économique immédiat ont pu le faire efficacement.
Des personnes qualifiées, qui ont créé ces ensembles de données spécialisées dans le regroupement de données, la structuration, l’analyse et l’interprétation de différents ensembles de données. Ce processus n’est plus si encombrant: au lieu de cela, il est maintenant pris en charge par de nombreuses instruments et outils numériques sophistiqués. Cela signifie qu’il est maintenant beaucoup plus accessible aux organisations, dont les investissements initiaux peuvent être plus faibles. En même temps, la situation devient plus complexe en conséquence. Il existe de plus en plus de données à jour et facilement accessibles: il est facile d’être submergé. Pour créer de la valeur à partir des données, nous avons maintenant besoin de meilleures techniques de visualisation et d’une approche stratégique de l’information.
Étant donné que le processus ne dépend plus d’une personne qui recueille, analyse et interprète les données, il faut plus de coordination pour gérer l’accès partagé aux données. De plus en plus, les pièces à forte intensité de main-d’œuvre peuvent être automatisées grâce à l’outillage disponible, ce qui réduit la pression sur les entreprises. Dans le même temps, plus d’automatisation conduit à des analyses plus standardisées. D’une part, cela crée plus de possibilités car plus de personnes peuvent accéder aux données de différentes manières. D’un autre côté, cela peut également être restrictif car il est susceptible de tomber dans les options par défaut et de supprimer la considération et la prise de décision de l’utilisateur. Dans les cas extrêmes, la prise de décision peut être complètement cachée.
Étant donné qu’il existe un écart croissant entre l’interprétation des données et la collecte et l’analyse des données, il existe des possibilités d’erreurs d’interprétation si le contexte de la collecte et de l’analyse des données n’est pas clairement documenté et indiqué.
Compétences pour un avenir axé sur les données
Ci-dessous, je précise un certain nombre de compétences que nous devons développer pour cet avenir axé sur les données.
1. Connaissance des données
Les premières compétences essentielles sont liées à la littératie des données. Gartner (2023b) décrit cela comme «la capacité de lire, d’écrire et de communiquer des données en contexte, y compris une compréhension des sources de données et des constructions, des méthodes et des techniques analytiques appliquées, et la capacité de décrire le cas d’utilisation, l’application et la valeur résultante».
En d’autres termes, en tant qu’humains s’engageant avec des outils de données, nous devons savoir et être en mesure d’évaluer quelles données sont utilisées, d’où elles proviennent, si elles sont fiables, si les analyses qui ont été effectuées en plus des données peuvent être fiables, et s’il y a des contrôles humains disponibles, qui me permettent en tant qu’utilisateur de vérifier ces problèmes. En particulier dans le cadre d’un haut niveau de prise de décision automatisée et d’intervention par des outils, ces facteurs de contrôle deviennent extrêmement pertinents pour la surveillance humaine. Pour pouvoir faire suffisamment confiance aux outils basés sur les données, nous devons, en tant qu’utilisateurs, avoir accès à ces informations contextuelles et exiger l’accès à ces informations contextuelles. Les exigences politiques dans la formulation de la loi européenne sur les données (Commission européenne, 2023) renforcent ce niveau de contextualisation des données.
Plusieurs programmes ont été mis en place pour soutenir le développement des compétences en matière d’alphabétisation des données. Par exemple, le MOOC, financé dans le cadre du programme Erasmus+ et développé par l’ Université de Copenhague, l’ Université de Varsovie, l’Université de Milan, l’ Université Sorbonne et l’ Université Charles de Prague (partie de l’ Alliance 4EU+), donne un aperçu général du fonctionnement des données et du rôle des données dans notre vie quotidienne. Le Data Spaces Support Centre vise à soutenir les organisations travaillant avec des espaces de données dans la pratique.
2. Sensibilisation et compréhension approfondie de la portée des outils basés sur les données/travail avec des outils de données
Une deuxième compétence est une prise de conscience et une compréhension approfondie de la portée des outils basés sur les données en travaillant abondamment avec eux. Cela nous permet en tant qu’utilisateurs de comprendre les limites des outils, les possibilités des outils et aussi d’évaluer la validité des interprétations basées sur les données, qu’elles soient d’origine humaine ou automatisées. Si vous êtes plus conscient de ce que l’outil peut et ne peut pas faire, il vous permettra également de définir des idées exploitables valides, qui mènent à des interventions acceptables. En tant qu’utilisateur, il est également impératif de considérer les outils basés sur les données comme l’une des multiples sources de données et de recouper les résultats de ces outils avec d’autres données plus qualitatives.
3. Négociation sur les interprétations des données
À mesure que la prise de décision fondée sur les données dans les écosystèmes d’entreprise devient plus répandue, il est évident que plusieurs outils basés sur des données fonctionnant autour des mêmes données existeront côte à côte. Cela a beaucoup de conséquences: différentes entreprises peuvent créer différents outils avec de multiples méthodes d’analyse qui suscitent les analyses qui sont importantes pour elles, dans leur contexte. Cela signifie effectivement que différentes entreprises rendent tangibles leurs perspectives sur le monde grâce à leurs analyses de données.
Que se passe-t-il lorsque ces différentes interprétations du monde sont contrastées les unes avec les autres? On s’attend à ce que la négociation sur le sens des données devienne une compétence extrêmement importante. Comment interagissez-vous avec les partenaires de l’écosystème pour la portée des différentes interprétations des données? Comment gérez-vous des interprétations différentes? Sur quelle base sélectionnez-vous les actions à entreprendre en tant qu’interventions et sur la base de quelles données (collectivement acceptées)? Il s’agit actuellement d’un sujet sous-recherché.
4. Compétences techniques en matière de données
Ce qui est plus souvent mentionné dans la littérature sont les compétences techniques liées aux données, telles que l’ingénierie des données, l’analyse de données et l’outillage des données. À mesure que de plus en plus de données seront disponibles localement au sein des organisations, les employés seront en mesure de créer leurs propres produits de données pour soutenir leurs tâches et processus individuels. Cela nécessite des connaissances et des compétences plus générales pour pouvoir capturer des données, gérer les données de manière responsable et précise, définir les analyses autour de ces données sur la base d’hypothèses solides et les mettre en œuvre avec des méthodologies d’analyse de données solides, et utiliser avec compétence les outils pertinents. Enfin, cela nécessite également des compétences pour interpréter avec précision les résultats de l’analyse des données et les traduire en informations commerciales à des fins d’intervention.
Enveloppant les données: quelques plats à emporter
Notre monde est de plus en plus axé sur les données. Cela traverse tous les aspects de notre travail, de l’éducation et des systèmes de travail, ou des groupes sociétaux. Les outils basés sur les données peuvent soutenir les organisations en automatisant certaines analyses de données, améliorant ainsi la prise de décision et ajoutant de la valeur. Mais, de même, ils viennent avec des défis. En tant qu’utilisateurs, nous devrions être conscients de la portée de ces outils, si nous voulons savoir comment travailler efficacement (et efficacement) avec eux. Les fabricants d’outils et les développeurs doivent également rencontrer les utilisateurs à mi-chemin: en améliorant l’accès à l’information sur certains outils — et en particulier en donnant aux utilisateurs les moyens de vérifier la fiabilité et la validité des données, ainsi que les méthodes d’analyse utilisées. L’amélioration de la façon dont nous gérons, collectons et stockons les données est essentielle à l’adoption de ces outils et à la suppression des barrières associées à leur utilisation. Et l’avenir? Piloté par les données à coup sûr.
Le document complet, accompagné de références, est disponible en format pdf ici et également ci-dessous.
Téléchargez dès maintenant l’infographie sur Connaissances, compétences et attitudes pour un avenir axé sur les données.
À propos de l’auteur
Le Dr Kamakshi Rajagopal est un chercheur interdisciplinaire et consultant indépendant en conception et technologie éducatives, avec une vaste expérience dans les formats d’apprentissage en réseau et d’apprentissage social, soutenus par des technologies innovantes. Elle est titulaire d’une maîtrise en linguistique (2003) et d’intelligence artificielle (2004) de KU Leuven (BE). Elle a terminé ses recherches doctorales à l’Open Universiteit (NL) en 2013, en étudiant les réseaux d’apprentissage personnels et leur valeur pour le développement professionnel continu. Ses recherches actuelles portent sur l’étude de la complexité des environnements d’apprentissage et plus particulièrement sur la façon dont les enseignants et les apprenants peuvent être aidés à faire face à cette complexité. Le Dr Rajagopal a développé de multiples projets de recherche collaborative (financés au niveau national et européens) dans l’enseignement primaire, secondaire et supérieur avec des partenaires du secteur public, de l’industrie et de la société civile. Quelques exemples de ses projets portent sur le rôle des réseaux d’enseignants dans l’innovation éducative, les cercles de thèse dans l’enseignement supérieur, la mesure multimodale dans les espaces d’apprentissage hybrides collaboratifs et l’intégration de la mobilité virtuelle dans les établissements d’enseignement supérieur. Depuis 2023, elle travaille sur l’apprentissage et le développement en IT & Business Consulting.