Qu’est-ce que le SLDS et pourquoi est-il important pour le secteur de l’\u00e9ducation ?<\/h2>\n
Les syst\u00e8mes SLDS sont des bases de donn\u00e9es qui regroupent des donn\u00e9es sur les \u00e9l\u00e8ves collect\u00e9es \u00e0 partir de plusieurs syst\u00e8mes de donn\u00e9es et qui suivent les donn\u00e9es cl\u00e9s de l’\u00e9cole maternelle au lyc\u00e9e, \u00e0 l’universit\u00e9 et au march\u00e9 du travail. L’objectif sous-jacent est d’aider les enseignants, les administrateurs, les d\u00e9partements d’\u00e9ducation des \u00c9tats, etc. \u00e0 \u00e9valuer les politiques li\u00e9es \u00e0 l’\u00e9ducation en analysant les donn\u00e9es sur les \u00e9l\u00e8ves recueillies sur plusieurs ann\u00e9es, programmes et \u00e9coles.<\/p>\n
L’importance des syst\u00e8mes SLDS est apparue lorsque les donn\u00e9es \u00e9ducatives stock\u00e9es dans des ensembles de donn\u00e9es disparates et cloisonn\u00e9s dans diff\u00e9rentes agences ont pos\u00e9 des probl\u00e8mes pour obtenir une vue d’ensemble des donn\u00e9es sur les \u00e9tudiants dans tout l’\u00c9tat. Actuellement, les \u00c9tats sont mandat\u00e9s au niveau f\u00e9d\u00e9ral pour construire et diffuser des syst\u00e8mes SLDS afin que toutes les parties prenantes puissent analyser, affiner et am\u00e9liorer l’ensemble de l’\u00e9cosyst\u00e8me \u00e9ducatif.<\/p>\n
Gr\u00e2ce \u00e0 un syst\u00e8me SLDS, les diff\u00e9rentes parties prenantes peuvent r\u00e9pondre \u00e0 diverses questions, rep\u00e9rer les tendances et \u00e9valuer les d\u00e9cisions de nombreuses mani\u00e8res. Il s’agit notamment de :<\/p>\n
- \n
- Enseignants et administrateurs de l’\u00e9ducation :<\/strong> ils peuvent vouloir \u00e9valuer l’efficacit\u00e9 des programmes d’\u00e9ducation de la petite enfance, de la maternelle \u00e0 la douzi\u00e8me ann\u00e9e et d’autres programmes \u00e9ducatifs ; les caract\u00e9ristiques des \u00e9l\u00e8ves les plus performants par rapport aux \u00e9l\u00e8ves les moins performants, la dur\u00e9e d’inscription des \u00e9l\u00e8ves au coll\u00e8ge et dans l’enseignement sup\u00e9rieur, etc.<\/li>\n
- Lesd\u00e9cideurs politiques et les l\u00e9gislateurs d’\u00c9tat : <\/strong>la supervision, l’\u00e9valuation et la r\u00e9forme des programmes d’\u00e9ducation pour qu’ils puissent b\u00e9n\u00e9ficier de subventions seront une pr\u00e9occupation majeure des d\u00e9cideurs politiques et des l\u00e9gislateurs en mati\u00e8re d’\u00e9ducation. Par exemple, \u00e0 la lumi\u00e8re de la subvention de 13 milliards de dollars accord\u00e9e dans le cadre de la loi CARES<\/a>, les chercheurs et les d\u00e9cideurs pourraient vouloir \u00e9valuer l’impact des outils d’apprentissage en ligne sur les performances des \u00e9tudiants par rapport \u00e0 l’enseignement en classe, afin de v\u00e9rifier le succ\u00e8s de programmes similaires dans les situations d’urgence.<\/li>\n
- Agences et d\u00e9partements de l’\u00e9ducation des \u00c9tats : <\/strong>les d\u00e9partements des \u00c9tats doivent s’appuyer sur des donn\u00e9es longitudinales pour faire des inf\u00e9rences sur les caract\u00e9ristiques qui ont un impact sur la progression dans le syst\u00e8me \u00e9ducatif au sein d’un \u00c9tat, la recherche sur l’\u00e9ducation technique et les r\u00e9sultats professionnels, ainsi que l’impact sur l’emploi et le ch\u00f4mage.<\/li>\n<\/ul>\n
Les d\u00e9fis des donn\u00e9es \u00e9ducatives<\/h2>\n
1. Les syst\u00e8mes SLDS contiennent des donn\u00e9es en silo<\/h3>\n
Les syst\u00e8mes SLDS peuvent contenir de nombreux \u00e9l\u00e9ments de donn\u00e9es mais ne sont pas suffisamment coh\u00e9rents pour pr\u00e9senter un compte rendu fid\u00e8le des performances d’un \u00e9l\u00e8ve \u00e0 travers plusieurs programmes d’enseignement et des heures suppl\u00e9mentaires. En bref, ils ne sont pas con\u00e7us pour l’int\u00e9gration ou l’\u00e9tablissement de rapports, mais surtout pour le stockage.<\/p>\n
2. Manque d’uniformit\u00e9 des rapports<\/h3>\n
Les donn\u00e9es relatives \u00e0 l’\u00e9ducation (r\u00e9sultats des tests des \u00e9l\u00e8ves, jours d’absence, dates d’inscription) sont g\u00e9n\u00e9ralement collect\u00e9es en r\u00e9ponse aux exigences sp\u00e9cifiques d’un programme individuel. Par exemple, les bases de donn\u00e9es du National Reporting System (NRS) peuvent contenir de nombreuses donn\u00e9es sur l’\u00e9ducation des adultes. Cependant, les chercheurs auront du mal \u00e0 tirer des conclusions sur les r\u00e9sultats de l’\u00e9ducation des adultes en raison des programmes d’\u00e9ducation de la petite enfance.<\/p>\n
3. Limites de l’interconnexion des donn\u00e9es entre agences<\/h3>\n
Les informations personnellement identifiables (PII) telles que le num\u00e9ro de s\u00e9curit\u00e9 sociale, le num\u00e9ro de compte bancaire, le num\u00e9ro d’immatriculation du v\u00e9hicule, le num\u00e9ro de passeport, etc. sont cruciales pour l’identification de contacts uniques et pr\u00e9cis.<\/p>\n
Cependant, de nombreuses agences d’\u00e9ducation de l’\u00c9tat (SEA) et agences d’\u00e9ducation locales (LEA) peuvent \u00eatre r\u00e9ticentes \u00e0 partager des donn\u00e9es vitales sur les \u00e9tudiants avec des tiers, au risque d’enfreindre la loi sur les droits et la confidentialit\u00e9 en mati\u00e8re d’\u00e9ducation familiale (FERPA)<\/a>.<\/p>\n
Par cons\u00e9quent, toute initiative de liaison de donn\u00e9es inter-agences visant \u00e0 cr\u00e9er des entrep\u00f4ts de donn\u00e9es SLDS peut pr\u00e9senter des probl\u00e8mes de localisation d’identifiants uniques permettant de suivre les \u00e9tudiants de l’\u00e9cole maternelle \u00e0 la vie active et dans plusieurs \u00c9tats.<\/p>\n
Am\u00e9liorer le lien entre les enregistrements pour les enregistrements Golden<\/h2>\n
Correspondance d\u00e9terministe et correspondance probabiliste<\/h3>\n
Lecouplage d’enregistrements<\/a> ou la r\u00e9solution d’entit\u00e9s<\/a> fait r\u00e9f\u00e9rence au processus d’identification et de comparaison de deux ou plusieurs enregistrements similaires pour s’assurer qu’ils se rapportent ou non \u00e0 la m\u00eame entit\u00e9. En g\u00e9n\u00e9ral, une correspondance est identifi\u00e9e lorsque les ensembles de donn\u00e9es compar\u00e9s sont normalis\u00e9s et que des identifiants uniques sont pr\u00e9sents ou coh\u00e9rents. Dans ce cas, la correspondance d\u00e9terministe, ou correspondance exacte, est id\u00e9ale.<\/p>\n
![\"\"](\"https:\/\/dataladder.com\/wp-content\/uploads\/2021\/05\/Table-1-300x66-1.png\")
<\/p>\nMais que faire en l’absence d’identifiant unique ou lorsque les formats de donn\u00e9es sont incoh\u00e9rents et varient ? C’est l\u00e0 que la correspondance probabiliste doit \u00eatre utilis\u00e9e. Il fonctionne en \u00e9valuant la mesure dans laquelle deux ou plusieurs enregistrements similaires se situent entre 0 et 1 pour identifier une correspondance. Dans ce cas, il n’est pas n\u00e9cessaire que des identifiants uniques soient pr\u00e9sents pour classer une correspondance en vue du couplage d’enregistrements.<\/p>\n
![\"\"](\"https:\/\/dataladder.com\/wp-content\/uploads\/2021\/05\/Table-2-300x95-1.png\")
<\/p>\nPourquoi la correspondance probabiliste est essentielle pour am\u00e9liorer les donn\u00e9es SLDS<\/h2>\n
- \n
- Ladisparit\u00e9 des champs peut cr\u00e9er des probl\u00e8mes pour trouver des dossiers d’\u00e9tudiants uniques<\/strong>: Dans le cas de la fusion de bases de donn\u00e9es SLDS disparates, il n’est pas rare de trouver le nom, l’adresse et d’autres champs existant dans deux formats ou plus. Par exemple, un ensemble de donn\u00e9es peut stocker les donn\u00e9es relatives au nom en tant que \u00ab\u00a0Nom complet\u00a0\u00bb, tandis qu’un autre peut avoir \u00ab\u00a0Pr\u00e9nom\u00a0\u00bb et \u00ab\u00a0Nom\u00a0\u00bb.<\/li>\n
- Manque d’identifiants uniques :<\/strong> \u00c9tant donn\u00e9 que les donn\u00e9es PII peuvent facilement \u00eatre \u00e9gar\u00e9es ou perdues apr\u00e8s la consolidation des donn\u00e9es sur les \u00e9tudiants provenant de diff\u00e9rentes bases de donn\u00e9es, la mise en relation des enregistrements par le biais d’une correspondance d\u00e9terministe ou exacte peut conduire \u00e0 des r\u00e9sultats manquants et \u00e0 des faux positifs plus \u00e9lev\u00e9s. La correspondance probabiliste, quant \u00e0 elle, a la capacit\u00e9 de classer les correspondances lorsque deux enregistrements comparables ne sont pas exacts et en l’absence d’un identifiant commun.<\/li>\n<\/ul>\n
![\"\"](\"https:\/\/dataladder.com\/wp-content\/uploads\/2021\/05\/Table-3-300x69-1.png\")
<\/p>\nComme le montre le tableau 3, la correspondance probabiliste peut identifier une correspondance avec un enregistrement similaire m\u00eame sans la pr\u00e9sence d’un identifiant unique (dans ce cas – SSN).<\/p>\n
Les moyens d’am\u00e9liorer l’exactitude des donn\u00e9es<\/h2>\n
Un couplage efficace des enregistrements va de pair avec des donn\u00e9es propres et coh\u00e9rentes. Plus la qualit\u00e9 des donn\u00e9es SLDS est bonne – absence de valeurs nulles, d’entr\u00e9es mal format\u00e9es et de fautes de casse et d’orthographe – plus il sera facile pour les utilisateurs finaux de trouver des correspondances et de d\u00e9terminer les enregistrements dor\u00e9s dans plusieurs agences.<\/p>\n
Voici quelques moyens d’y parvenir.<\/p>\n
1. Identifier toutes les sources de donn\u00e9es<\/h3>\n
Tout d’abord, identifiez tous les points d’entr\u00e9e des donn\u00e9es pour votre projet. Cela d\u00e9pendra en grande partie de vos objectifs et r\u00e9sultats en mati\u00e8re de donn\u00e9es.<\/p>\n
La mise en \u0153uvre d’initiatives SLDS \u00e0 grande \u00e9chelle pour le K12 ou le P-20W n\u00e9cessite souvent de consolider des syst\u00e8mes SLDS disparates<\/a> afin d’am\u00e9liorer l’int\u00e9grit\u00e9 des infrastructures de donn\u00e9es existantes.<\/p>\n
Le projet financ\u00e9 par l’\u00c9tat du d\u00e9partement de l’\u00e9ducation de G\u00e9orgie (GDOE<\/a>), qui vise \u00e0 am\u00e9liorer les donn\u00e9es SLDS en int\u00e9grant les donn\u00e9es des organismes suivants, en est un exemple :<\/p>\n
- \n
- Le d\u00e9partement de la justice juv\u00e9nile<\/li>\n
- D\u00e9partement des services \u00e0 l’enfance et \u00e0 la famille<\/li>\n
- Tribunal des mineurs et<\/li>\n
- PeachNet (r\u00e9seau \u00e9ducatif de la G\u00e9orgie)<\/li>\n<\/ul>\n
Il est \u00e9galement important de reconna\u00eetre la vari\u00e9t\u00e9 des sources de donn\u00e9es pour l’ingestion ; alors que les districts et les d\u00e9partements d’\u00e9ducation de l’\u00c9tat peuvent avoir des donn\u00e9es agr\u00e9g\u00e9es dans des bases de donn\u00e9es relationnelles, les \u00e9coles et les coll\u00e8ges peuvent avoir des r\u00e9sultats de tests et des performances mises \u00e0 jour plus facilement dans des fichiers Excel ou des applications web. Une fois que toutes les sources de donn\u00e9es sont identifi\u00e9es pour l’ingestion, une strat\u00e9gie claire pour l’ensemble de l’\u00e9cosyst\u00e8me de donn\u00e9es et les objectifs peuvent \u00eatre atteints.<\/p>\n
2. R\u00e9aliser un profil de donn\u00e9es approfondi<\/h3>\n
L’\u00e9tablissement d’un bilan de sant\u00e9 convaincant des donn\u00e9es avant toute pr\u00e9paration ou nettoyage des donn\u00e9es peut permettre d’am\u00e9liorer consid\u00e9rablement la qualit\u00e9 des donn\u00e9es. Le profilage des donn\u00e9es<\/a> peut aider \u00e0 r\u00e9v\u00e9ler des statistiques importantes sur les sources de donn\u00e9es, depuis le pourcentage de donn\u00e9es manquantes<\/a> et le type de champs jusqu’\u00e0 l’\u00e9tendue des erreurs de formatage et d’orthographe. Cela peut aider \u00e0 \u00e9tablir des protocoles standard de qualit\u00e9 des donn\u00e9es et \u00e0 am\u00e9liorer la pr\u00e9cision du couplage des enregistrements.<\/p>\n
Le Minnesota<\/a> en est un bon exemple : les agences de l’\u00c9tat ont collabor\u00e9 pour combiner leur syst\u00e8me SLDS avec le syst\u00e8me de donn\u00e9es longitudinales sur la petite enfance (ECLDS), deux infrastructures informatiques g\u00e9r\u00e9es par les services informatiques du Minnesota (MNIT). Le MNIT a effectu\u00e9 un profilage approfondi des donn\u00e9es afin de r\u00e9v\u00e9ler les noms et les descriptions des fichiers de donn\u00e9es ainsi que les formats attendus des donn\u00e9es. \u00c0 la suite de cette activit\u00e9, le MNIT a \u00e9t\u00e9 en mesure de d\u00e9terminer les conventions de d\u00e9nomination des fichiers pour assurer la coh\u00e9rence des rapports et les \u00e9l\u00e9ments de donn\u00e9es sur lesquels il faut se concentrer pour assurer l’exactitude des correspondances.<\/p>\n
3. Nettoyer les erreurs et normaliser les formats de donn\u00e9es<\/h3>\n
Il est \u00e9galement essentiel d’effectuer un nettoyage des donn\u00e9es<\/a> afin de nettoyer et d’\u00e9liminer les erreurs et les incoh\u00e9rences qui peuvent nuire \u00e0 la pr\u00e9cision des correspondances et affecter la sant\u00e9 g\u00e9n\u00e9rale du SLDS et des autres donn\u00e9es sur les \u00e9tudiants. Au cours de la phase de nettoyage des donn\u00e9es<\/a>, toutes les modifications attendues doivent \u00eatre conformes aux exigences de toutes les parties prenantes – des enseignants et administrateurs des \u00e9coles aux chercheurs et aux responsables de la politique de l’\u00e9ducation.<\/p>\n
Pendant le nettoyage des donn\u00e9es, les utilisateurs finaux peuvent effectuer diverses t\u00e2ches telles que :<\/p>\n
- \n
- Corriger les erreurs d’orthographe, de ponctuation, de casse et de formatage<\/li>\n
- Supprimez ou remplacez les caract\u00e8res sp\u00e9ciaux, les caract\u00e8res avec des chiffres, les caract\u00e8res avec des lettres pour les champs appropri\u00e9s.<\/li>\n
- Corriger les mod\u00e8les de donn\u00e9es en s’assurant qu’ils sont conformes aux mod\u00e8les \u00e9tablis tels que RegEX<\/li>\n
- Cr\u00e9er des mod\u00e8les de champ propres et exclusifs<\/li>\n
- Normaliser les champs de nom, d’adresse, de num\u00e9ro de t\u00e9l\u00e9phone et de code postal pour \u00e9viter les probl\u00e8mes de r\u00e9solution d’identit\u00e9, etc.<\/li>\n<\/ul>\n
Apr\u00e8s avoir \u00e9limin\u00e9 toutes les erreurs connues, les donn\u00e9es sont ensuite pr\u00e9par\u00e9es pour \u00eatre mises en correspondance<\/a> avec diff\u00e9rents ensembles de donn\u00e9es.<\/p>\n
4. Identifier les enregistrements en double et redondants<\/h3>\n
La recherche et la suppression des donn\u00e9es redondantes<\/a> et en double commencent par la cr\u00e9ation de r\u00e8gles de correspondance et de configurations adapt\u00e9es aux diff\u00e9rents champs. Lors de la liaison inter-agences, il est possible que les \u00e9tudiants de l’\u00e9ducation de la petite enfance SLDS aient un num\u00e9ro de suivi d’identification distinct de celui trouv\u00e9 dans les donn\u00e9es K12 et de la main-d’\u0153uvre.<\/p>\n
Dans le cadre d’une correspondance d\u00e9terministe, cela sera probl\u00e9matique car la pr\u00e9sence d’identifiants de suivi et d’autres IPI variables ou manquants peut emp\u00eacher les correspondances. Avec la correspondance floue et phon\u00e9tique<\/a>, cependant, la probabilit\u00e9 de correspondance peut augmenter de mani\u00e8re significative ; les doublons et les donn\u00e9es redondantes qui en r\u00e9sultent peuvent \u00eatre \u00e9limin\u00e9s ou enrichis en fonction des objectifs de l’organisation.<\/p>\n
Comment DataMatch Enterprise de Data Ladder peut aider avec les donn\u00e9es sur l’\u00e9ducation<\/h2>\n
Un outil de couplage d’enregistrements tel que DataMatch Enterprise poss\u00e8de l’\u00e9tendue des fonctionnalit\u00e9s et des solutions les mieux adapt\u00e9es \u00e0 la r\u00e9solution de projets \u00e0 grande \u00e9chelle de SLDS et d’autres donn\u00e9es sur l’\u00e9ducation avec un taux de correspondance de 90 % et plus.<\/p>\n
Une \u00e9tude ind\u00e9pendante men\u00e9e par le BOR Office of Policy<\/a> a r\u00e9v\u00e9l\u00e9 que l’algorithme de comparaison probabiliste de Data Ladder \u00e9tait plus performant qu’un algorithme propri\u00e9taire interne. Dans le cadre de cette \u00e9tude, le fichier de donn\u00e9es sur les \u00e9tudiants du Connecticut State Department of Education (SDE) a \u00e9t\u00e9 mis en correspondance avec le National Student Clearinghouse (NSC) afin de d\u00e9terminer le nombre de dipl\u00f4m\u00e9s du secondaire qui se sont inscrits dans un \u00e9tablissement d’enseignement postsecondaire.<\/p>\n
La solution interne<\/a> a obtenu 15 570 correspondances, tandis que la solution de Data Ladder en a obtenu 16 600, soit 1 030 correspondances suppl\u00e9mentaires.<\/p>\n
La grande pr\u00e9cision de correspondance de DataMatch Enterprise peut \u00eatre attribu\u00e9e \u00e0 des algorithmes de correspondance propri\u00e9taires et \u00e9tablis, ainsi qu’\u00e0 diverses caract\u00e9ristiques qui permettent d’identifier une pr\u00e9cision de correspondance \u00e9lev\u00e9e. Ce sont :<\/p>\n
- \n
- Fichiers Excel, SQL et connectivit\u00e9 des r\u00e9f\u00e9rentiels Hadoop pour traiter plus de 2 milliards d’enregistrements.<\/li>\n
- Mod\u00e8les RegEx int\u00e9gr\u00e9s pour la d\u00e9tection automatique et le profilage des erreurs d’orthographe, de ponctuation et autres erreurs de donn\u00e9es.<\/li>\n
- Une s\u00e9rie de transformations pour nettoyer et normaliser les champs de nom, d’adresse et autres.<\/li>\n
- Algorithmes de correspondance<\/a> exacts, phon\u00e9tiques propri\u00e9taires et flous \u00e9tablis, y compris Jaro-Wrinkler pour trouver des r\u00e9sultats de correspondance et plus encore.<\/li>\n<\/ul>\n
Pour lire une histoire de r\u00e9ussite de LEA concernant DataMatch Enterprise, cliquez ici<\/a>.<\/p>\n
Conclusion<\/h2>\n
Le secteur de l’\u00e9ducation est confront\u00e9 \u00e0 des probl\u00e8mes de qualit\u00e9 des donn\u00e9es, tels que le manque d’identifiants communs et le cloisonnement des donn\u00e9es, qui peuvent entraver la mise en relation des donn\u00e9es et l’obtention de r\u00e9sultats pr\u00e9cis dans les projets SLDS financ\u00e9s par l’\u00c9tat. Si la correspondance exacte peut \u00eatre utile dans certains contextes, un logiciel de couplage d’enregistrements avec correspondance probabiliste peut \u00eatre bien plus efficace pour identifier les correspondances entre des ensembles de donn\u00e9es disparates.<\/p>\n
Pour plus d’informations sur la fa\u00e7on dont DataMatch Enterprise<\/a> peut fonctionner pour votre K12, P-20W ou toute autre initiative de donn\u00e9es SLDS, veuillez consulter nos <\/em>
\nsolutions pour le secteur de l’\u00e9ducation<\/em>
\n<\/a> ou <\/em>
\ncontactez-nous<\/em>
\n<\/a> pour entrer en contact avec notre \u00e9quipe de vente.<\/em><\/p>\n","protected":false},"excerpt":{"rendered":"Le couplage d’enregistrements est souvent un \u00e9l\u00e9ment n\u00e9cessaire \u00e0 l’ex\u00e9cution efficace de diff\u00e9rentes initiatives \u00e9ducatives. Qu’il s’agisse de mesurer les performances des \u00e9l\u00e8ves et des enseignants au fil du temps et dans plusieurs \u00e9coles ou d’\u00e9valuer l’efficacit\u00e9 des programmes \u00e9ducatifs au niveau de l’\u00c9tat. Cependant, certains d\u00e9fis industriels existent et nuisent \u00e0 l’int\u00e9grit\u00e9 des donn\u00e9es. […]<\/p>\n","protected":false},"author":9,"featured_media":58408,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_lmt_disableupdate":"","_lmt_disable":"","_links_to":"","_links_to_target":""},"categories":[1344],"tags":[595,596,597,485],"acf":[],"yoast_head":"\n
Couplage d'enregistrements dans le secteur de l'\u00e9ducation : D\u00e9fis, limites et conseils pour am\u00e9liorer l'exactitude des donn\u00e9es - Data Ladder<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/dataladder.com\/fr\/couplage-denregistrements-dans-le-secteur-de-leducation-defis-limites-et-conseils-pour-ameliorer-lexactitude-des-donnees\/\" \/>\n<meta property=\"og:locale\" content=\"fr_FR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Couplage d'enregistrements dans le secteur de l'\u00e9ducation : D\u00e9fis, limites et conseils pour am\u00e9liorer l'exactitude des donn\u00e9es - Data Ladder\" \/>\n<meta property=\"og:description\" content=\"Le couplage d’enregistrements est souvent un \u00e9l\u00e9ment n\u00e9cessaire \u00e0 l’ex\u00e9cution efficace de diff\u00e9rentes initiatives \u00e9ducatives. Qu’il s’agisse de mesurer les performances des \u00e9l\u00e8ves et des enseignants au fil du temps et dans plusieurs \u00e9coles ou d’\u00e9valuer l’efficacit\u00e9 des programmes \u00e9ducatifs au niveau de l’\u00c9tat. Cependant, certains d\u00e9fis industriels existent et nuisent \u00e0 l’int\u00e9grit\u00e9 des donn\u00e9es. […]\" \/>\n<meta property=\"og:url\" content=\"https:\/\/dataladder.com\/fr\/couplage-denregistrements-dans-le-secteur-de-leducation-defis-limites-et-conseils-pour-ameliorer-lexactitude-des-donnees\/\" \/>\n<meta property=\"og:site_name\" content=\"Data Ladder\" \/>\n<meta property=\"article:publisher\" content=\"https:\/\/web.facebook.com\/DataLadderSoftware\" \/>\n<meta property=\"article:published_time\" content=\"2021-05-26T04:00:00+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2022-03-22T14:50:28+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/dataladder.com\/wp-content\/uploads\/2021\/09\/pexels-photo-2781814-scaled-1.jpeg\" \/>\n\t<meta property=\"og:image:width\" content=\"2560\" \/>\n\t<meta property=\"og:image:height\" content=\"1707\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/jpeg\" \/>\n<meta name=\"author\" content=\"lbarrera\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"\u00c9crit par\" \/>\n\t<meta name=\"twitter:data1\" content=\"lbarrera\" \/>\n\t<meta name=\"twitter:label2\" content=\"Dur\u00e9e de lecture estim\u00e9e\" \/>\n\t<meta name=\"twitter:data2\" content=\"11 minutes\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/dataladder.com\/fr\/couplage-denregistrements-dans-le-secteur-de-leducation-defis-limites-et-conseils-pour-ameliorer-lexactitude-des-donnees\/#article\",\"isPartOf\":{\"@id\":\"https:\/\/dataladder.com\/fr\/couplage-denregistrements-dans-le-secteur-de-leducation-defis-limites-et-conseils-pour-ameliorer-lexactitude-des-donnees\/\"},\"author\":{\"name\":\"lbarrera\",\"@id\":\"https:\/\/dataladder.com\/fr\/#\/schema\/person\/6cc3d6b3c83c611546541b5eb2d1e21b\"},\"headline\":\"Couplage d’enregistrements dans le secteur de l’\u00e9ducation : D\u00e9fis, limites et conseils pour am\u00e9liorer l’exactitude des donn\u00e9es\",\"datePublished\":\"2021-05-26T04:00:00+00:00\",\"dateModified\":\"2022-03-22T14:50:28+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/dataladder.com\/fr\/couplage-denregistrements-dans-le-secteur-de-leducation-defis-limites-et-conseils-pour-ameliorer-lexactitude-des-donnees\/\"},\"wordCount\":2818,\"publisher\":{\"@id\":\"https:\/\/dataladder.com\/fr\/#organization\"},\"keywords\":[\"liaison de documents\",\"outil de liaison de documents\",\"page d'importation des donn\u00e9es\",\"Profilage des donn\u00e9es\"],\"articleSection\":[\"Industries\"],\"inLanguage\":\"fr-FR\"},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/dataladder.com\/fr\/couplage-denregistrements-dans-le-secteur-de-leducation-defis-limites-et-conseils-pour-ameliorer-lexactitude-des-donnees\/\",\"url\":\"https:\/\/dataladder.com\/fr\/couplage-denregistrements-dans-le-secteur-de-leducation-defis-limites-et-conseils-pour-ameliorer-lexactitude-des-donnees\/\",\"name\":\"Couplage d'enregistrements dans le secteur de l'\u00e9ducation : D\u00e9fis, limites et conseils pour am\u00e9liorer l'exactitude des donn\u00e9es - Data Ladder\",\"isPartOf\":{\"@id\":\"https:\/\/dataladder.com\/fr\/#website\"},\"datePublished\":\"2021-05-26T04:00:00+00:00\",\"dateModified\":\"2022-03-22T14:50:28+00:00\",\"breadcrumb\":{\"@id\":\"https:\/\/dataladder.com\/fr\/couplage-denregistrements-dans-le-secteur-de-leducation-defis-limites-et-conseils-pour-ameliorer-lexactitude-des-donnees\/#breadcrumb\"},\"inLanguage\":\"fr-FR\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/dataladder.com\/fr\/couplage-denregistrements-dans-le-secteur-de-leducation-defis-limites-et-conseils-pour-ameliorer-lexactitude-des-donnees\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/dataladder.com\/fr\/couplage-denregistrements-dans-le-secteur-de-leducation-defis-limites-et-conseils-pour-ameliorer-lexactitude-des-donnees\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/dataladder.com\/fr\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Couplage d’enregistrements dans le secteur de l’\u00e9ducation : D\u00e9fis, limites et conseils pour am\u00e9liorer l’exactitude des donn\u00e9es\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/dataladder.com\/fr\/#website\",\"url\":\"https:\/\/dataladder.com\/fr\/\",\"name\":\"Data Ladder\",\"description\":\"Enterprise Data Profiling, Cleansing, and Matching\",\"publisher\":{\"@id\":\"https:\/\/dataladder.com\/fr\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/dataladder.com\/fr\/?s={search_term_string}\"},\"query-input\":\"required name=search_term_string\"}],\"inLanguage\":\"fr-FR\"},{\"@type\":\"Organization\",\"@id\":\"https:\/\/dataladder.com\/fr\/#organization\",\"name\":\"Data Ladder\",\"url\":\"https:\/\/dataladder.com\/fr\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\/\/dataladder.com\/fr\/#\/schema\/logo\/image\/\",\"url\":\"https:\/\/dataladder.com\/wp-content\/uploads\/2018\/06\/DL-Logo-Ball-30.png\",\"contentUrl\":\"https:\/\/dataladder.com\/wp-content\/uploads\/2018\/06\/DL-Logo-Ball-30.png\",\"width\":413,\"height\":408,\"caption\":\"Data Ladder\"},\"image\":{\"@id\":\"https:\/\/dataladder.com\/fr\/#\/schema\/logo\/image\/\"},\"sameAs\":[\"https:\/\/www.linkedin.com\/company\/dataladder-llc\/\",\"https:\/\/web.facebook.com\/DataLadderSoftware\"]},{\"@type\":\"Person\",\"@id\":\"https:\/\/dataladder.com\/fr\/#\/schema\/person\/6cc3d6b3c83c611546541b5eb2d1e21b\",\"name\":\"lbarrera\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\/\/dataladder.com\/fr\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/secure.gravatar.com\/avatar\/5198cb4dd374e7d879a15a9cf20299b3?s=96&d=mm&r=g\",\"contentUrl\":\"https:\/\/secure.gravatar.com\/avatar\/5198cb4dd374e7d879a15a9cf20299b3?s=96&d=mm&r=g\",\"caption\":\"lbarrera\"},\"url\":\"https:\/\/dataladder.com\/fr\/author\/lbarrera\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Couplage d'enregistrements dans le secteur de l'\u00e9ducation : D\u00e9fis, limites et conseils pour am\u00e9liorer l'exactitude des donn\u00e9es - Data Ladder","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/dataladder.com\/fr\/couplage-denregistrements-dans-le-secteur-de-leducation-defis-limites-et-conseils-pour-ameliorer-lexactitude-des-donnees\/","og_locale":"fr_FR","og_type":"article","og_title":"Couplage d'enregistrements dans le secteur de l'\u00e9ducation : D\u00e9fis, limites et conseils pour am\u00e9liorer l'exactitude des donn\u00e9es - Data Ladder","og_description":"Le couplage d’enregistrements est souvent un \u00e9l\u00e9ment n\u00e9cessaire \u00e0 l’ex\u00e9cution efficace de diff\u00e9rentes initiatives \u00e9ducatives. Qu’il s’agisse de mesurer les performances des \u00e9l\u00e8ves et des enseignants au fil du temps et dans plusieurs \u00e9coles ou d’\u00e9valuer l’efficacit\u00e9 des programmes \u00e9ducatifs au niveau de l’\u00c9tat. Cependant, certains d\u00e9fis industriels existent et nuisent \u00e0 l’int\u00e9grit\u00e9 des donn\u00e9es. […]","og_url":"https:\/\/dataladder.com\/fr\/couplage-denregistrements-dans-le-secteur-de-leducation-defis-limites-et-conseils-pour-ameliorer-lexactitude-des-donnees\/","og_site_name":"Data Ladder","article_publisher":"https:\/\/web.facebook.com\/DataLadderSoftware","article_published_time":"2021-05-26T04:00:00+00:00","article_modified_time":"2022-03-22T14:50:28+00:00","og_image":[{"width":2560,"height":1707,"url":"https:\/\/dataladder.com\/wp-content\/uploads\/2021\/09\/pexels-photo-2781814-scaled-1.jpeg","type":"image\/jpeg"}],"author":"lbarrera","twitter_card":"summary_large_image","twitter_misc":{"\u00c9crit par":"lbarrera","Dur\u00e9e de lecture estim\u00e9e":"11 minutes"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/dataladder.com\/fr\/couplage-denregistrements-dans-le-secteur-de-leducation-defis-limites-et-conseils-pour-ameliorer-lexactitude-des-donnees\/#article","isPartOf":{"@id":"https:\/\/dataladder.com\/fr\/couplage-denregistrements-dans-le-secteur-de-leducation-defis-limites-et-conseils-pour-ameliorer-lexactitude-des-donnees\/"},"author":{"name":"lbarrera","@id":"https:\/\/dataladder.com\/fr\/#\/schema\/person\/6cc3d6b3c83c611546541b5eb2d1e21b"},"headline":"Couplage d’enregistrements dans le secteur de l’\u00e9ducation : D\u00e9fis, limites et conseils pour am\u00e9liorer l’exactitude des donn\u00e9es","datePublished":"2021-05-26T04:00:00+00:00","dateModified":"2022-03-22T14:50:28+00:00","mainEntityOfPage":{"@id":"https:\/\/dataladder.com\/fr\/couplage-denregistrements-dans-le-secteur-de-leducation-defis-limites-et-conseils-pour-ameliorer-lexactitude-des-donnees\/"},"wordCount":2818,"publisher":{"@id":"https:\/\/dataladder.com\/fr\/#organization"},"keywords":["liaison de documents","outil de liaison de documents","page d'importation des donn\u00e9es","Profilage des donn\u00e9es"],"articleSection":["Industries"],"inLanguage":"fr-FR"},{"@type":"WebPage","@id":"https:\/\/dataladder.com\/fr\/couplage-denregistrements-dans-le-secteur-de-leducation-defis-limites-et-conseils-pour-ameliorer-lexactitude-des-donnees\/","url":"https:\/\/dataladder.com\/fr\/couplage-denregistrements-dans-le-secteur-de-leducation-defis-limites-et-conseils-pour-ameliorer-lexactitude-des-donnees\/","name":"Couplage d'enregistrements dans le secteur de l'\u00e9ducation : D\u00e9fis, limites et conseils pour am\u00e9liorer l'exactitude des donn\u00e9es - Data Ladder","isPartOf":{"@id":"https:\/\/dataladder.com\/fr\/#website"},"datePublished":"2021-05-26T04:00:00+00:00","dateModified":"2022-03-22T14:50:28+00:00","breadcrumb":{"@id":"https:\/\/dataladder.com\/fr\/couplage-denregistrements-dans-le-secteur-de-leducation-defis-limites-et-conseils-pour-ameliorer-lexactitude-des-donnees\/#breadcrumb"},"inLanguage":"fr-FR","potentialAction":[{"@type":"ReadAction","target":["https:\/\/dataladder.com\/fr\/couplage-denregistrements-dans-le-secteur-de-leducation-defis-limites-et-conseils-pour-ameliorer-lexactitude-des-donnees\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/dataladder.com\/fr\/couplage-denregistrements-dans-le-secteur-de-leducation-defis-limites-et-conseils-pour-ameliorer-lexactitude-des-donnees\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/dataladder.com\/fr\/"},{"@type":"ListItem","position":2,"name":"Couplage d’enregistrements dans le secteur de l’\u00e9ducation : D\u00e9fis, limites et conseils pour am\u00e9liorer l’exactitude des donn\u00e9es"}]},{"@type":"WebSite","@id":"https:\/\/dataladder.com\/fr\/#website","url":"https:\/\/dataladder.com\/fr\/","name":"Data Ladder","description":"Enterprise Data Profiling, Cleansing, and Matching","publisher":{"@id":"https:\/\/dataladder.com\/fr\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/dataladder.com\/fr\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"fr-FR"},{"@type":"Organization","@id":"https:\/\/dataladder.com\/fr\/#organization","name":"Data Ladder","url":"https:\/\/dataladder.com\/fr\/","logo":{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/dataladder.com\/fr\/#\/schema\/logo\/image\/","url":"https:\/\/dataladder.com\/wp-content\/uploads\/2018\/06\/DL-Logo-Ball-30.png","contentUrl":"https:\/\/dataladder.com\/wp-content\/uploads\/2018\/06\/DL-Logo-Ball-30.png","width":413,"height":408,"caption":"Data Ladder"},"image":{"@id":"https:\/\/dataladder.com\/fr\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/www.linkedin.com\/company\/dataladder-llc\/","https:\/\/web.facebook.com\/DataLadderSoftware"]},{"@type":"Person","@id":"https:\/\/dataladder.com\/fr\/#\/schema\/person\/6cc3d6b3c83c611546541b5eb2d1e21b","name":"lbarrera","image":{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/dataladder.com\/fr\/#\/schema\/person\/image\/","url":"https:\/\/secure.gravatar.com\/avatar\/5198cb4dd374e7d879a15a9cf20299b3?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/5198cb4dd374e7d879a15a9cf20299b3?s=96&d=mm&r=g","caption":"lbarrera"},"url":"https:\/\/dataladder.com\/fr\/author\/lbarrera\/"}]}},"modified_by":null,"_links":{"self":[{"href":"https:\/\/dataladder.com\/fr\/wp-json\/wp\/v2\/posts\/62371"}],"collection":[{"href":"https:\/\/dataladder.com\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/dataladder.com\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/dataladder.com\/fr\/wp-json\/wp\/v2\/users\/9"}],"replies":[{"embeddable":true,"href":"https:\/\/dataladder.com\/fr\/wp-json\/wp\/v2\/comments?post=62371"}],"version-history":[{"count":1,"href":"https:\/\/dataladder.com\/fr\/wp-json\/wp\/v2\/posts\/62371\/revisions"}],"predecessor-version":[{"id":66524,"href":"https:\/\/dataladder.com\/fr\/wp-json\/wp\/v2\/posts\/62371\/revisions\/66524"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/dataladder.com\/fr\/wp-json\/wp\/v2\/media\/58408"}],"wp:attachment":[{"href":"https:\/\/dataladder.com\/fr\/wp-json\/wp\/v2\/media?parent=62371"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/dataladder.com\/fr\/wp-json\/wp\/v2\/categories?post=62371"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/dataladder.com\/fr\/wp-json\/wp\/v2\/tags?post=62371"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
- Manque d’identifiants uniques :<\/strong> \u00c9tant donn\u00e9 que les donn\u00e9es PII peuvent facilement \u00eatre \u00e9gar\u00e9es ou perdues apr\u00e8s la consolidation des donn\u00e9es sur les \u00e9tudiants provenant de diff\u00e9rentes bases de donn\u00e9es, la mise en relation des enregistrements par le biais d’une correspondance d\u00e9terministe ou exacte peut conduire \u00e0 des r\u00e9sultats manquants et \u00e0 des faux positifs plus \u00e9lev\u00e9s. La correspondance probabiliste, quant \u00e0 elle, a la capacit\u00e9 de classer les correspondances lorsque deux enregistrements comparables ne sont pas exacts et en l’absence d’un identifiant commun.<\/li>\n<\/ul>\n
- Lesd\u00e9cideurs politiques et les l\u00e9gislateurs d’\u00c9tat : <\/strong>la supervision, l’\u00e9valuation et la r\u00e9forme des programmes d’\u00e9ducation pour qu’ils puissent b\u00e9n\u00e9ficier de subventions seront une pr\u00e9occupation majeure des d\u00e9cideurs politiques et des l\u00e9gislateurs en mati\u00e8re d’\u00e9ducation. Par exemple, \u00e0 la lumi\u00e8re de la subvention de 13 milliards de dollars accord\u00e9e dans le cadre de la loi CARES<\/a>, les chercheurs et les d\u00e9cideurs pourraient vouloir \u00e9valuer l’impact des outils d’apprentissage en ligne sur les performances des \u00e9tudiants par rapport \u00e0 l’enseignement en classe, afin de v\u00e9rifier le succ\u00e8s de programmes similaires dans les situations d’urgence.<\/li>\n