Depuis plusieurs années, une polémique est constamment présente dans la communauté scientifique. Elle se retrouve notamment dans le domaine de la formation à distance. Il s’agit de l’impact controversé des avancées technologiques sur l’efficacité de cette formation. Certains auteurs mettent en relief l’apport positif de ces avancées et certains autres insistent sur les nombreuses déceptions au regard des technologies plus récentes. Ces positions discordantes se retrouvent également au sein de la particularité de la formation à distance au niveau postsecondaire (FAD). Une partie de la communauté scientifique convient alors que les études concernant l’efficacité de la FAD selon les avancées technologiques n’en seraient encore qu’à leurs débuts. Il s’avère donc important de mener des recherches afin de voir si les technologies plus récentes ont une influence sur cette efficacité. L’objectif de cette recherche est ainsi de vérifier l’efficacité de la FAD selon les avancées technologiques à l’aide d’une méga-analyse. Ce type de recherche fait la synthèse d’études méta-analytiques comprenant, elles-mêmes, de nombreuses sources primaires. Cette recherche présente une forte pertinence sociale. Premièrement, une place centrale est accordée à la formation à distance au sein de l’objectif mondial de l’apprentissage tout au long de la vie. Ce type de formation est reconnu comme un des piliers de l’évolution socioéconomique et fait l’objet d’une demande exponentielle. Deuxièmement, une mégaanalyse propose un regard minutieux et rigoureux sur l’ensemble des travaux pertinents qui permet, selon les cas, de dénouer une controverse persistante. Troisièmement, des réponses globales pressantes sont nécessaires compte tenu notamment de la fracture numérique. En effet, la disparité mondiale dans les modes de communication de pointe entraine une grande inégalité dans l’accessibilité à une FAD utilisant des technologies récentes. Les acteurs de la FAD, dont les gestionnaires et les professeurs, doivent alors se positionner au regard des infrastructures et des technologies à privilégier. Ainsi, la pertinence sociale de la mégaanalyse est soulignée avec vigueur, car ces trois éléments sont liés à l’objectif international de la bonification de la condition individuelle et socioéconomique à l’échelle mondiale Quant à la pertinence scientifique de la méga-analyse, elle est mise en relief par diverses recensions des écrits qui montrent une rareté des recherches liées son objectif. Ainsi, la question principale se lit comme suit. L’efficacité de la FAD diffère-t-elle selon les avancées technologiques ? Et la question complémentaire demande quelles sont les variables qui peuvent influencer l’efficacité de la FAD selon qu’elle utilise des technologies anciennes (PDE), récentes (ODE) ou un combiné des deux (PDE/ODE). Étant donné qu’il n’y a pas de méta-analyses qui répond directement à ces questions, nous avons choisi des méta-analyses qui déterminent l’efficacité de la FAD en la comparant à l’enseignement en présentiel. À l'aide d'une classification originale, nous avons précisé le degré d’ancienneté ou de nouveauté des technologies utilisées. Les principaux résultats montrent que l’efficacité de la FAD diffère effectivement selon les avancées technologiques, en ce sens qu’elle est plus élevée si elle utilise des technologies plus récentes. Ce constat se fonde sur 16 méta-analyses ayant examiné 862 études primaires. Chacune de ces dernières est menée à l'aide d'un schéma de recherche rigoureux, et comprend au-delà de 200 000 participants. Avec un indicateur d’une valeur ≥0.20, le pourcentage des effets d’ampleur est plus grand avec les technologies ODE (44 %) comparativement à celui obtenu avec les technologies PDE/ODE (29 %) et PDE (0 %). Il en va de même avec un indicateur d’une valeur de ≥0.40, le pourcentage d’effets d’ampleur est plus grand avec les technologies ODE (31 %) comparativement à celui des technologies PDE/ODE (0 %) et PDE (0 %). Quant aux résultats complémentaires relatifs aux variables modératrices, ils sont diversifiés, et ce, tant au regard des stratégies pédagogiques, des contenus de cours et des niveaux de formation. Étant donné que les écrits portant sur l’efficacité de la FAD selon les avancées technologiques n’en sont qu’à leurs débuts, les résultats principaux de notre méga-analyse s’avèrent un point important. Un certain pas serait franchi. Il permettrait d’affirmer, à partir d’un vaste ensemble d’études validées, que si la FAD emploie des technologies plus récentes, son efficacité est généralement plus élevée. Ce pas ne constitue en rien une assertion que les avancées technologiques sont une panacée. Des implications méthodologiques, conceptuelles et pratiques sont présentées.

La machine à vecteurs de support à une classe est un algorithme non-supervisé qui est capable d’apprendre une fonction de décision à partir de données d’une seule classe pour la détection d’anomalie. Avec les données d’entraînement d’une seule classe, elle peut identifier si une nouvelle donnée est similaire à l’ensemble d’entraînement. Dans ce mémoire, nous nous intéressons à la reconnaissance de forme de dynamique de frappe par la machine à vecteurs de support à une classe, pour l’authentification d’étudiants dans un système d’évaluation sommative à distance à l’Université Laval. Comme chaque étudiant à l’Université Laval possède un identifiant court, unique qu’il utilise pour tout accès sécurisé aux ressources informatiques, nous avons choisi cette chaîne de caractères comme support à la saisie de dynamique de frappe d’utilisateur pour construire notre propre base de données. Après avoir entraîné un modèle pour chaque étudiant avec ses données de dynamique de frappe, on veut pouvoir l’identifier et éventuellement détecter des imposteurs. Trois méthodes pour la classification ont été testées et discutées. Ainsi, nous avons pu constater les faiblesses de chaque méthode dans ce système. L’évaluation des taux de reconnaissance a permis de mettre en évidence leur dépendance au nombre de signatures ainsi qu’au nombre de caractères utilisés pour construire les signatures. Enfin, nous avons montré qu’il existe des corrélations entre le taux de reconnaissance et la dispersion dans les distributions des caractéristiques des signatures de dynamique de frappe. / One-Class Support Vector Machine is an unsupervised algorithm that learns a decision function from only one class for novelty detection. By training the data with only one class, this method is able to classify new data as similar (inlier) or different (outlier) from the training set. In this thesis, we have applied the One-Class Support Vector Machine to Keystroke Dynamics pattern recognition for user authentication in a remote evaluation system at Laval University. Since all of their students have a short and unique identifier at Laval University, this particular static text is used as the Keystroke Dynamics input for a user to build our own dataset. After training a model for each student with his or her keystroke data, we then use this model to detect imposters in the later phase. Three methods were tried and discussed for the classification. Then, we were able to identify weaknesses of each method in such a system by evaluating the recognition accuracy depending on the number of signatures and as a function of their number of characters. Finally, we were able to show some correlations between the dispersion and mode of distributions of features characterizing the keystroke signatures and the recognition rate.