Plateforme de Suivi du Développement Professionnel

Vue d'ensemble

Cette plateforme est un outil de monitorage en temps réel du développement professionnel des enseignant·es, basé sur des échelles d'évaluation scientifiquement validées. Le système utilise Quarto pour créer un rapport de résultats pour l'enseignant·e et un rapport de résultats pour la direction permettant différentes analyses selon les besoins.

Objectifs principaux

• Générer des rapports détaillés sur le développement professionnel
• Informer pour soutenir la prise de décision

Architecture technique

Le système s'articule autour de trois composants :

1. Une API LimeSurvey pour la collecte des données
2. Un pipeline R pour le traitement et l'analyse
3. Un système de reporting Quarto pour communiquer les résultats

L'architecture est basée sur des fichiers de configuration YAML qui définissent :

• Les credentials d'accès (credentials.yml)
• La structure des échelles d'évaluation (scales.yml)

Prérequis

Logiciels

• R (>= 4.2.0)
• RStudio (>= 2023.12.0)
• Quarto (>= 1.4.0)
• Instance LimeSurvey active

Packages R requis

install.packages(c(
  "tidyverse",  # Traitement des données
  "yaml",       # Lecture des configurations
  "limer",      # API LimeSurvey
  "glue",       # Traitement des données
  "httr",       # Requêtes HTTP (notifications Telegram)
  [packages supplémentaires à ajouter]
))

Structure du projet

.
├── archive/                    # Version précédente du dashboard
├── tools/                      # Scripts utilitaires
├── outputs/                    # Fichiers générés
├── src/
│   ├── config/          
│   │   ├── credentials.yml    # Configuration API (non versionné)
│   │   └── scales.yml         # Définition des échelles
│   └── lib/            
├── data/
│   └── processed/             # Données traitées (format CSV)
├── logs/                      # Logs système
├── reporting.qmd              # Fichier Quarto principal
└── README.md

Échelles d'évaluation

• 23 échelles validée scientifiquement
• 65 scores générés

Configuration

Credentials

1. Copier le template :

cp src/config/credentials.yml.template src/config/credentials.yml

2. Remplir avec vos accès :

limesurvey:
  api_url: 'URL_API_LIMESURVEY'
  username: 'USERNAME'
  password: 'PASSWORD'
  survey_id: 'SURVEY_ID'

telegram:
  bot_token: 'BOT_TOKEN'
  chat_id: 'CHAT_ID'

researcher_codes:
  - 'CODE1'
  - 'CODE2'

Pipeline de traitement

Flux principal

flowchart TD
    A[LimeSurvey API] -->|connection.R| B[Import brut]
    B -->|import.R| C[Standardisation]
    C -->|scales.R| D[Calcul des scores]
    C -->|demographics.R| E[Traitement démographique] 
    D --> F[Jointure des données]
    E --> F
    F -->|main.R| G[Export CSV]
    G --> H[Dashboard Quarto]
    G -->|Telegram| I[Notification]
    H -->|render_notify.R| J[Notification]

Loading

Notifications Telegram

Le système intègre des notifications Telegram à deux niveaux :

1. Pipeline de données (main.R)

   • Notification du statut d'exécution
   • Nombre d'observations traitées
   • Temps d'exécution
   • Messages d'erreur éventuels

2. Rendu du dashboard (render_notify.R)

   • Notification du succès/échec du rendu Quarto
   • Redémarrage automatique du serveur Shiny sur Linux

Configuration Telegram

1. Créer un bot via @BotFather sur Telegram
2. Récupérer le token du bot
3. Créer un canal et y ajouter le bot
4. Configurer le chat_id dans credentials.yml

Détails du process

flowchart TD
    subgraph "connection.R"
        A[setup_limesurvey_connection]
    end
    subgraph "import.R"
        B[get_limesurvey_data]
        C[standardize_limesurvey_names]
    end
    subgraph "scales.R"
        D[prepare_numeric_responses]
        E[process_single_scale]
        F[prepare_all_scales_scores]
    end
    subgraph "demographics.R" 
        J[process_demographics]
    end
    subgraph "main.R"
        H[main function]
        I[log_info]
        K[join_data]
    end
    
    %% Workflow principal
    H -->|"1. Start"| I
    I -->|"Log start"| A
    A -->|"Success"| B
    B -->|"Raw data"| C
    C -->|"Standardized data"| F
    C -->|"Standardized data"| J
    
    %% Sous-processus scales
    F -->|"For each scale"| D
    D -->|"Numeric data"| E
    E -->|"Scale scores"| F
    
    %% Jointure et finalisation
    F -->|"Scale scores"| K
    J -->|"Demographics"| K
    K -->|"Final data"| H
    H -->|"Log & Save"| I
    
    %% Styling
    classDef processNode fill:#f9f,stroke:#333,stroke-width:2px
    classDef dataNode fill:#bbf,stroke:#333,stroke-width:2px
    classDef logNode fill:#bfb,stroke:#333,stroke-width:2px
    classDef demoNode fill:#ffd,stroke:#333,stroke-width:2px
    
    class A,B,C,D,E,F processNode
    class H dataNode
    class I logNode
    class J,K demoNode

Loading

Mise à jour des données

Les données sont mises à jour automatiquement 3 fois par jour via cronjob sur le serveur qui accueille l'application. L'heure de dernière mise à jour est affichée dans l'interface du dashboard. Chaque mise à jour déclenche :

1. Exécution de main.R

   • Collection et traitement des données
   • Export des fichiers CSV
   • Notification Telegram du statut

2. Exécution de render_notify.R

   • Rendu du dashboard Quarto
   • Redémarrage du serveur Shiny si nécessaire
   • Notification Telegram du statut

Le statut de ces opérations peut être suivi via :

• Les logs dans /logs/process.log
• Les notifications Telegram
• L'interface du dashboard

Génération de rapports

[à venir]

Support

Pour toute question technique :

1. Consulter les logs dans /logs/process.log
2. Vérifier la configuration dans /src/config
3. Contacter l'équipe chic et choc de développement

Licence

Ce projet est sous licence Creative Commons Attribution 4.0 International (CC BY 4.0).