Introduction au data journalisme

lcomu2403  2020-2021  Louvain-la-Neuve

Introduction au data journalisme
En raison de la crise du COVID-19, les informations ci-dessous sont susceptibles d’être modifiées, notamment celles qui concernent le mode d’enseignement (en présentiel, en distanciel ou sous un format comodal ou hybride).
3 crédits
22.5 h
Q1
Langue
d'enseignement
Français
Thèmes abordés
Le cours initie les étudiant.e.s en journalisme à la collecte, l’analyse et l’interprétation des données. Il fixe les reprères pour la représentation de données en vue d’une production d’information journalistique. Il aborde l’histoire et les caractéristiques du data journalism. Les étudiant.e.s doivent réaliser des mises en œuvre concrètes en situation de production journalistique.
Acquis
d'apprentissage

A la fin de cette unité d’enseignement, l’étudiant est capable de :

1.

rechercher, d’acquérir et de valider des données quantitatives portant sur un sujet spécifique

 
2.

analyser et d’interpréter les données en vue de communiquer une information journalistique précise

 
3.

choisir une représentation de données permettant une présentation et une mise en récit journalistiques pertinentes

 
4. développer une stratégie d’interaction avec le public cible
 
5.

évaluer une visualisation en vue de son amélioration.

 

La contribution de cette UE au développement et à la maîtrise des compétences et acquis du (des) programme(s) est accessible à la fin de cette fiche, dans la partie « Programmes/formations proposant cette unité d’enseignement (UE) ».
Contenu
  • Acquisition des données
  • Encodage, nettoyage et filtrage des données
  • Analyse des données
  • Représentation des données
  • Interaction avec les données
  • Évaluation et amélioration de la visualisation
Méthodes d'enseignement

En raison de la crise du COVID-19, les informations de cette rubrique sont particulièrement susceptibles d’être modifiées.

L'approche pédagogique est l’enseignement mixte (blended teaching en anglais), qui alterne enseignement en ligne à distance via Microsoft Teams et enseignement en classe en face à face. La distribution entre distanciel et présentiel est adaptée en fonction de l’évolution de la situation sanitaire. Par exemple, il est possible de passer d'une séance sur deux en présentiel (« scénario jaune ») à une séance sur trois en présentiel (« scénario orange »), et vice versa. De plus, certaines séances sont remplacées par des activités de travail autonome réalisées individuellement (ex. suivre des tutoriels de logiciels statistiques et de visualisation de données, créer une visualisation interactive).
Les méthodes d’enseignement sont la classe inversée et l’enseignement par projet :
  • Classe inversée : les étudiant.e.s étudient la matière à la maison et rencontrent ensuite leur enseignant.e et leurs pairs dans une salle de classe pour poser des questions et obtenir une aide supplémentaire ou pour travailler en groupe ;
  • Enseignement par projet : les étudiant.e.s développent un projet en combinant apprentissage en ligne et réunions en face à face.
Modes d'évaluation
des acquis des étudiants

En raison de la crise du COVID-19, les informations de cette rubrique sont particulièrement susceptibles d’être modifiées.

Évaluation continue (il n’y a donc pas d’examen certificatif en fin de quadrimestre) selon deux modes : travaux individuels (60% de la note finale) et exercices et tests de connaissance (40% de la note finale). La validation des crédits associés à ce cours nécessite la réussite dans chaque mode.
Deuxième session : travail individuel sur mesure à remettre le 1er jour de la session.
Autres infos
Toutes les informations utiles relatives à ces modalités et au déroulement des activités (calendrier, consignes détaillées, critères d’évaluation, etc.) sont présentées lors de la première séance et sont disponibles sur Moodle.
Certaines ressources (ex. ressources bibliographiques, diapositives, vidéos explicatives) sont en anglais.
Ressources
en ligne
Moodle (en asynchrone) : diapositives du cours, ressources bibliographiques, calendrier, modèles et grilles critériées, exercices H5P, tests, devoirs, ateliers avec évaluation par les pairs, forum Q&A
Microsoft Teams (en direct) : calendrier, réunions, documents, discussion, notes de cours
Liens web : vidéos explicatives, sites web, logiciels en ligne
Logiciel Tableau (https://www.tableau.com/) : tutoriels en ligne, création d’une licence académique avec son adresse mail UCLouvain.
Bibliographie
Bateman, S., Mandryk, R. L., Gutwin, C., Genest, A., McDine, D., & Brooks, C. (2010, April). Useful junk?: the effects of visual embellishment on comprehension and memorability of charts. In Proceedings of the SIGCHI Conference on Human Factors in Computing Systems (pp. 2573-2582). ACM.
Bertin, J. (1983). Semiology of graphics; diagrams networks maps (No. 04; QA90, B7.).
Cairo, A. (2015). Graphics lies, misleading visuals. In New Challenges for Data Design (pp. 103-116). Springer, London.
Heer, J., Bostock, M., & Ogievetsky, V. (2010). A tour through the visualization zoo. Commun. Acm, 53(6), 59-67.
Fox, W. Statistiques sociales. (1999). Traduction et adaptation de la troisième édition américaine par Louis Imbeau, De Boeck.
Spence, R. (2007). Information Visualization: Design for Interaction.
Tufte, E. (2001). The visual display of quantitative information, 2nd edition. Graphics Press.
Ware, C. (2012). Information Visualization, 3rd Edition, Perception for Design. Morgan Kaufmann.
Faculté ou entité
en charge


Programmes / formations proposant cette unité d'enseignement (UE)

Intitulé du programme
Sigle
Crédits
Prérequis
Acquis
d'apprentissage
Master [120] en journalisme

Master [60] en information et communication