Academic resilience in the Latin America region post COVID-19 pandemic -- an explainable machine learning analysis of its determinants and heterogeneity using alternative definitions

En s'appuyant sur les données PISA 2022 et des méthodes d'apprentissage automatique explicables, cette étude identifie les déterminants clés et l'hétérogénéité de la résilience académique des élèves défavorisés en Amérique latine post-pandémie, mettant en évidence l'impact crucial des ressources familiales, des facteurs scolaires et des perturbations liées au COVID-19 pour éclairer les futures politiques éducatives.

L'essentiel

Voici une explication simple et imagée de ce document de recherche, conçue pour être comprise par tout le monde, même sans bagage scientifique.

🌟 Le Titre : Comment certains élèves réussissent contre toute attente ?

Imaginez que l'éducation en Amérique latine est comme une course de relais dans une tempête. Avant la pandémie, certains coureurs (les élèves) partaient déjà avec un désavantage : ils couraient dans la boue, avec de vieilles chaussures et sans bâtons.

Puis est arrivée la pandémie de COVID-19. C'était comme si la tempête s'était transformée en ouragan. Les écoles ont fermé pendant des mois (en moyenne 270 jours !), et les élèves les plus pauvres ont été les plus touchés. Beaucoup ont perdu leur "souffle" et sont tombés en arrière.

Mais, dans cette course difficile, il y a un groupe spécial : les élèves résilients. Ce sont ceux qui, malgré la boue, les chaussures percées et l'ouragan, ont réussi à courir vite et à atteindre la ligne d'arrivée avec succès.

Ce papier de recherche pose une question simple : « Qu'est-ce qui a permis à ces élèves de réussir alors que tout semblait les condamner à l'échec ? »

---

🕵️‍♂️ La Méthode : Des détectives avec des super-pouvoirs

Les chercheurs (Marcos et Andrés) n'ont pas juste posé des questions aux élèves. Ils ont utilisé une méthode très moderne, un peu comme un détective privé qui utilise un scanner futuriste.

1. Les Données : Ils ont regardé les résultats de 9 pays d'Amérique latine (comme le Brésil, le Mexique, l'Argentine, etc.) provenant d'un grand examen international (PISA 2022).
2. L'Intelligence Artificielle (IA) : Au lieu de faire des calculs mathématiques classiques, ils ont utilisé une IA intelligente (appelée Machine Learning) capable de voir des motifs invisibles à l'œil nu.
3. Le « SHAP » (Le Super-Scanner) : C'est l'outil le plus important. Imaginez que vous avez un gâteau (la réussite de l'élève). Le scanner SHAP vous dit exactement combien chaque ingrédient a contribué à la réussite du gâteau. Est-ce que c'est la farine (les livres à la maison) ? Le sucre (l'ordinateur) ? Ou le four (l'école) ?

---

🔍 Ce qu'ils ont découvert (Les Ingrédients Secrets)

En analysant les données, ils ont trouvé que les ingrédients qui font la différence changent selon la façon dont on définit la "réussite".

1. Pour la réussite "de base" (SAR1) : Tout commence à la maison 🏠

Si on regarde les élèves qui réussissent simplement "mieux que prévu" par rapport à leur milieu, les facteurs clés sont familiaux :

• Les jouets du futur : Avoir des ordinateurs et des tablettes à la maison est crucial. C'est comme avoir un moteur puissant.
• La bibliothèque personnelle : Avoir des livres à la maison aide énormément.
• Le genre : Curieusement, les garçons semblent plus souvent dans ce groupe de "résilients" que les filles dans ce contexte spécifique.
• Le travail : Les élèves qui travaillent beaucoup (pour de l'argent) ont plus de mal à réussir. C'est comme essayer de courir un marathon tout en portant un sac de pierres.
• La personnalité : Être curieux, empathique et ne pas être trop stressé aide aussi.

2. Pour la réussite "pure" (SAR2) : L'école prend le relais 🏫

Si on enlève l'influence de la famille pour ne regarder que ce que l'école apporte, les ingrédients changent. Là, c'est l'école qui compte le plus :

• La taille de l'école : Les grandes écoles semblent mieux fonctionner.
• La connexion : Le ratio d'ordinateurs connectés à internet par élève est vital.
• Les enseignants : Avoir des professeurs certifiés et qui se forment régulièrement est un facteur majeur. C'est comme avoir un capitaine d'orchestre expérimenté.
• La classe : Moins d'élèves par professeur (STR) aide.

3. L'impact de la pandémie : La tempête a laissé des traces 🌪️

C'est une découverte triste mais importante :

• Plus une école est restée fermée longtemps, moins les élèves ont de chances d'être résilients.
• Plus il y avait d'obstacles pour apprendre à distance (pas d'internet, pas d'appareils), moins les élèves ont réussi.
• À l'inverse, les élèves qui ont pu suivre des cours à distance avec de bons outils ont mieux résisté.

---

🎭 Deux profils extrêmes : Le héros et le perdant

Les chercheurs ont comparé deux élèves imaginaires pour illustrer leurs résultats :

• Le Héros (L'élève résilient) :

  • Il va dans une école privée.
  • Il a beaucoup de livres et d'ordinateurs à la maison.
  • Il ne répète pas de classe (il n'a jamais redoublé).
  • Il fait ses devoirs régulièrement.
  • Ses parents sont instruits.
  • Son école a des professeurs très qualifiés.
  • Résultat : Il a réussi à surmonter les obstacles.

• Le Perdant (L'élève en difficulté) :

  • Il a redoublé plusieurs fois.
  • Il a peu de livres et d'ordinateurs.
  • Il travaille beaucoup pour aider sa famille.
  • Il a des parents qui n'ont pas fini l'école primaire.
  • Son école est petite, mal équipée et fermée depuis longtemps.
  • Résultat : Il a du mal à suivre, même s'il essaie.

---

💡 La Leçon pour l'Avenir

Ce papier nous dit que pour aider les élèves pauvres à réussir (à devenir résilients), il ne suffit pas de dire "travaille plus". Il faut agir sur plusieurs fronts :

1. À la maison : Donner accès aux outils numériques (ordinateurs) et aux livres.
2. À l'école : S'assurer que les professeurs sont bien formés et que les classes ne sont pas surchargées.
3. Contre la pandémie : Réduire les temps de fermeture des écoles et améliorer l'accès à l'enseignement à distance.

En résumé, la résilience scolaire, c'est comme construire un pont solide. Si l'un des piliers (la famille, l'école, ou la technologie) est faible, le pont risque de s'effondrer. Mais si on renforce tous les piliers, même les élèves les plus fragiles peuvent traverser la rivière et atteindre l'autre rive du succès.

Résumé technique

Voici un résumé technique détaillé de l'article de recherche en français, structuré selon les sections demandées.

Titre de l'étude

Résilience académique en Amérique latine post-pandémie : Une analyse par apprentissage automatique explicable des déterminants et de l'hétérogénéité à l'aide de définitions alternatives.

1. Problématique et Contexte

L'Amérique latine et les Caraïbes (ALC) font face à une crise d'apprentissage préexistante, exacerbée par la pandémie de COVID-19. La région a connu des fermetures d'écoles prolongées (moyenne de 270 jours), entraînant une perte d'années scolaires estimée entre 0,9 et 1,1 an, avec des pertes disproportionnées pour les étudiants les plus pauvres (le décile inférieur perdant près de 81 % d'années d'éducation contre 22 % pour le décile supérieur).

Dans ce contexte, le concept de résilience académique des étudiants (SAR) est crucial. Il désigne la capacité des élèves issus de milieux socio-économiques défavorisés à atteindre des niveaux de performance élevés malgré l'adversité. L'objectif de l'article est d'identifier les déterminants clés de cette résilience dans la région ALC pour éclairer les politiques de récupération éducative, en utilisant des données récentes (PISA 2022) et des méthodes d'intelligence artificielle avancées.

2. Méthodologie

Données et Échantillon :

• Source : Données PISA 2022.
• Pays : 9 pays d'Amérique latine (Argentine, Brésil, Chili, Colombie, République dominicaine, Mexique, Panama, Pérou, Uruguay).
• Population cible : Les 40 % d'élèves les plus défavorisés (deux premiers quintiles de l'indice ESCS : statut économique, social et culturel).

Définitions de la Résilience Académique (SAR) :
L'étude propose quatre indicateurs binaires alternatifs pour capturer la résilience, comblant le manque de consensus dans la littérature :

1. SAR1 : Élèves des deux premiers quintiles ESCS atteignant le niveau 2 ou plus dans les trois matières (mathématiques, lecture, sciences).
2. SAR2 : Probabilité estimée d'atteindre le niveau 2 (via un modèle logit multiniveau à 3 niveaux), où les élèves sont classés résilients s'ils se situent dans le top 40 % des probabilités estimées (net des effets ESCS familiaux et scolaires).
3. SAR3 : Sous-ensemble de SAR1, restreint aux élèves des écoles les plus inégalitaires (corrélation forte entre performance et SES).
4. SAR4 : Sous-ensemble de SAR2, excluant les élèves des écoles les plus "efficientes" (intercepts aléatoires élevés).

Approche d'Apprentissage Automatique (ML) :

• Modèles comparés : Régression logistique (Logit), Réseaux de neurones (NN) et Arbres de décision boostés en gradient (GBT).
• Sélection du modèle : Les GBT (implémentés via XGBoost) ont démontré une supériorité significative (AUROC et AUPRC) par rapport aux autres modèles, grâce à leur capacité à capturer des effets non linéaires et des interactions complexes.
• Explicabilité (XAI) : Utilisation de la méthode SHAP (Shapley Additive exPlanations) pour interpréter les prédictions du modèle GBT. Cela permet de quantifier l'importance et la direction (positive/négative) de chaque variable explicative.
• Analyses complémentaires :
  • Comparaison des déterminants par sous-groupes (Public/Privé, Urbain/Rural).
  • Analyse des variables de contexte COVID (durée des fermetures, barrières au télétravail).
  • Étude de cas locaux (profils d'élèves aux extrêmes de la distribution SHAP).

3. Contributions Clés

1. Première étude régionale : C'est la première étude à investiguer spécifiquement les déterminants de la résilience académique pour l'ensemble de la région ALC.
2. Innovation méthodologique : Application de l'IA explicable (SHAP) aux enquêtes d'apprentissage internationales pour dépasser les limites des modèles linéaires traditionnels.
3. Approche multidimensionnelle : Utilisation de quatre définitions alternatives de la résilience pour tester la robustesse des résultats et montrer comment la définition de l'indépendante change les déterminants identifiés.
4. Focus sur la pandémie : Intégration explicite des variables liées à la COVID-19 (durée des fermetures, barrières au numérique) comme déterminants de la résilience.

4. Résultats Principaux

Déterminants Globaux (Échantillon complet) :

• Pour SAR1 (Seuil de performance absolu) : Les déterminants dominants sont individuels et familiaux.
  • Facteurs positifs : Nombre de livres et d'appareils numériques à la maison, genre (masculin), temps passé aux devoirs, satisfaction de vie, absence de redoublement, faible engagement dans le travail rémunéré.
  • Facteurs négatifs : Redoublement (primaire et secondaire), travail rémunéré intense, faible nombre de ressources numériques.
• Pour SAR2 (Probabilité relative, net des effets SES) : Le centre de gravité se déplace vers le domaine scolaire.
  • Facteurs clés : Taille de l'école, ratio d'ordinateurs connectés à internet, ratio élèves/enseignants (STR), qualité de l'enseignement (taux d'enseignants certifiés, formation continue), type d'école.
• Impact de la COVID-19 :
  • Une durée plus longue des fermetures d'écoles est fortement corrélée à une baisse de la probabilité de résilience (augmentation de 170 à 400 jours de fermeture réduit les cotes de résilience de 10 % à 25 %).
  • Les barrières au téléapprentissage (connectivité, matériel) ont un impact négatif significatif.
  • À l'inverse, une plus grande proportion d'élèves en télétravail est associée à de meilleures chances de résilience.
• Traits de personnalité : La curiosité et la persévérance ont un effet protecteur positif, bien que l'ampleur varie selon l'indicateur SAR utilisé.

Hétérogénéité (Sous-échantillons) :

• Public vs Privé : Les déterminants diffèrent significativement. Dans les écoles publiques, l'assertivité, le taux d'enseignants certifiés et le genre sont plus prédictifs. Dans les écoles privées, l'éducation des parents et les barrières au télétravail jouent un rôle plus prépondérant.
• Urbain vs Rural :
  • En milieu rural, le genre, les devoirs, le ratio élèves/enseignants et les barrières COVID sont des déterminants critiques.
  • En milieu urbain, les facteurs familiaux (éducation des parents) et les ressources numériques sont plus déterminants.

Analyse Locale (Profils extrêmes) :

• Élève le plus résilient (SAR1) : Garçon, école privée, peu de redoublement, nombreuses ressources numériques et livres, peu de travail rémunéré, forte satisfaction de vie, école avec 83 % d'enseignants certifiés.
• Élève le moins résilient : Redoubleur (primaire et secondaire), traits de personnalité négatifs (faible empathie, gestion du stress), peu de devoirs, parents peu éduqués, école défavorisée avec peu de ressources numériques et fermetures prolongées.

5. Signification et Implications Politiques

Cette étude fournit une base empirique solide pour concevoir des politiques éducatives de récupération post-pandémie en Amérique latine :

1. Ciblage des interventions : Les politiques doivent être différenciées selon le contexte (urbain/rural, public/privé). Par exemple, améliorer la qualité des enseignants et la connectivité est crucial en milieu rural, tandis que le soutien aux devoirs et aux ressources familiales est vital en milieu urbain.
2. Réduction des inégalités structurelles : La forte corrélation entre la durée des fermetures et la perte de résilience souligne la nécessité de plans de continuité pédagogique robustes pour les futures crises.
3. Approche holistique : La résilience ne dépend pas uniquement de l'école ou de la famille, mais de l'interaction complexe entre les deux, ainsi que des traits psychologiques des élèves (curiosité, persévérance).
4. Outil de politique publique : En identifiant les "facteurs de levier" (pull-up factors), les décideurs peuvent aider les élèves défavorisés à passer du groupe des "faibles performances" au groupe des "résilients", favorisant ainsi la mobilité sociale ascendante.

En conclusion, l'article démontre que l'utilisation de méthodes d'IA explicable permet de dépasser les analyses agrégées pour révéler des dynamiques subtiles et contextuelles essentielles pour lutter contre la crise d'apprentissage en Amérique latine.