A Multi-Modal Learning Analytics Framework for Academic Early Warning and Student Risk Prediction in Higher Education

Imaginez une école non pas comme une bibliothèque silencieuse de livres poussiéreux, mais comme un vaisseau spatial technologique et bouillonnant naviguant sur une mer déchaînée. Les membres de l'équipage sont les étudiants, et l'ordinateur du vaisseau surveille constamment leurs signes vitaux pour s'assurer que tout le monde reste sur la bonne voie. Pendant longtemps, l'équipage du vaisseau ne consultait les journaux de bord qu'après que quelqu'un ait commencé à couler — attendant qu'un étudiant échoue à plusieurs cours avant d'envoyer de l'aide. Mais c'est comme attendre que le moteur fume avant d'appeler un mécanicien ; à ce stade, il est souvent trop tard pour sauver le navire. Des scientifiques dans le domaine de l'« Analyse de l'apprentissage » essaient de changer cela. Ils utilisent une méthode appelée « Fouille de données éducatives », qui revient essentiellement à être un détective super intelligent qui cherche des milliers de petits indices — combien de temps vous étudiez, à quelle fréquence vous vous connectez, et même comment vous vous sentez — pour prédire qui pourrait avoir des ennuis avant que cela n'arrive. La grande question qu'ils posent est la suivante : pouvons-nous construire une boule de cristal qui ne nous dit pas seulement qui est en train d'échouer, mais qui nous dit exactement comment ils sont en difficulté afin que nous puissions les aider à temps ?

Ce document porte sur la construction de cette boule de cristal, mais avec une nuance : au lieu de regarder uniquement les notes, les chercheurs ont construit un cadre « multimodal ». Voyez cela comme un détective qui ne se contente pas de regarder le bulletin de notes d'un suspect, mais qui vérifie également son journal intime, ses habitudes sur les réseaux sociaux, son milieu familial et son programme de sommeil, tout cela en même temps. L'équipe, dirigée par Zhuotao Fang et des collègues de l'Université normale de Minzu de Xingyi, a rassemblé des données sur 1 194 vrais étudiants universitaires. Ils n'ont pas regardé une seule chose ; ils ont fusionné 31 types d'informations différents, allant de la « Moyenne générale actuelle » (comment ils réussissent actuellement) aux « Heures quotidiennes sur les réseaux sociaux » (combien de temps ils passent à faire défiler l'écran) et même au « Statut de logement » (s'ils vivent seuls ou en famille).

Les chercheurs voulaient voir s'ils pouvaient trier ces étudiants en trois groupes clairs : « Risque faible » (en sécurité et naviguant sans encombre), « Risque moyen » (un peu chancelants, ont besoin d'un coup de pouce) et « Risque élevé » (sur le point de chavirer). Pour ce faire, ils ont utilisé une astuce ingénieuse appelée « One-vs-Rest » (Un contre tous). Imaginez que vous avez trois agents de sécurité différents. Le premier travail est uniquement de repérer les étudiants à « Risque élevé » et d'ignorer tous les autres. Le deuxième ne cherche que le « Risque moyen », et le troisième ne cherche que le « Risque faible ». En les faisant travailler ensemble, le système peut prendre une décision très précise sur l'endroit où l'étudiant se situe.

Avant même de commencer l'entraînement de leurs modèles informatiques, l'équipe a utilisé un outil de visualisation spécial appelé t-SNE. Vous pouvez voir cela comme une carte magique qui écrase une immense pièce à 31 dimensions pour la transformer en un plan au sol en 2D. Lorsqu'ils ont tracé les étudiants sur cette carte, ils ont vu quelque chose d'incroyable : les étudiants à « Risque élevé » se sont naturellement regroupés en îlots serrés et isolés, tandis que les étudiants à « Risque faible » formaient leurs propres îlots distincts. Cela a prouvé que les indices qu'ils recherchaient étaient en réalité efficaces pour séparer les groupes, tout comme un bon scanner d'empreintes digitales peut distinguer deux personnes instantanément.

Lorsqu'ils ont testé leur modèle final, les résultats étaient impressionnants. L'ordinateur était comme un capitaine expérimenté capable de regarder les données d'un étudiant et de dire : « Cet étudiant a 95 % de chances d'être dans le groupe à risque élevé », avec une grande confiance. L'indice le plus important ? Les notes de l'étudiant du semestre précédent. Il s'avère que la performance passée est le prédicteur le plus fort de la performance future, agissant comme une ancre lourde qui vous tire dans la même direction. Cependant, le modèle a également trouvé que passer trop de temps sur les réseaux sociaux était un signal d'alarme, tandis que l'assiduité en classe et l'étude quotidienne étaient de bons signes. Curieusement, des éléments comme le revenu familial ou le genre ne semblaient pas avoir de lien direct ou simple avec les notes dans cet ensemble de données spécifique, suggérant que les habitudes quotidiennes comptent plus que le milieu d'origine dans ce contexte.

L'étude suggère que ce type de système pourrait changer la donne pour les universités. Au lieu d'attendre qu'un étudiant échoue, le système pourrait envoyer une alerte automatique à un conseiller dès que le « score de risque » d'un étudiant franchit une certaine ligne. Cela permettrait une « intervention proactive », ce qui signifie qu'un conseiller pourrait s'asseoir avec un étudiant et dire : « Hé, nous avons remarqué que tu passes beaucoup de temps sur les réseaux sociaux et que ton assiduité chute. Trouvons une solution ensemble », avant que l'étudiant n'échoue réellement à un cours. Les chercheurs ont constaté que leur modèle était très précis, faisait rarement des erreurs, et ne s'embrouillait pas même lorsqu'il y avait moins d'étudiants à « risque élevé » que d'étudiants à « risque faible ».

Cependant, les auteurs notent prudemment que leur système n'est pas une magie parfaite. Certaines données provenaient d'étudiants remplissant des enquêtes sur eux-mêmes, ce qui signifie que les gens auraient pu mentir ou oublier des détails. De plus, le modèle est en partie une « boîte noire » ; bien qu'il prédise bien le risque, il n'explique pas toujours le pourquoi d'une manière que l'on puisse facilement comprendre pour un conseiller humain. L'équipe suggère qu'à l'avenir, ils pourraient améliorer le système en le connectant directement aux journaux en temps réel des plateformes d'apprentissage en ligne, afin qu'il puisse voir exactement ce qu'un étudiant fait au moment même où il clique sur un bouton, plutôt que d'attendre qu'il remplisse un formulaire. Pour l'instant, cependant, cette recherche montre qu'en combinant les notes, les habitudes et les détails de la vie, nous pouvons construire un filet de sécurité beaucoup plus intelligent pour les étudiants, transformant l'ordinateur du vaisseau d'un enregistreur passif en un gardien actif.