Dans la salle de classe moderne, une révolution silencieuse est en cours, portée non pas par de nouveaux manuels scolaires ou de nouvelles méthodes d'enseignement, mais par le bourdonnement invisible des données. Les écoles deviennent de plus en plus des environnements « intelligents », remplis d'appareils capables de voir, d'entendre et d'enregistrer le rythme quotidien de l'apprentissage. Ce sont les outils de l'Internet des Objets, un réseau d'objets connectés qui recueillent des informations sur le monde qui les entoure. Dans une école, cela peut signifier un capteur qui suit l'entrée d'un élève dans une pièce, un dispositif portable qui surveille l'engagement, ou un système numérique qui enregistre chaque fois qu'un élève clique sur un lien dans une leçon en ligne. Aux côtés de ces capteurs se trouve la puissance de l'apprentissage automatique (machine learning), une branche de l'informatique où les logiciels apprennent à trouver des modèles dans de vastes quantités d'informations sans qu'on leur dise explicitement quoi chercher. Depuis des années, les éducateurs s'appuient sur les notes aux examens et les feuilles de présence pour deviner comment un élève progresse, mais ces dossiers ne sont souvent qu'un instantané du passé. La question est maintenant de savoir si nous pouvons utiliser ce flux de données en temps réel pour comprendre le parcours d'apprentissage d'un élève au moment même où il se déroule, et si, dans ce cas, nous pouvons faire confiance à l'ordinateur pour nous dire ce qu'il voit.

Deepali Sharma, chercheuse à la Graphic Era Deemed to be University en Inde, a proposé une nouvelle façon de répondre à cette question. Ses travaux se concentrent sur les élèves du collège, une période critique où les habitudes d'apprentissage se forment, et elle suggère un cadre qui combine les données des classes intelligentes avec des algorithmes informatiques avancés pour prédire la performance académique. L'idée centrale est simple mais profonde : au lieu d'attendre qu'un élève échoue à un examen, le système surveille son comportement quotidien — la fréquence de sa participation, la manière dont il interagit avec les outils numériques, et même la température et les niveaux de bruit dans sa classe — afin de prévoir sa réussite future. Cependant, il existe un obstacle majeur. Les modèles informatiques les plus puissants capables de faire ces prédictions fonctionnent souvent comme une boîte noire ; ils produisent une réponse, mais personne ne sait comment ils y sont parvenus. Les enseignants ne peuvent pas faire confiance à un système qu'ils ne comprennent pas, surtout quand ce système pourrait suggérer qu'un élève a besoin d'une aide supplémentaire. La recherche de Sharma répond à cela en y intégrant un troisième élément : l'intelligence artificielle explicable. Il s'agit d'un ensemble de techniques conçues pour ouvrir la boîte noire, forçant l'ordinateur à montrer son raisonnement et à expliquer exactement quels facteurs ont conduit à sa prédiction.

Le cadre décrit par Sharma commence par la collecte d'une riche tapisserie de données. Imaginez une salle de classe où chaque élève est connecté à un écosystème numérique. Des systèmes RFID suivent la présence dès qu'un élève entre, tandis que des dispositifs portables et des capteurs environnementaux surveillent les conditions physiques de la pièce, telles que la lumière et le bruit. Simultanément, des systèmes de gestion de l'apprentissage enregistrent chaque devoir soumis, chaque quiz effectué et chaque minute passée sur une plateforme numérique. Toutes ces informations convergent vers une base de données centrale, créant une image détaillée de la vie scolaire d'un élève qui va bien au-delà d'une note finale. Avant que l'ordinateur ne puisse apprendre de ces données, celles-ci doivent être nettoyées et organisées, éliminant les erreurs et comblant les lacunes afin que les modèles soient clairs. Les chercheurs sélectionnent ensuite les pièces les plus importantes de ce puzzle, telles que les pourcentages de présence, la fréquence de réalisation des devoirs et la fréquence à laquelle un élève interagit avec le système d'apprentissage en ligne. Ces détails spécifiques deviennent les ingrédients des modèles d'apprentissage automatique.

Pour donner du sens à ces données complexes, l'étude emploie deux types puissants d'algorithmes informatiques connus sous le nom de méthodes d'ensemble. L'un est appelé Random Forest (Forêt aléatoire), qui fonctionne en construisant de nombreux arbres de décision différents et en leur demandant de voter sur le résultat, un peu comme un groupe d'experts débattant d'une affaire pour parvenir à un consensus. L'autre est XGBoost, une méthode qui construit un modèle étape par étape, en corrigeant constamment ses propres erreurs pour devenir plus précis à chaque itération. Ces deux méthodes sont choisies car elles sont exceptionnellement douées pour gérer des données réelles désordonnées et sont moins susceptibles d'être trompées par un bruit aléatoire. Une fois entraînés sur les données éducatives collectées, ces modèles peuvent prédire avec une grande précision si un élève est susceptible de rencontrer des difficultés ou de réussir. Mais la prédiction n'est que la moitié de la bataille. Si un enseignant est informé qu'un élève est « à risque », il doit savoir pourquoi. Est-ce parce que l'élève a manqué trop de cours ? Est-ce parce qu'il a cessé de se connecter au système de devoirs ? Ou est-ce parce que la salle de classe était trop bruyante ?

C'est là que l'intelligence artificielle explicable intervient, agissant comme le traducteur entre l'ordinateur complexe et l'enseignant humain. Le cadre utilise deux outils spécifiques, SHAP et LIME, pour lever les couches de la prédiction. SHAP examine la vue d'ensemble, montrant quels facteurs comptent généralement le plus pour tous les élèves, tandis que LIME se concentre sur un seul élève pour expliquer pourquoi cet enfant spécifique a reçu une prédiction particulière. Si le système signale qu'un élève a besoin d'aide, il peut désormais identifier les caractéristiques spécifiques qui ont contribué à ce résultat, comme une baisse de la complétion des devoirs ou un manque de connexions récentes au système. Cette transparence est cruciale. Elle transforme l'ordinateur d'un oracle mystérieux en un assistant utile qui fournit un raisonnement fondé sur des preuves. L'enseignant peut alors examiner l'explication, la vérifier par rapport à ses propres observations et concevoir une intervention personnalisée qui traite le problème spécifique, plutôt que de deviner ce qui pourrait ne pas aller.

La recherche suggère qu'en combinant ces trois piliers — les données en temps réel de l'Internet des Objets, la puissance prédictive de l'apprentissage automatique d'ensemble et la clarté de l'IA explicable — les écoles peuvent passer d'une éducation réactive à une éducation proactive. Le résultat attendu est un système qui identifie les élèves en difficulté plus tôt que jamais, non pas en attendant une mauvaise note, mais en remarquant les changements subtils de comportement qui la précèdent. Cela promet de donner aux enseignants une vue claire des facteurs influençant leurs élèves, leur permettant d'adapter leur soutien aux besoins individuels de chaque enfant. Bien que l'étude soit actuellement un cadre proposé et n'ait pas encore été testée dans une classe réelle avec de vrais élèves, la logique est solide et le potentiel est significatif. Elle offre une voie vers un avenir où la technologie ne remplace pas l'enseignant, mais l'équipe avec une compréhension plus profonde et plus immédiate du processus d'apprentissage, garantissant qu'aucun élève ne passe inaperçu en tombant entre les mailles du filet.