Predicting At Risk Student Performance at the First Quarter Semester Boundary Using Ensemble Learning
Cette étude propose un cadre d'aide à la décision d'alerte précoce utilisant des modèles d'apprentissage d'ensemble entraînés sur le jeu de données OULAD et améliorés par SMOTE pour prédire efficacement la performance des étudiants à risque à la limite du premier trimestre, démontrant que LightGBM atteint une précision supérieure dans l'identification des étudiants nécessitant une intervention académique opportune.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Dans le vaste paysage de l'enseignement supérieur, les universités sont confrontées à un défi persistant et coûteux : maintenir les étudiants sur la voie de l'obtention de leur diplôme. Lorsqu'un étudiant commence à éprouver des difficultés, les signes apparaissent souvent tôt, cachés dans le rythme discret de leurs interactions numériques quotidiennes. Au cours des deux dernières décennies, l'essor des plateformes d'apprentissage en ligne a transformé ces interactions en un flux riche de données. Chaque fois qu'un étudiant se connecte, clique sur un lien ou soumet un devoir, un enregistrement est effectué. Ce domaine, connu sous le nom d'analyse de l'apprentissage (learning analytics), cherche à donner du sens à ces empreintes numériques. En appliant des outils statistiques à ces données, les éducateurs espèrent repérer des modèles signalant qu'un étudiant est en difficulté bien avant qu'une note finale ne soit attribuée. L'objectif n'est pas de prédire l'avenir avec certitude, mais d'offrir un avertissement opportun qui permette aux enseignants d'intervenir avec un soutien avant qu'un étudiant n'abandonne ou n'échoue.
Une nouvelle étude menée par Omara Innocent à l'Université de technologie et de gestion d'Uganda s'attaque à ce problème en testant un type spécifique de programme informatique conçu pour apprendre des données. La recherche se concentre sur le tout début d'un semestre, plus précisément le premier trimestre, en demandant s'il est possible d'identifier les étudiants à risque dès cette étape précoce. Pour ce faire, le chercheur a utilisé une vaste collection publique de données provenant de l'Open University au Royaume-Uni, qui contient les dossiers de milliers d'étudiants, leurs données démographiques et leurs journaux d'activité détaillés d'un environnement d'apprentissage virtuel. Le cœur de l'étude consistait à entraîner trois types différents de modèles informatiques avancés pour examiner ces données et décider quels étudiants étaient susceptibles de réussir et lesquels étaient susceptibles d'échouer. Ces modèles sont connus sous le nom d'apprenants d'ensemble (ensemble learners), une méthode où plusieurs décideurs simples sont combinés pour former un prédicteur unique et plus intelligent. Le chercheur a testé trois versions spécifiques de ces modèles : Random Forest, XGBoost et LightGBM.
L'étude a révélé qu'un modèle, nommé LightGBM, a nettement surpassé les autres. Lors des tests sur les données, ce modèle a identifié les étudiants à risque avec un haut degré de précision, atteignant un score de 0,89 sur une échelle où plus la valeur est élevée, mieux c'est. Il s'est également avéré être le plus rapide, ne nécessitant qu'environ 4,1 secondes pour s'entraîner sur l'ensemble des données, contre près de 29 secondes pour le deuxième meilleur modèle. La recherche a également abordé un problème courant dans ce domaine : le fait qu'il y a beaucoup plus d'étudiants qui réussissent que d'étudiants qui échouent dans un groupe donné. Pour corriger cela, le chercheur a utilisé une technique appelée SMOTE, qui crée des exemples synthétiques d'étudiants à risque pour équilibrer les données. Cet ajustement a été crucial ; il a aidé les modèles à cesser d'ignorer le groupe minoritaire et a considérablement réduit le nombre d'étudiants en situation d'échec qui étaient étiquetés à tort comme étant en sécurité. Sans cette étape, les modèles auraient été trop prompts à supposer que tout le monde réussirait.
La découverte la plus révélatrice ne fut peut-être pas seulement de savoir quel modèle fonctionnait le mieux, mais aussi ce que les modèles examinaient réellement pour prendre leurs décisions. Les programmes informatiques ont accordé beaucoup plus de poids au comportement en ligne des étudiants qu'à leur profil à leur arrivée. Des facteurs tels que le retard avec lequel un étudiant soumet un devoir, la fréquence à laquelle il consulte les pages de quiz et son niveau de participation active aux forums de discussion étaient les prédicteurs les plus forts de l'échec. En revanche, les détails statiques tels que l'âge de l'étudiant, son sexe ou ses scores d'éducation antérieurs contribuaient beaucoup moins à la prédiction. Cela suggère que la manière dont un étudiant interagit avec le contenu de son cours au cours des premières semaines est un indicateur plus fiable de sa réussite future que son parcours. L'étude confirme que les données comportementales, telles que le moment d'un clic ou le délai d'une soumission, fournissent un signal plus clair du risque académique que les informations démographiques traditionnelles.
Le chercheur a également proposé un moyen de mettre ces résultats en pratique dans le monde réel sans violer la vie privée des étudiants. Le système suggéré ne prendrait pas de décisions de lui-même. Au lieu de cela, il agirait comme un outil d'aide à la décision, envoyant une alerte sécurisée et anonymisée au personnel académique lorsqu'un étudiant montre des signes de difficulté. Cette alerte serait une incitation pour qu'un conseiller humain intervienne, plutôt qu'un jugement définitif sur le sort de l'étudiant. Le cadre souligne que si l'ordinateur peut repérer le modèle, l'intervention doit rester un acte humain, guidé par l'éthique et la bienveillance. L'étude conclut que bien que ces outils soient puissants, ils ne sont pas une solution magique. Ils fonctionnent mieux lorsqu'ils servent à soutenir, et non à remplacer, le jugement des éducateurs. Les conclusions offrent une voie pratique pour les universités : en prêtant une attention particulière aux comportements numériques précoces et en utilisant des modèles informatiques efficaces pour les mettre en évidence, les institutions peuvent intervenir plus tôt, sauvant potentiellement des étudiants d'une trajectoire menant à l'échec.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.