Which disadvantaged students beat the odds in STEM? A design-consistent, fairness-audited machine learning study of 143,573 adolescents in 79 PISA 2022 education systems
Cette étude emploie une approche d'apprentissage automatique cohérente avec la conception et auditée en matière d'équité sur les données PISA 2022 de 143 573 adolescents défavorisés issus de 79 systèmes éducatifs pour identifier que, bien que l'auto-efficacité en mathématiques soit le prédicteur universel le plus fort de la résilience en STEM, les modèles prédictifs présentent d'importantes limites de transportabilité et des biais systématiques à l'encontre des filles et des élèves ruraux, soulignant la nécessité de stratégies de dépistage contextuelles et équitables.
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
Chaque année, des millions d'adolescents de quinze ans à travers le monde passent un test standardisé qui mesure leur compréhension des mathématiques et des sciences. Depuis des décennies, les chercheurs connaissent une vérité simple et obstinée concernant ces résultats : la richesse familiale d'un élève est l'un des prédicteurs les plus puissants de son score. Les enfants issus de milieux plus pauvres ont tendance à obtenir des scores plus bas, tandis que ceux issus de foyers plus aisés obtiennent des scores plus élevés. Cet écart est crucial car la maîtrise de ces matières est la porte d'entrée vers les carrières dans les sciences, la technologie, l'ingénierie et les mathématiques. Pourtant, l'histoire n'est pas entièrement déterministe. Dans chaque pays participant à ces tests, il existe des élèves issus du quart des ménages les plus pauvres qui défient les probabilités. Ils obtiennent des notes élevées tant en mathématiques qu'en sciences, prouvant que le désavantage ne rend pas le succès impossible. Ces élèves sont souvent appelés « résilients académiquement ». La question qui intrigue depuis longtemps les éducateurs et les décideurs politiques n'est pas seulement de savoir qui sont ces élèves, mais quels facteurs les aident à réussir. Est-ce leur propre confiance ? Le soutien de leurs enseignants ? Les ressources disponibles dans leurs écoles ?
Pendant longtemps, répondre à cette question reposait sur les statistiques traditionnelles, qui peinent souvent à démêler le réseau complexe de facteurs qui influencent la vie d'un élève. Récemment, les chercheurs ont commencé à utiliser l'apprentissage automatique (machine learning), un type de programme informatique capable de trouver des modèles dans de vastes quantités de données, pour chercher des réponses. Cependant, beaucoup de ces premières tentatives ont pris des raccourcis en ignorant la manière spécifique dont les données de test ont été collectées. Elles ont traité les données comme une simple liste de noms plutôt que comme un sondage soigneusement conçu, et elles ont souvent testé leurs modèles uniquement sur les mêmes données qu'elles avaient utilisées pour les construire, sans vérifier si les résultats tiendraient la route dans un autre pays. Une nouvelle étude publiée en 2026, dirigée par Omar Allohibi de l'Université de Taibah, s'efforce de résoudre ces problèmes. En analysant les données de 143 573 adolescents défavorisés à travers 79 systèmes éducatifs différents, ils ont construit un modèle d'apprentissage automatique conçu pour prédire quels élèves battraient les probabilités. De manière cruciale, ils ont construit le modèle avec un soin extrême pour respecter la conception du sondage, l'ont testé sur des pays qu'il n'avait jamais vus auparavant, et ont vérifié s'il traitait les différents groupes d'élèves de manière équitable.
L'étude a commencé par définir précisément ce que signifiait « battre les probabilités ». Ils se sont concentrés uniquement sur les élèves du quart inférieur de l'échelle socio-économique de chaque pays. Ils ont ensuite recherché ceux qui atteignaient un niveau de compétence spécifique en mathématiques et en sciences, un standard suffisamment élevé pour suggérer qu'ils sont prêts pour des études avancées. Ils ont constaté qu'à l'échelle mondiale, environ 12,5 % de ces élèves défavorisés atteignaient ce seuil élevé. Le taux variait considérablement d'un pays à l'autre, allant de moins d'un dixième de pour cent dans certains systèmes à 62 % à Singapour. Cette variation suggérait que l'environnement du système scolaire joue un rôle massif dans la capacité d'un élève à s'épanouir.
Lorsqu'ils ont entraîné leur modèle d'apprentissage automatique pour prédire quels élèves seraient résilients, celui-ci a obtenu des performances d'une précision remarquable. Le modèle pouvait distinguer les élèves en difficulté des élèves qui réussissent bien mieux qu'une simple supposition basée sur la moyenne du pays. Le prédicteur le plus puissant que le modèle a trouvé n'était ni une ressource scolaire, ni un niveau de revenu familial, mais la propre croyance de l'élève en sa capacité à faire des mathématiques. Ce sentiment, connu sous le nom d'auto-efficacité, était le facteur le plus déterminant dans les 79 pays. Les élèves qui croyaient pouvoir résoudre des problèmes mathématiques étaient beaucoup plus susceptibles de réussir, même face à des désavantages importants. D'autres facteurs, tels que l'accès à un ordinateur à la maison et la capacité à résister au stress, jouaient également des rôles importants. Curieusement, le modèle a également découvert que les élèves qui occupaient des emplois rémunérés en dehors de l'école étaient moins susceptibles d'être résilients, probablement parce qu'ils disposaient de moins de temps pour étudier.
Cependant, l'étude a révélé une limite critique dans la manière dont ces modèles sont souvent utilisés. Lorsqu'ils ont pris un modèle entraîné sur des données de nombreux pays et ont tenté de l'utiliser pour prédire les résultats dans un seul pays inconnu, sa précision a chuté de manière significative. Bien que le modèle soit toujours utile, il n'était pas aussi fiable que les chiffres mondiaux le suggéraient. Plus important encore, les facteurs spécifiques qui comptaient le plus dans un pays étaient souvent différents de ceux qui comptaient le plus dans un autre. La seule exception était la croyance en sa propre capacité mathématique, qui restait le principal prédicteur partout. Cette découverte remet en question l'idée qu'il existe une liste unique et universelle d'« ingrédients clés » du succès applicable à chaque culture et système éducatif. Au contraire, elle suggère que si la confiance est un moteur universel de réussite, les autres facteurs de soutien dépendent fortement du contexte local.
Ils ont également mené un audit d'équité pour voir si le modèle traitait tous les élèves de manière égale. Ils ont découvert que, bien que le modèle soit précis en moyenne, il commettait des erreurs de natures différentes pour différents groupes. Il était nettement moins susceptible d'identifier correctement les filles résilientes que les garçons résilients. Il était également beaucoup moins capable de repérer les élèves résilients vivant en zone rurale par rapport à ceux des zones urbaines. Lorsqu'ils ont supprimé le genre des données d'entrée du modèle, l'écart pour les filles a disparu, suggérant que le modèle avait appris à utiliser le genre comme un raccourci qui jouait contre les filles. Cependant, supprimer la localisation rurale n'a pas corrigé l'écart pour les élèves ruraux. Cela indiquait que le problème pour les élèves ruraux n'était pas le biais du modèle, mais plutôt le fait que les conditions globales dans les zones rurales rendaient le succès plus difficile à prédire avec un standard unique.
L'étude conclut que, bien que l'apprentissage automatique puisse les aider à comprendre les facteurs derrière la résilience académique, ils doivent être prudents quant à l'utilisation de ces outils. La conclusion la plus importante est que la confiance en sa propre capacité à apprendre les mathématiques est une force universelle puissante qui peut aider les élèves défavorisés à réussir. Mais compter sur un modèle mondial unique pour prendre des décisions pour chaque élève dans chaque pays est risqué. Les facteurs qui stimulent le succès ne sont pas les mêmes partout, et un modèle qui fonctionne bien dans un endroit peut passer à côté de la cible dans un autre. De plus, si ces outils sont utilisés pour identifier les élèves destinés aux programmes de soutien, ils doivent être vérifiés avec soin pour s'assurer qu'ils ne négligent pas systématiquement les filles ou les élèves des communautés rurales. En respectant la complexité des données et en testant les modèles dans le monde réel où ils seront utilisés, les chercheurs peuvent construire des outils qui favorisent réellement l'équité dans l'éducation plutôt que d'élargir accidentellement les écarts qu'ils visent à combler.
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.