Machine Learning Prediction of Undergraduate Academic Performance for Early Identification of At-Risk Students: Evidence from Nnamdi Azikiwe University
Cette étude démontre que les modèles d'apprentissage automatique, particulièrement les machines à vecteurs de support, peuvent prédire efficacement le risque académique des étudiants de premier cycle à l'Université Nnamdi Azikiwe en utilisant des dossiers de routine tels que la moyenne de la première session et les cours de rattrapage, permettant ainsi des interventions opportunes pour les étudiants à risque.
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
Les universités d'aujourd'hui sont confrontées à un défi discret mais croissant : elles forment plus d'étudiants que jamais, pourtant elles manquent souvent de temps ou d'outils pour remarquer quand un étudiant spécifique commence à éprouver des difficultés avant qu'il ne soit trop tard. Par le passé, un éducateur pouvait attendre une note insuffisante ou un examen manqué pour réaliser qu'un étudiant était en difficulté, mais à ce stade, l'écart d'apprentissage est souvent devenu trop large pour être comblé facilement. Pour résoudre cela, les chercheurs se tournent vers un domaine appelé l'apprentissage automatique (machine learning), qui est essentiellement une façon pour les ordinateurs d'apprendre à partir de modèles dans les données plutôt que de suivre un ensemble strict de règles écrites par un humain. En nourrissant ces systèmes avec des dossiers historiques de performance académique, d'assiduité et de parcours, l'ordinateur peut apprendre à repérer les signes subtils qui précèdent l'échec académique. L'objectif n'est pas de remplacer les enseignants par des algorithmes, mais de leur donner un système d'alerte précoce — un moyen de voir quels étudiants pourraient avoir besoin d'aide avant de prendre du retard, permettant un soutien opportun qui peut changer toute la trajectoire académique d'un étudiant.
À l'Université Nnamdi Azikiwe au Nigeria, une équipe de chercheurs a décidé de tester si cette approche pouvait fonctionner dans leur contexte spécifique. Ils ont rassemblé les dossiers académiques de 400 étudiants de premier cycle, examinant un large éventail de détails incluant leurs scores aux examens d'entrée, leurs notes du premier semestre, la fréquence de leur présence aux cours, leurs scores aux évaluations continues, et même s'ils avaient échoué à des cours par le passé. Les chercheurs ont ensuite demandé à quatre modèles informatiques différents d'analyser ces informations et de prédire quels étudiants seraient à risque de faibles performances académiques. Ils ont défini le terme « à risque » comme étant les étudiants dont la performance tombait en dessous d'un certain standard, créant ainsi deux groupes : ceux qui réussissent bien et ceux qui sont en difficulté. L'équipe voulait voir si les ordinateurs pouvaient identifier le groupe en difficulté tôt, en utilisant uniquement les données disponibles au début du semestre, et déterminer quels facteurs spécifiques étaient les indicateurs les plus forts de problèmes.
Les résultats ont révélé un tableau clair de ce qui sépare un étudiant épanoui de celui qui est en danger. Sur les 400 étudiants étudiés, près d'un sur quatre a été identifié comme étant à risque. Lorsque les chercheurs ont examiné attentivement les données, ils ont découvert que les étudiants en difficulté partageaient un profil très spécifique. Ils étaient entrés à l'université avec des scores aux examens d'entrée plus bas, mais plus important encore, leur performance durant le premier semestre était un signal bien plus fort de difficultés futures. Le prédicteur le plus puissant était la moyenne générale du premier semestre ; les étudiants à risque avaient une moyenne de 2,43, tandis que ceux qui réussissaient bien avaient une moyenne de 3,24. Le nombre de cours qu'un étudiant avait échoués précédemment, connu sous le nom de cours de rattrapage (carryover courses), était le deuxième facteur le plus important. Les étudiants à risque avaient échoué en moyenne à 2,5 cours, contre seulement un pour leurs pairs. D'autres facteurs comme les scores d'évaluation continue et l'assiduité aux cours jouaient également un rôle, les étudiants en difficulté assistant à moins de cours et obtenant des scores plus bas aux tests réguliers. Curieusement, les données ont montré que le genre de l'étudiant ou la manière spécifique dont il est entré à l'université n'aidait pas à prédire qui allait éprouver des difficultés, suggérant que le comportement académique importe bien plus que les données démographiques de fond dans ce contexte.
Pour trouver la meilleure façon de faire ces prédictions, les chercheurs ont comparé quatre techniques différentes d'apprentissage automatique, chacune abordant le problème d'une manière légèrement différente. Une méthode, appelée forêt de décision (decision forest), construit de nombreux arbres de décision simples pour faire une supposition collective. Une autre, connue sous le nom de machine à vecteurs de support (support vector machine), tente de tracer une ligne complexe qui sépare les étudiants en difficulté des étudiants qui réussissent. Lorsque les modèles ont été testés sur de nouvelles données qu'ils n'avaient jamais vues auparavant, les résultats ont été surprenants. Le modèle qui avait le mieux performé lors de la phase d'entraînement initiale ne s'est pas aussi bien maintenu face à de nouveaux étudiants. Au lieu de cela, la machine à vecteurs de support et une méthode appelée régression logistique se sont révélées être les plus fiables. La machine à vecteurs de support a correctement identifié 16 des 20 étudiants en difficulté du groupe de test, n'en manquant que quatre, tout en maintenant le nombre de fausses alertes — des étudiants signalés comme étant en difficulté alors qu'ils réussissaient très bien — relativement bas. Les modèles informatiques ont été capables de distinguer les deux groupes avec un haut degré de précision, prouvant que les modèles dans les données étaient réels et cohérents.
L'étude a également approfondi la raison pour laquelle les modèles prenaient leurs décisions, s'assurant que les résultats n'étaient pas seulement un tour de passe-passe statistique mais reflétaient de réelles dynamiques éducatives. L'analyse a confirmé que ce qu'un étudiant fait durant son premier semestre est bien plus révélateur que son point de départ. Bien que les scores aux examens d'entrée comptent, ils étaient éclipsés par la manière dont l'étudiant performait une fois réellement en classe. L'ordinateur a appris qu'une faible moyenne générale, un nombre élevé de cours échoués et une faible assiduité étaient les signaux les plus forts qu'un étudiant était en difficulté. Cela concorde avec l'idée que l'apprentissage est un processus actif ; les étudiants qui ne s'impliquent pas dans leurs études, manquent les cours ou ne parviennent pas à assimiler la matière tôt dans le semestre sont ceux qui ont le plus besoin d'aide. Les chercheurs ont noté que, bien que les modèles soient très efficaces pour repérer ces schémas, ils doivent être considérés comme un outil pour soutenir le jugement humain, et non pour le remplacer. Un ordinateur peut signaler un étudiant pour attirer l'attention, mais ce sont les conseillers et les enseignants de l'université qui doivent fournir la compréhension et le soutien qui suivent.
En fin de compte, cette recherche démontre que les universités peuvent utiliser les données qu'elles collectent déjà pour construire un filet de sécurité pour leurs étudiants. En se concentrant sur des indicateurs précoces comme les notes du premier semestre et l'assiduité aux cours, les institutions peuvent identifier les étudiants susceptibles d'être en difficulté bien avant qu'ils n'échouent à un examen final. L'étude suggère que l'Université Nnamdi Azikiwe, et d'autres comme elle, pourraient mettre en œuvre ces systèmes d'alerte précoce pour guider leur conseil académique. Au lieu d'attendre qu'une crise survienne, le personnel pourrait contacter les étudiants dès que les données montrent qu'ils s'éloignent de la bonne voie. Les conclusions offrent une voie pratique : utiliser les modèles présents dans les dossiers pour déclencher une intervention opportune, garantissant que les étudiants qui ont le plus besoin d'aide la reçoivent avant que leurs difficultés académiques ne deviennent impossibles à surmonter.
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.