LMS-FAIR-India: A FAIR Compliant Synthetic LMS Interaction Dataset from a Private University for Privacy Preserving Learning Analytics

Dans la salle de classe moderne, l'apprentissage se fait rarement de manière isolée. Il se déploie sur des plateformes numériques où les étudiants se connectent pour regarder des cours, télécharger des documents de lecture, soumettre des devoirs et passer des quiz. Chaque clic, chaque pause et chaque soumission laisse une trace numérique, créant un vaste registre de la façon dont les gens apprennent. Les chercheurs appellent ce domaine l'analyse de l'apprentissage (learning analytics), et ils estiment qu'en étudiant ces modèles, ils peuvent comprendre ce qui aide les étudiants à réussir et ce qui les met en difficulté. Cependant, un obstacle important entrave ce progrès. Les données qui révéleraient ces modèles contiennent des informations profondément personnelles sur de vrais étudiants. Les lois conçues pour protéger la vie privée, comme celles en vigueur en Inde et en Europe, interdisent de partager ces données brutes ouvertement. Cela crée une situation difficile : les scientifiques veulent étudier les données pour améliorer l'éducation, mais ils ne peuvent pas toucher aux données sans violer la vie privée des individus qu'elles décrivent.

Pour résoudre ce dilemme, un chercheur nommé Sanjay Agal, de l'Université Parul, a créé une nouvelle sorte de ressource. Au lieu de partager de vrais dossiers d'étudiants, ce qui constituerait une rupture de confiance et de la loi, l'équipe a généré un ensemble de données entièrement artificiel qui imite le comportement de vrais étudiants. Cette collection, appelée LMS-FAIR-India, est une immense bibliothèque d'interactions fictives qui ressemblent et se sentent exactement comme les vraies, mais ne contiennent aucun être humain réel. Elle permet aux chercheurs de tester leurs idées et de construire de meilleurs outils éducatifs sans jamais avoir besoin de voir le nom ou la note d'un seul véritable étudiant. Ce travail démontre qu'il est possible de faire progresser la science de l'apprentissage tout en respectant strictement le droit à la vie privée.

Le cœur de ce projet est un ensemble de données synthétiques, qui est essentiellement une simulation informatique d'un semestre universitaire. Les chercheurs ont construit un modèle d'une université privée typique en Inde, comprenant dix mille étudiants virtuels, cent cinquante cours et un semestre académique de six mois. Ils n'ont utilisé aucun dossier d'étudiant réel pour créer ce modèle. Au lieu de cela, ils se sont appuyés sur les règles publiques concernant le fonctionnement des universités indiennes, des statistiques générales sur le comportement habituel des étudiants en ligne et des conseils de membres du corps professoral pour s'assurer que la simulation soit authentique. Le résultat est une collection de données qui comprend des détails démographiques, des informations sur les cours et plus de 1,7 million d'événements enregistrés, tels que des connexions, des vues de vidéos et des tentatives de quiz. Chaque fragment d'information dans cet ensemble de données a été créé par un programme informatique suivant des règles statistiques, ce qui signifie qu'il y a un risque zéro d'identifier une personne réelle car aucune personne réelle n'a jamais été impliquée dans le processus.

L'ensemble de données est structuré pour refléter la complexité d'un environnement d'apprentissage réel. Il ne se contente pas de lister des événements aléatoires ; il les connecte logiquement. Par exemple, les données montrent quels étudiants sont inscrits à quels cours, combien de temps ils ont passé sur la plateforme et quelles notes ils ont obtenues à leurs devoirs. Les chercheurs se sont assurés que les modèles de ces données artificielles correspondent à ce qui est observé dans la vie réelle. Dans la simulation, les étudiants ayant des antécédents académiques plus solides avant le début du semestre avaient tendance à être plus actifs sur la plateforme, un modèle qui reflète la réalité. Les données capturent également le rythme de la vie étudiante, montant en flèche en milieu de journée durant les jours de semaine et chutant considérablement les week-ends. En reproduisant ces comportements naturels, l'ensemble de données offre un terrain de test réaliste pour les chercheurs qui souhaitent développer des outils pour prédire quels étudiants pourraient éprouver des difficultés ou concevoir de meilleures façons d'engager les apprenants.

L'un des aspects les plus importants de ce travail est la manière dont il traite la question de la vie privée. Par le passé, les chercheurs tentaient parfois de protéger les données réelles en supprimant les noms ou en cachant certains détails, un processus appelé anonymisation. Cependant, des experts ont démontré que même les données anonymisées peuvent parfois être tracées jusqu'à des individus si elles sont combinées avec d'autres informations. Cette nouvelle approche évite totalement ce risque. Parce que les données sont générées à partir de zéro en utilisant des distributions aléatoires et des modèles statistiques, il est impossible de lier un enregistrement à un véritable étudiant. Les chercheurs ont testé cela en essayant de tromper un ordinateur pour lui faire croire qu'un étudiant fictif était réel, et l'ordinateur n'a trouvé aucun lien. Cette méthode de « protection de la vie privée dès la conception » (privacy by design) signifie que les données peuvent être partagées librement avec n'importe qui dans le monde, permettant une collaboration ouverte sans crainte de violations légales ou éthiques.

Pour rendre les données utiles à la communauté scientifique mondiale, les chercheurs ont suivi un ensemble de principes connus sous le nom de FAIR, qui signifie Findable, Accessible, Interoperable, et Reusable (Trouvable, Accessible, Interopérable et Réutilisable). L'ensemble de données est hébergé dans une archive en ligne publique avec une adresse numérique permanente, de sorte qu'il puisse être facilement trouvé et cité. Il est disponible gratuitement sous une licence qui permet à quiconque de l'utiliser, de le modifier et de le partager, à condition de citer les créateurs. Les données sont organisées en fichiers clairs et standardisés qui peuvent être ouverts par presque n'importe quel programme informatique, et elles sont accompagnées d'un guide détaillé qui explique exactement ce que chaque colonne et chaque chiffre signifient. De plus, les chercheurs ont rendu public le code informatique utilisé pour créer les données. Cette transparence permet à d'autres scientifiques de vérifier les résultats, d'adapter la simulation pour leurs propres universités ou de générer de nouveaux ensembles de données adaptés à différents contextes éducatifs.

La valeur de cet ensemble de données a été prouvée par une série de tests conçus pour voir s'il pouvait soutenir de réelles recherches. Les chercheurs ont utilisé les données artificielles pour entraîner des modèles informatiques afin de prédire l'engagement des étudiants et d'identifier les étudiants susceptibles d'abandonner leurs cours. Les modèles ont performé aussi bien sur ces fausses données que des modèles similaires l'ont fait sur des données réelles dans des études antérieures. Par exemple, lorsque les chercheurs ont tenté de prédire quels étudiants termineraient leurs cours, le système a correctement identifié les étudiants à risque avec un haut degré de précision. Ils ont également confirmé que la relation entre la fréquence de connexion d'un étudiant et ses notes finales était préservée dans la simulation, correspondant aux conclusions d'études du monde réel. Ces résultats suggèrent que les données synthétiques constituent un substitut fiable aux données réelles pour le développement et le test de nouvelles technologies éducatives.

Ce travail comble une lacune critique dans le domaine de l'analyse de l'apprentissage, particulièrement dans le contexte de l'enseignement supérieur en Inde. Bien qu'il existe des ensembles de données publics provenant de pays occidentaux, ceux-ci reflètent souvent des systèmes éducatifs et des contextes culturels différents. L'ensemble de données LMS-FAIR-India comble ce vide en fournissant une simulation à grande échelle et réaliste d'une université privée indienne. Il offre une opportunité unique aux chercheurs d'étudier comment les étudiants de cet environnement spécifique apprennent et interagissent avec la technologie. En fournissant un outil qui est à la fois respectueux de la vie privée et scientifiquement robuste, le projet permet une nouvelle vague d'innovation en éducation. Il permet aux scientifiques de poser des questions difficiles sur la réussite des étudiants et de trouver des réponses sans compromettre la dignité ou la sécurité des individus qu'ils étudient.

Les implications de ce travail s'étendent au-delà de ce seul ensemble de données. Elles démontrent une voie pratique pour l'ensemble du domaine de la recherche éducative. En montrant qu'un ensemble de données de haute qualité, préservant la vie privée, peut être généré et partagé ouvertement, les chercheurs ont levé un obstacle majeur qui a ralenti le progrès pendant des années. D'autres institutions peuvent désormais utiliser les mêmes méthodes pour créer leurs propres ensembles de données synthétiques, adaptés à leurs besoins spécifiques, sans avoir à naviguer dans des obstacles juridiques complexes. Cette approche favorise une culture d'ouverture et de collaboration, où l'accent reste mis sur l'amélioration des résultats d'apprentissage pour tous les étudiants. L'ensemble de données témoigne de l'idée que protéger la vie privée et faire progresser la science ne sont pas des objectifs opposés, mais plutôt des objectifs complémentaires qui peuvent être atteints ensemble grâce à une conception prudente et créative.