Lecturers’ Use and Perceptions of Machine Learning Informed Educational Interventions for the Early Identification of Learning Difficulties among Students with Intellectual Disabilities in Nigerian Universities

Résumé Technique : Utilisation et perceptions par les enseignants des interventions éducatives fondées sur l'apprentissage automatique pour l'identification précoce des difficultés d'apprentissage chez les étudiants présentant des déficiences intellectuelles dans les universités nigérianes

Énoncé du problème
Malgré la ratification par le Nigeria de cadres internationaux (ODD 4 et 10 de l'ONU) et de politiques nationales promouvant l'éducation inclusive, la mise en œuvre des pratiques inclusives dans l'enseignement supérieur reste fragmentée. Plus précisément, l'identification précoce des difficultés d'apprentissage chez les étudiants présentant des déficiences intellectuelles repose lourdement sur des pratiques d'évaluation manuelles, épisodiques et subjectives. Ces méthodes conventionnelles entraînent souvent des interventions tardives, la marginalisation des étudiants concernés et de faibles résultats éducatifs. Bien que l'intelligence artificielle (IA) et l'apprentissage automatique (ML) offrent un potentiel transformateur pour le dépistage précoce fondé sur les données, leur application dans les universités nigérianes reste largement conceptuelle. Il existe une lacune critique dans la compréhension de la manière dont les enseignants perçoivent et utilisent les approches fondées sur le ML comme outils d'aide à la décision pour combler le fossé entre les cadres de diagnostic traditionnels (DSM-5, CIM-11, AAIDD) et l'analyse prédictive émergente. De plus, la littérature existante manque de preuves empiriques sur la préparation des enseignants à adopter ces outils pour l'identification précoce et l'amélioration de l'engagement.

Méthodologie

• Design de la recherche : L'étude a employé un design de recherche de type enquête descriptive. Les auteurs précisent de manière cruciale que le ML a été utilisé strictement comme un cadre conceptuel et interprétatif, et non comme une méthodologie computationnelle empirique. Aucun algorithme de ML n'a été développé, entraîné ou testé ; aucun ensemble de données n'a été partitionné, et aucune métrique de performance (par exemple, l'exactitude ou le score F1) n'a été calculée.
• Participants : La population était composée de 600 enseignants des facultés d'éducation et des départements de besoins spéciaux de 12 universités fédérales et étatiques sélectionnées dans la zone géopolitique Sud-Sud du Nigeria. Les participants ont été sélectionnés via un échantillonnage accidentel (de convenance), nécessitant une expérience avec les étudiants présentant des déficiences intellectuelles et une familiarité avec la technologie éducative.
• Instrumentation : Les données ont été collectées à l'aide du Questionnaire sur les interventions éducatives basées sur l'apprentissage automatique pour l'identification précoce des difficultés d'apprentissage (MLEIDQ). L'instrument comprenait 20 items sur une échelle de Likert à 4 points mesurant : (i) l'étendue de l'utilisation des outils de ML pour l'identification précoce, et (ii) les perceptions de l'impact des interventions de ML sur la détection précoce et l'engagement académique.
• Analyse des données : Les statistiques descriptives (moyenne, écart-type) et les statistiques inférentielles (tests t pour échantillons indépendants, régression linéaire multiple) ont été analysées à l'aide de SPSS version 26. L'étude a testé trois hypothèses nulles concernant les différences de genre, les différences de type d'institution et le pouvoir prédictif de l'utilisation du ML sur l'engagement académique.

Résultats clés

1. Étendue de l'utilisation : Les enseignants ont rapporté un faible niveau d'utilisation (Moyenne de groupe = 2,37, classée comme « Faible étendue ») concernant les outils numériques fondés sur le ML. Les domaines spécifiques de faible adoption incluent l'application du ML aux besoins d'apprentissage individuels (Moyenne = 1,29), l'intégration curriculaire (Moyenne = 1,58) et l'utilisation de routines d'intervention (Moyenne = 1,83). Cependant, les enseignants ont rapporté un engagement plus élevé avec le soutien institutionnel pour le ML (Moyenne = 3,29) et le suivi des progrès des étudiants (Moyenne = 3,16).
2. Perceptions de l'efficacité : Malgré une utilisation réelle faible, les enseignants ont des perceptions positives des interventions de ML (Moyenne de groupe = 3,02, classée comme « Grande étendue »). Ils perçoivent le ML comme efficace pour améliorer l'attention, la motivation, la communication et l'achèvement des tâches chez les étudiants. Environ 70 % des indicateurs de perception dépassaient la moyenne de référence de 3,0.
3. Analyse prédictive :
   • Hypothèse 1 (Genre) : Aucune différence significative n'a été trouvée dans l'utilisation des outils de ML selon le genre ($p > 0,05$). Le genre n'était pas un prédicteur significatif de l'utilisation du ML dans le modèle de régression ($\beta = -0,04, p = 0,398$).
   • Hypothèse 2 (Type d'institution) : Aucune différence significative n'a été trouvée dans les perceptions du soutien au ML selon le type d'université (Fédérale vs Étatique) ($p > 0,05$). Le type d'institution n'était pas un prédicteur significatif de l'engagement académique ($\beta = 0,03, p = 0,450$).
   • Hypothèse 3 (Prédiction de l'engagement) : L'hypothèse nulle a été rejetée. L'utilisation par les enseignants d'interventions fondées sur le ML était le prédicteur le plus fort et le seul significatif de l'engagement académique des étudiants présentant des déficiences intellectuelles ($\beta = 0,60, p < ,001$). Le modèle de régression expliquait 38 % de la variance de l'engagement ($R^2 = 0,38$).

Contributions clés

• Clarification conceptuelle : L'étude fournit un cadre conceptuel structuré illustrant comment le ML peut fonctionner comme un mécanisme d'aide à la décision sans remplacer le diagnostic clinique formel (DSM-5/CIM-11). Elle délimite le parcours allant des indicateurs prédictifs vers l'orientation professionnelle et le plan d'enseignement individualisé (PEI).
• Preuve empirique du « fossé perception-utilisation » : La recherche met en évidence une déconnexion significative dans l'enseignement supérieur nigérian : bien que les enseignants reconnaissent la valeur potentielle du ML pour l'éducation inclusive, la mise en œuvre pratique est entravée par une formation limitée, des infrastructures insuffisantes et une compétence technique restreinte.
• Déterminants de l'engagement : L'étude établit que la pratique de l'utilisation des outils de ML est un déterminant plus critique de l'engagement académique des étudiants que les facteurs démographiques (genre, rang) ou les structures institutionnelles (Fédérale vs Étatique).

Signification et revendications
L'article affirme que ses conclusions contribuent à la recherche émergente sur l'éducation inclusive assistée par l'IA en fournissant des informations fondées sur des preuves concernant la préparation des enseignants dans un contexte en développement. Il soutient que l'adoption du ML n'est pas seulement un défi technologique, mais un impératif de renforcement des capacités. L'étude conclut que pour que le ML puisse soutenir efficacement l'identification précoce des difficultés d'apprentissage et améliorer l'engagement académique, il doit y avoir un accent stratégique sur :

1. Le renforcement des capacités des enseignants par la littératie en IA et la formation à l'analyse de données.
2. L'amélioration des infrastructures numériques et des systèmes de soutien institutionnel.
3. Le développement de cadres de gouvernance éthique qui intègrent le dépistage par ML avec les parcours de diagnostic et d'intervention établis.

Les auteurs maintiennent une position modeste, reconnaissant que leurs conclusions sont basées sur des données auto-déclarées et un échantillonnage de convenance, ce qui limite la généralisabilité. Ils soulignent que le ML sert d'outil supplémentaire pour le dépistage et l'orientation, et non de remplacement au jugement clinique professionnel, et appellent à des recherches futures impliquant un échantillonnage probabiliste et des évaluations longitudinales empiriques de systèmes de ML réels.