Évaluation des facteurs influençant l’efficacité de l’enseignement dans les universités et écoles supérieures en utilisant des techniques floues et d’apprentissage profond

Pourquoi de meilleures mesures de l’enseignement sont importantes

Quiconque a suivi des cours excellents et d’autres moins réussis sait que la qualité de l’enseignement peut faire ou défaire l’expérience universitaire. Pourtant, la plupart des établissements reposent encore sur des outils grossiers comme les notes d’examen et les enquêtes de fin de semestre pour juger de ce qui fonctionne. Cet article explore une manière plus intelligente de mesurer l’efficacité de l’enseignement en combinant deux méthodes informatiques — l’une qui traite bien des données humaines floues et l’autre qui excelle à repérer des schémas cachés. Ensemble, elles promettent des orientations plus fiables pour améliorer les cours et soutenir les étudiants.

Repenser la façon dont on juge une « bonne classe »

L’enseignement universitaire est façonné par de nombreux éléments en mouvement : le nombre d’étudiants présents, l’expérience de l’enseignant, la difficulté du cours, l’atmosphère de la salle et l’usage des technologies, pour n’en citer que quelques-uns. Les systèmes d’évaluation traditionnels réduisent souvent tout cela à une note unique ou à une évaluation chiffrée du cours. Cette simplification occulte un contexte important et ignore le côté subjectif et complexe de l’apprentissage. Les auteurs soutiennent que si l’on veut comprendre pourquoi certains cours aident les étudiants à s’épanouir tandis que d’autres échouent, il faut des outils capables de gérer de nombreux facteurs simultanément et de composer avec des informations imparfaites et fondées sur l’opinion.

Une approche hybride « semblable à l’humain » et « détectrice de motifs »

L’étude présente un modèle hybride appelé Fuzzy and Deep Learning (FDL). La partie « floue » imite la façon dont les humains pensent en nuances plutôt qu’en catégories binaires — par exemple en qualifiant la performance d’un étudiant de « faible », « moyenne » ou « élevée » avec des transitions progressives plutôt que des seuils stricts. Elle transforme des entrées vagues comme l’expérience pédagogique, le ratio élèves‑enseignant et la difficulté du cours en catégories flexibles, puis applique des règles simples telles que « si la performance des étudiants est élevée et que la classe est petite, l’efficacité de l’enseignement est élevée ». De son côté, la partie apprentissage profond est un réseau à couches qui traite de grandes quantités de données nettoyées et standardisées, révélant des liens complexes qui peuvent échapper aux observateurs humains.

Des enquêtes brutes à des signaux significatifs

Pour tester leur approche, les chercheurs ont utilisé des données du National Survey of Student Engagement, un vaste questionnaire couramment utilisé et rempli par des étudiants de première année et de dernière année dans les établissements nord-américains. Ils ont adapté plusieurs questions pour se concentrer plus précisément sur la façon dont les enseignants remplissent leurs rôles, puis ont vérifié la fiabilité de l’enquête révisée. Ensuite, ils ont réalisé un pipeline de préparation des données complet : correction des erreurs, imputation des valeurs manquantes, fusion des informations côté étudiants et enseignants, et mise à l’échelle sur une plage commune. Ils ont aussi créé des indicateurs combinés, comme une note globale pondérée basée sur les résultats aux examens, la réalisation des devoirs et la présence, et réduit la complexité des données en utilisant une technique standard appelée analyse en composantes principales. Ce jeu de données préparé a alimenté à la fois le module de logique floue, qui traitait les catégories imprécises, et le réseau d’apprentissage profond, qui traitait les motifs numériques de haute dimension.

Quelle est la performance du nouveau modèle ?

Le modèle FDL a été entraîné et testé sur des portions distinctes des données pour éviter l’autosatisfaction sur des exemples déjà vus. Ses performances ont été comparées à plusieurs alternatives solides, y compris des réseaux neuronaux standards et des modèles profonds plus avancés. Sur les mesures clés — précision globale, précision (precision), rappel (recall) et F1-score — la méthode hybride a égalé ou surpassé les approches concurrentes, atteignant environ 98 % de précision et un faible taux d’erreur légèrement supérieur à 10 %. Autre point important : les règles floues ont rendu ses décisions plus interprétables que celles de modèles boîte noire. Le système pouvait mettre en évidence quelles combinaisons de facteurs — par exemple de grandes classes associées à une faible expérience pédagogique, ou des cours exigeants accompagnés d’un fort retour d’information — étaient le plus fortement liées à de meilleurs ou pires résultats d’enseignement.

Ce que cela signifie pour les étudiants et les établissements

En termes concrets, l’étude montre qu’il est désormais possible de construire un « baromètre d’enseignement » automatisé à la fois très précis et relativement compréhensible. Plutôt que de s’appuyer principalement sur des moyennes grossières et des enquêtes ponctuelles, les universités pourraient utiliser ce type de système pour repérer tôt les environnements d’enseignement faibles, identifier quels enseignants ou cours nécessitent un soutien ciblé et tester si de nouvelles politiques aident réellement les étudiants à mieux apprendre. Les auteurs insistent sur le fait que le modèle n’est pas parfait — il dépend de la qualité des données, peut être gourmand en calcul et simplifie nécessairement la riche dimension humaine de l’éducation. Néanmoins, utilisé avec discernement, il offre une nouvelle et puissante lentille pour rendre les salles de classe universitaires plus efficaces, équitables et réactives aux besoins des étudiants.

Citation: He, Z., Zhang, X., Zhang, Z. et al. Assessment of influencing factors of college and universities’ teaching effects using fuzzy and deep learning techniques. Sci Rep 16, 5168 (2026). https://doi.org/10.1038/s41598-026-35940-5

Mots-clés: efficacité de l’enseignement, enseignement supérieur, rendement des étudiants, logique floue, apprentissage profond