Un réseau graphique spatio-temporel multi-échelle adaptatif pour une prédiction robuste de l’abandon dans les MOOC

Pourquoi l’abandon des cours en ligne importe

Les Massive Open Online Courses, ou MOOC, promettent une éducation de haute qualité à quiconque dispose d’une connexion Internet. Pourtant, la plupart des inscrits ne terminent pas le cours : dans de nombreux cursus, plus de quatre apprenants sur cinq disparaissent discrètement avant la fin. Cet article aborde une question pratique derrière ces chiffres : peut‑on repérer de façon fiable quels étudiants risquent d’abandonner assez tôt pour que les enseignants ou les plateformes interviennent et aident — en particulier dans des cours réels et désordonnés où chacun étudie selon son propre rythme ?

Apprendre d’un réseau d’apprenants et de leçons

Plutôt que de considérer chaque étudiant comme une ligne isolée dans un tableau, les auteurs voient un MOOC comme un réseau vivant. Dans ce réseau, il y a des nœuds pour les étudiants, les unités du cours et les cours dans leur ensemble, tous reliés par des schémas d’activité riches : visionnage de vidéos, tentatives de quiz, participation aux forums, ou inscription à plusieurs cours. Cette structure évolue dans le temps au fur et à mesure que les apprenants s’engagent — ou cessent de s’engager — avec différentes parties du cours. En modélisant ce maillage changeant, le système peut capturer non seulement combien un étudiant fait, mais aussi comment son comportement se rapporte à des contenus spécifiques, à l’activité des pairs et à la conception du cours.

Courtes poussées versus habitudes à long terme

Beaucoup de systèmes de prédiction existants s’appuient sur une mémoire pas à pas : ils mettent à jour la représentation d’un étudiant en n’utilisant que la tranche temporelle d’activité la plus récente. Les auteurs soutiennent que c’est trop simpliste pour le comportement réel d’apprentissage, qui reflète souvent une lutte entre des chocs soudains et des tendances de long terme. Un étudiant peut connaître un pic d’activité en essayant de rattraper son retard, ou ralentir temporairement durant une semaine chargée, sans que ce sursaut définisse son parcours global. L’essentiel est de savoir quand faire confiance au dernier changement et quand s’appuyer sur une histoire plus profonde.

Un réseau qui se souvient sur deux échelles temporelles

Pour répondre à cela, l’article introduit MST‑GCN, un réseau graphique « multi‑échelle » qui prend en compte à la fois le comportement récent et des schémas un peu plus anciens simultanément. À chaque étape, le modèle construit un instantané du réseau d’interactions et utilise un module graphique spécialisé pour résumer le contexte d’apprentissage actuel autour de chaque étudiant : quels matériels ils ont consultés, à quels pairs ils ressemblent et à quel point les éléments du cours semblent difficiles. Puis une « porte adaptative » novatrice mélange deux mémoires : l’une capture l’élan immédiat et l’autre reflète un engagement plus stable antérieur. De façon cruciale, le poids accordé à chaque mémoire dépend du contexte courant dans le graphe, et non d’une règle fixe.

Évaluer le modèle

Les auteurs testent MST‑GCN sur deux grands jeux de données réels. L’un, issu du KDD Cup 2015, ne contient que des cours strictement programmés et pilotés par des instructeurs. L’autre, provenant de la plateforme XuetangX, inclut des centaines de cours à la fois programmés et en auto‑rythme où les étudiants peuvent commencer et progresser à des moments irréguliers. Dans les deux contextes, les abandons sont largement plus nombreux que les complétions, ce qui rend la prédiction particulièrement difficile. Comparé aux méthodes classiques d’apprentissage automatique, aux modèles séquentiels tels que les LSTM, aux approches basées sur les transformers et aux précédents systèmes graphiques, MST‑GCN obtient systématiquement de meilleurs scores pour distinguer les probable abandonneurs des probable finisseurs. Les gains sont modestes mais nets dans les cours réguliers hebdomadaires, et plus prononcés dans les cours flexibles et auto‑rythmés, où le comportement est plus bruyant et le calendrier moins prévisible.

Regarder à l’intérieur de la boîte noire

Au‑delà de l’exactitude brute, les auteurs examinent le comportement de la porte adaptative. Lorsqu’un étudiant affiche une hausse nette et soutenue d’activité, la porte s’oriente vers le comportement récent, « écoutant » le nouvel élan. Lorsque les signaux actuels sont faibles ou erratiques, la porte revient sur les schémas à long terme, évitant de sur‑réagir à un pic ou à une baisse ponctuelle. Des visualisations des représentations internes des étudiants montrent que les groupes d’abandonneurs et de non‑abandonneurs se regroupent séparément, ce qui suggère que le réseau a appris des notions d’engagement significatives. Des études de cas illustrent en outre que le modèle peut résister à être trompé par du bachotage de dernière minute tout en récompensant une amélioration réelle et soutenue.

Ce que cela signifie pour les apprenants et les éducateurs en ligne

Pour un public général, la conclusion est que l’abandon ne dépend pas seulement de ce qu’un apprenant fait maintenant, mais de la manière dont le comportement actuel s’inscrit dans une histoire plus longue. En combinant une vue riche du réseau du cours avec une notion flexible de mémoire, MST‑GCN offre une manière plus stable et interprétable de prévoir qui est susceptible de partir et qui est en voie d’achever le cours. Bien que le modèle ne fournisse pas encore d’explications très détaillées pointant des vidéos ou des devoirs problématiques, sa conception rapproche l’enseignement en ligne de systèmes d’alerte précoce à la fois fiables et compatibles avec la façon dont les apprenants réels évoluent dans le temps.

Citation: Duan, Y., Chen, X. An adaptive multi-scale spatio-temporal graph network for robust MOOC dropout prediction. Sci Rep 16, 10966 (2026). https://doi.org/10.1038/s41598-026-40502-w

Mots-clés: Prédiction de l’abandon dans les MOOC, fouille de données éducatives, réseaux de neurones sur graphes, engagement des étudiants, systèmes d’alerte précoce