L’éducation environnementale comme moyen de lutter contre la pollution croissante : une approche optimisée d’intelligence artificielle explicable (XAI)

Pourquoi enseigner l’environnement est important

Partout dans le monde, l’air pollué, l’eau impropre à la consommation et l’accumulation de déchets nuisent aux populations et à la nature. La Libye fait face à l’ensemble de ces problèmes, des côtes contaminées aux déserts marqués par le pétrole. Cette étude pose une question simple mais puissante : une meilleure éducation environnementale peut‑elle inverser la tendance — et l’intelligence artificielle moderne peut‑elle nous indiquer quels types d’enseignement ont réellement un impact ?

Pressions de la pollution à portée de main

L’environnement en Libye est soumis à de fortes pressions sur plusieurs fronts. Les eaux usées non traitées et les effluents industriels contaminent les rivières, les nappes phréatiques et la mer. Les activités pétrolières et gazières, les cimenteries et la circulation augmentent la pollution de l’air dans les villes, tandis qu’une collecte des déchets inefficace laisse des détritus être déversés et brûlés en plein air. Ces tendances menacent la vie marine, l’eau potable et la santé publique, contribuant aux maladies respiratoires, aux cancers et aux infections d’origine hydrique. Dans ce contexte, le pays a commencé à intégrer des thèmes environnementaux dans les programmes scolaires et universitaires, dans l’espoir que des citoyens informés pousseront en faveur de pratiques et de politiques plus propres.

Écouter la prochaine génération

Les chercheurs se sont concentrés sur des étudiants en sciences de l’environnement et en éducation dans deux universités libyennes. Plus de 400 étudiants ont répondu à un questionnaire en ligne portant sur leur parcours, leur niveau d’inquiétude concernant des problèmes tels que la pollution de l’air et de l’eau ou le changement climatique, leurs comportements quotidiens — par exemple recycler, participer à des opérations de nettoyage ou acheter des produits moins emballés — et leur estimation de leurs connaissances sur la pollution, ses causes et ses solutions. La plupart des étudiants ont déclaré être très préoccupés par la qualité de l’air et de l’eau ainsi que par le changement climatique, et beaucoup ont indiqué qu’ils adoptaient déjà des habitudes pro‑environnementales comme trier les recyclables ou participer à des nettoyages. L’auto‑évaluation des connaissances était également élevée : de larges majorités ont affirmé comprendre les principaux polluants, les causes majeures de pollution et les remèdes possibles.

Utiliser des outils intelligents pour identifier ce qui compte vraiment

Pour dépasser les simples moyennes, l’équipe a eu recours à des méthodes avancées d’IA. Les chercheurs ont considéré la connaissance par les étudiants des solutions à la pollution comme le principal résultat à prédire, et toutes les autres réponses du sondage — inquiétude, volonté d’agir et comportements déclarés — comme influences possibles. Ils ont construit plusieurs modèles informatiques, incluant des réseaux neuronaux, des arbres de décision boostés et une méthode appelée régression par processus gaussien. Ils ont ensuite utilisé une technique connue sous le nom d’optimisation bayésienne pour ajuster automatiquement ces modèles afin d’en maximiser la précision prédictive. En complément, ils ont appliqué une approche d’« intelligence artificielle explicable », qui attribue à chaque facteur du sondage un score de contribution, montrant à quel point il aide le modèle à prédire la compréhension par un étudiant des solutions à la pollution.

Ce qui façonne la compréhension environnementale des étudiants

L’analyse par IA explicable a révélé que toutes les questions n’avaient pas la même importance. Les liens les plus forts avec la connaissance des moyens de lutter contre la pollution provenaient de quelques facteurs clés : si les étudiants connaissaient les principales causes de la pollution et les principaux polluants ; s’ils utilisaient régulièrement des contenants séparés pour les recyclables ; s’ils étaient disposés à réduire leurs propres déchets ; et s’ils étaient prêts à collaborer avec des groupes dédiés à la protection de l’environnement. Autrement dit, tant la connaissance concrète que les habitudes pratiques et communautaires semblent centrales pour une compréhension plus profonde. Lorsque les modèles ont été reconstruits en n’utilisant que ce petit ensemble de facteurs influents, leurs performances étaient aussi bonnes, voire meilleures, que lorsqu’ils exploitaient l’intégralité du sondage — en particulier le modèle optimisé de régression par processus gaussien, qui a prédit avec une très grande précision les scores de connaissance des solutions par les étudiants.

Des données à l’action pour un avenir plus propre

Pour un public non spécialiste, le message principal est que l’éducation n’aide pas l’environnement en se contentant d’ajouter davantage de faits aux manuels. Ce qui semble le plus important, c’est un enseignement qui relie des problèmes locaux concrets à des actions quotidiennes et à des efforts collectifs, et qui construit une compréhension claire des causes de la pollution. En utilisant l’IA explicable, cette étude montre comment écoles, universités et décideurs peuvent cibler les attitudes et comportements à encourager pour former des étudiants capables de prendre soin de leur environnement. Bien que le travail soit basé sur des universités libyennes et repose sur des données d’auto‑déclaration, l’approche offre une feuille de route : combiner une éducation environnementale réfléchie avec une analyse IA transparente pour concevoir des programmes plus intelligents et ciblés qui transforment l’inquiétude en action efficace.

Citation: Hamad, O.A.M., Baysen, E. & Usman, A.G. Environmental education as a means of combating growing environmental pollution: an optimized- explainable artificial intelligence (XAI) approach. Sci Rep 16, 12647 (2026). https://doi.org/10.1038/s41598-026-42335-z

Mots-clés: éducation environnementale, pollution, Libye, intelligence artificielle, comportement des étudiants