Utiliser l’IA pour prévoir le risque d’abandon des étudiants en formation technique via une approche d’analytique de l’apprentissage

Pourquoi les alertes précoces pour les étudiants en difficulté sont importantes

De nombreux étudiants universitaires prennent du retard dans leurs cours en ligne bien avant que des mauvaises notes n’apparaissent. Dans les filières techniques, où les cours sont exigeants et rapides, cela peut rapidement conduire à l’abandon. Cette étude explore comment les données issues des activités quotidiennes sur une plateforme d’apprentissage en ligne peuvent être transformées en système d’alerte précoce. En analysant la manière dont les étudiants parcourent les ressources du cours, un modèle d’intelligence artificielle (IA) repère des motifs annonciateurs de difficultés suffisamment tôt pour permettre aux enseignants d’intervenir avec une aide ciblée.

Suivre les traces numériques dans les cours en ligne

La recherche se concentre sur deux cours d’infographie assistée par ordinateur (CAO) enseignés via la plateforme Moodle dans une université des sciences appliquées. Chaque clic — ouverture d’un fichier, tentative d’un test, remise d’un devoir — génère une entrée horodatée dans le journal. À partir de 12 941 enregistrements pour 80 étudiants, l’auteur a constitué un jeu de données décrivant 49 ressources pédagogiques différentes, allant de simples pages introductives à des travaux complexes en plusieurs étapes. Parce que ces cours présentaient des taux d’abandon particulièrement élevés, ils ont fourni un terrain d’essai utile pour examiner comment les schémas d’activité se lient à la réussite ou à l’échec des étudiants.

Transformer des clics en signaux d’apprentissage significatifs

Plutôt que d’alimenter des comptes bruts de clics dans un algorithme opaque, l’étude introduit une méthode d’« attribut pondéré » qui recompose les données en indicateurs compréhensibles par les enseignants. Chaque ressource est notée selon trois aspects principaux : sa demande cognitive, la fréquence d’engagement des étudiants, et le temps que le cours attend qu’ils y consacrent. Ces notes sont combinées en une mesure unique d’efficacité qui reflète la manière dont les étudiants gèrent réellement la ressource. Ainsi, le modèle ne se contente pas d’indiquer qu’un étudiant est en difficulté ; il signale des tâches ou des matériaux spécifiques susceptibles de poser problème.

Ce que les modèles d’IA ont découvert

Deux types de modèles prédictifs — régression logistique et forêts aléatoires — ont été entraînés pour distinguer les outils d’apprentissage plus efficaces des moins efficaces sur la base de ces indicateurs pondérés. Pour éviter les biais liés à la taille relativement réduite de l’échantillon, le chercheur a utilisé des vérifications croisées répétées qui font tourner les données entre entraînement et test. Au fil de ces validations, les deux modèles ont bien performé, la forêt aléatoire étant légèrement en avance tandis que le modèle logistique, plus simple, offrait des résultats plus faciles à interpréter. Dans tous les cas, les signaux les plus importants étaient la fréquence d’interaction des étudiants avec une ressource, la durée qu’ils y consacraient et la difficulté prévue de la ressource.

Concevoir de meilleurs cours, sans remplacer les enseignants

Les résultats montrent que les tâches complexes et chronophages — telles que les projets de modélisation en plusieurs étapes et les devoirs substantiels — sont fortement liées à de meilleurs résultats d’apprentissage, tandis que les annonces basiques ou les courts aperçus contribuent moins. Cela suggère que des défis bien conçus, assortis d’un temps adéquat, sont au cœur de la réussite des étudiants. L’étude décrit également comment un système d’alerte précoce pourrait fonctionner en pratique : un tableau de bord automatisé mettrait en évidence aux enseignants les schémas à risque, qui décideraient ensuite de la réponse à apporter, par exemple en ajoutant des exemples, en ajustant la charge de travail ou en proposant des séances de soutien supplémentaires. Il est important de noter que le système est conçu pour informer les enseignants, et non pour automatiser les décisions concernant les étudiants.

Ce que cela signifie pour les étudiants et les enseignants

Pour le lecteur non spécialiste, le message clé est que l’IA peut aider les universités à repérer des points de rupture avant que les étudiants n’échouent, mais seulement si elle est utilisée avec discernement. En combinant une réflexion sur la conception des cours et une gestion prudente des données, la méthode des attributs pondérés transforme les journaux d’activité bruts en signaux clairs sur les parties d’un cours qui favorisent ou entravent l’apprentissage. L’étude reste un pilote, limitée à un petit nombre de cours techniques dans une seule institution, si bien que ses résultats sont préliminaires. Néanmoins, elle offre une voie concrète vers une utilisation de l’IA en éducation plus transparente, équitable et bienveillante — où des outils fondés sur les données aident les enseignants à repenser leurs cours et à atteindre plus tôt les étudiants en difficulté, réduisant ainsi le risque qu’ils s’éloignent silencieusement de leurs études.

Citation: Ovtšarenko, O. Using AI to forecast student dropout risk in technical education using a learning analytics approach. Sci Rep 16, 14616 (2026). https://doi.org/10.1038/s41598-026-44919-1

Mots-clés: risque d’abandon étudiant, analytique de l’apprentissage, enseignement technique en ligne, modélisation prédictive, systèmes d’alerte précoce