L’analyse des données au service de la réussite étudiante
Le décrochage universitaire constitue un enjeu important pour les établissements d’enseignement supérieur. Au-delà de ses conséquences pour les étudiants, qui interrompent leur parcours de formation, il représente également un coût pour les universités et, plus largement, une perte de ressources éducatives et sociales.
Au Japon, cette problématique prend une importance particulière dans un contexte de diminution de la population des jeunes de 18 ans. Les universités sont ainsi confrontées à un double enjeu : maintenir la qualité de leurs formations tout en améliorant leur capacité à identifier et accompagner les étudiants susceptibles d’abandonner leurs études.
Selon les données citées dans l’étude, 56 710 étudiants ont quitté une université ou un établissement d’enseignement supérieur court japonais durant l’année universitaire 2023, soit environ 2,1 % de l’ensemble des étudiants. Rapporté à une formation universitaire de quatre années, ce niveau de décrochage représente un phénomène loin d’être marginal, avec en outre d’importantes différences entre les établissements.
Dans ce contexte, Naruhiko Shiratori, chercheur à la Tokyo City University, propose de dépasser la simple prédiction statistique du décrochage pour construire un véritable système continu de prévention et d’accompagnement des étudiants.
Son approche repose sur les données issues de l’Institutional Research (IR), que l’on peut rapprocher en français du pilotage institutionnel par les données. L’objectif consiste à exploiter les nombreuses informations déjà disponibles au sein des universités afin d’identifier précocement les étudiants en difficulté et, surtout, de transformer cette information en actions concrètes.
Les limites des systèmes classiques de prédiction
Depuis plusieurs années, les universités développent des modèles capables d’estimer la probabilité qu’un étudiant abandonne ses études.
Ces dispositifs reposent notamment sur :
- les résultats scolaires antérieurs ;
- le nombre d’absences ;
- les résultats universitaires ;
- les crédits obtenus ;
- les données d’inscription et d’admission ;
- les résultats aux examens ou tests de positionnement ;
- les données issues des plateformes numériques d’apprentissage ;
- différents questionnaires et enquêtes menés auprès des étudiants.
Les progrès de l’intelligence artificielle, du machine learning et des méthodes statistiques ont considérablement amélioré les capacités de prédiction.
Le principal problème identifié par l’auteur est cependant ailleurs : prédire qu’un étudiant risque d’abandonner ses études ne suffit pas à éviter son décrochage.
De nombreuses recherches se concentrent en effet sur la performance des modèles prédictifs sans véritablement organiser la manière dont leurs résultats doivent être exploités par les équipes pédagogiques et les services chargés de l’accompagnement étudiant.
L’enjeu est donc de passer d’une logique de détection du risque à une logique de prévention du décrochage.
Peut-on détecter les étudiants à risque dès leur entrée à l’université ?
Une première approche consiste à exploiter les données disponibles avant même l’arrivée de l’étudiant dans l’établissement.
Les résultats scolaires antérieurs, le type d’établissement fréquenté, l’assiduité, les données socio-économiques ou encore certaines caractéristiques du parcours scolaire peuvent permettre d’identifier des profils potentiellement plus exposés au décrochage.
Plusieurs recherches citées dans l’article montrent que les techniques de machine learning peuvent obtenir des résultats significatifs à partir de ces informations.
Une étude utilisant l’algorithme XGBoost auprès d’environ 40 000 nouveaux étudiants d’une université publique mexicaine a, par exemple, obtenu une sensibilité de 88 % dans l’identification du risque de décrochage à partir de données disponibles lors de l’admission.
Cependant, les informations disponibles avant l’entrée à l’université ne permettent pas, à elles seules, de comprendre l’ensemble du parcours de l’étudiant.
L’étude souligne donc l’intérêt d’associer ces données initiales aux informations produites au cours de la formation.
L’assiduité et les résultats universitaires améliorent fortement les prédictions
À mesure que le semestre avance, les universités accumulent de nouvelles données particulièrement utiles : présence aux cours, résultats, activité sur les plateformes pédagogiques, remise des travaux ou acquisition de crédits.
Ces informations comportementales permettent d’améliorer considérablement l’évaluation du risque.
Une recherche citée par Shiratori montre ainsi que les modèles fondés sur l’assiduité, l’utilisation des plateformes pédagogiques et les résultats académiques atteignent une performance prédictive comprise entre 0,62 et 0,73 d’AUC en début de semestre, avant de dépasser 0,90 en fin de semestre.
Autrement dit, plus l’établissement dispose d’informations sur le comportement réel de l’étudiant, plus il devient capable de repérer précisément les trajectoires susceptibles de conduire au décrochage.
Mais intervenir uniquement lorsque la probabilité de décrochage devient extrêmement élevée peut être trop tardif.
La véritable question consiste donc à déterminer à quel moment apparaissent les premiers signes significatifs de fragilité.
Des signaux de décrochage parfois visibles 18 mois avant l’abandon
Les travaux précédents de Shiratori apportent sur ce point un résultat particulièrement intéressant.
En étudiant les parcours de 173 étudiants ayant effectivement quitté l’université, les chercheurs ont observé que ceux-ci entraient en moyenne dans une situation statistiquement considérée comme « à haut risque » environ 2,97 semestres avant leur départ, soit approximativement 18 mois avant le décrochage effectif.
Les périodes correspondant aux semestres de printemps et d’automne de la première année apparaissent notamment comme particulièrement sensibles.
Ces résultats renforcent l’intérêt d’une intervention très précoce : les difficultés pouvant mener au décrochage ne surgissent pas nécessairement quelques semaines avant l’abandon. Elles peuvent s’installer progressivement pendant plusieurs semestres.
Comprendre les trajectoires plutôt que simplement classer les étudiants « à risque »
L’une des idées centrales de l’étude consiste à ne plus considérer le risque comme une donnée figée.
La probabilité de décrochage d’un étudiant évolue dans le temps.
Un étudiant peut, par exemple :
- présenter durablement un niveau de risque élevé avant de quitter l’établissement ;
- connaître une période temporaire de difficulté avant de retrouver une situation normale et d’obtenir son diplôme ;
- conserver un risque faible pendant l’ensemble de son cursus.
L’auteur propose donc d’étudier les trajectoires de risque.
Des méthodes de clustering telles que X-means permettent de regrouper les étudiants dont les parcours présentent des caractéristiques similaires.
Cette classification est particulièrement importante pour éviter une approche trop simpliste : une hausse momentanée du risque ne signifie pas nécessairement que l’étudiant abandonnera ses études.
L’objectif consiste davantage à comprendre comment évolue sa situation et à détecter les moments où une intervention peut avoir le plus d’impact.
Un modèle cyclique en six étapes
Pour relier l’analyse des données aux actions d’accompagnement, Naruhiko Shiratori propose un « modèle cyclique de prévention du décrochage ».
Son principe repose sur une succession permanente de six grandes étapes :
intégration des données → prédiction du risque → suivi de la situation → classification des trajectoires → accompagnement → évaluation des résultats.
Les nouvelles données obtenues sont ensuite réinjectées dans le système et un nouveau cycle commence.
1. Centraliser les données étudiantes
La première étape consiste à rassembler les informations souvent dispersées entre plusieurs services universitaires.
Les données peuvent notamment comprendre :
- le parcours scolaire antérieur ;
- les absences au lycée ;
- les notes antérieures ;
- les données d’admission ;
- les tests de positionnement ;
- l’assiduité universitaire ;
- les résultats et le GPA ;
- les crédits obtenus ;
- les réponses à différents questionnaires ;
- la situation finale de l’étudiant, notamment son éventuel décrochage.
Cette centralisation permet de disposer d’une vision plus complète du parcours étudiant.
2. Calculer le risque de décrochage
À partir de ces informations, un modèle statistique ou de machine learning évalue la probabilité de décrochage.
Cette estimation peut être réalisée ponctuellement ou régulièrement pendant le cursus.
L’intérêt d’une approche longitudinale est de pouvoir observer non seulement le niveau du risque, mais également son évolution.
3. Suivre l’évolution de chaque étudiant
Le système observe ensuite les changements dans le temps.
Une augmentation brutale du risque, une dégradation progressive ou au contraire une amélioration peuvent constituer des informations essentielles pour déterminer si une intervention est nécessaire.
L’établissement dispose ainsi d’un outil de monitoring des trajectoires étudiantes.
4. Regrouper les étudiants selon leurs trajectoires
Les profils similaires peuvent ensuite être regroupés.
L’article distingue notamment trois grandes situations :
- les étudiants dont le risque reste durablement élevé et qui présentent une forte probabilité de décrochage ;
- les étudiants connaissant une hausse temporaire du risque avant une amélioration de leur situation ;
- les étudiants dont le risque reste faible et stable jusqu’à l’obtention du diplôme.
Cette segmentation permet de mieux cibler les politiques d’accompagnement plutôt que d’appliquer une réponse identique à tous les étudiants identifiés comme fragiles.
5. Mettre en œuvre des mesures d’accompagnement adaptées
L’étape suivante consiste à transformer les analyses en actions concrètes.
Deux grandes familles de dispositifs sont particulièrement mises en avant.
La première est celle des systèmes d’alerte précoce – Early Warning Systems.
Lorsque le niveau de risque augmente, l’étudiant ou les professionnels chargés de son suivi peuvent être alertés. Cette alerte peut conduire à un entretien individuel, un accompagnement pédagogique ou un suivi renforcé.
La seconde concerne le renforcement des dispositifs d’accompagnement en première année.
Des séminaires, ateliers ou programmes spécifiques peuvent aider les nouveaux étudiants à :
- développer de meilleures méthodes de travail ;
- s’adapter à l’environnement universitaire ;
- créer des liens avec les autres étudiants ;
- renforcer leur sentiment d’appartenance à l’établissement.
Le modèle combine ainsi des interventions individuelles, comme le conseil ou l’accompagnement personnalisé, et des mesures institutionnelles concernant des groupes d’étudiants ou l’ensemble d’une promotion.
6. Mesurer l’efficacité des interventions
La dernière étape consiste à vérifier si les dispositifs mis en place produisent réellement des effets.
Les établissements peuvent notamment observer :
- l’évolution de l’assiduité ;
- les résultats académiques ;
- le nombre de crédits validés ;
- l’évolution de la probabilité de décrochage ;
- les changements de comportement après l’intervention.
À titre d’exemple, une université pourrait vérifier si la participation à un séminaire destiné aux étudiants de première année entraîne également une diminution de l’absentéisme dans les autres enseignements.
Cette étape est essentielle car elle transforme le système en boucle d’amélioration continue.
Les résultats des actions mises en œuvre deviennent de nouvelles données, qui permettent ensuite d’adapter les modèles prédictifs et les dispositifs d’accompagnement.
Une simple alerte ne suffit pas
L’article rappelle également une limite importante des dispositifs de prédiction.
Informer un étudiant qu’il présente un risque de décrochage ne suffit pas nécessairement à modifier son parcours.
Une expérimentation menée aux Pays-Bas, citée dans l’article, avait intégré des prédictions réalisées par machine learning dans les dispositifs de conseil aux étudiants. Les tuteurs disposaient ainsi d’informations supplémentaires concernant les étudiants considérés comme fragiles.
Cependant, la simple transmission du niveau de risque n’a pas produit d’amélioration significative du taux de décrochage ou des performances universitaires.
La prévention doit donc aller plus loin.
Elle peut nécessiter :
- des conseils personnalisés ;
- un accompagnement méthodologique ;
- un soutien psychologique ;
- le développement de compétences ;
- ou encore un accompagnement face aux difficultés économiques et sociales.
La technologie constitue ainsi un outil d’aide à la décision, mais elle ne remplace pas l’accompagnement humain.
Le décrochage ne s’explique pas uniquement par les résultats scolaires
L’une des perspectives importantes de l’étude concerne l’intégration de facteurs plus larges.
Le décrochage universitaire ne dépend pas uniquement des notes ou de l’assiduité.
Des facteurs psychologiques et sociaux peuvent également intervenir, notamment :
- la motivation ;
- l’épuisement académique ;
- le sentiment d’isolement ;
- l’environnement familial ;
- les contraintes économiques ;
- le sentiment d’appartenance à l’université.
L’article cite notamment des recherches montrant que l’épuisement académique constitue un facteur important dans l’intention d’abandonner les études.
Les futurs modèles devront donc réussir à associer les données académiques traditionnelles à des indicateurs sociaux, psychologiques et comportementaux.
Des défis organisationnels autant que technologiques
La mise en place d’un tel modèle ne constitue pas uniquement un projet informatique.
Elle suppose également une coopération entre plusieurs composantes de l’université :
- les équipes chargées de l’Institutional Research ;
- les services administratifs et pédagogiques ;
- les enseignants ;
- les responsables de formation ;
- les services d’accompagnement et de vie étudiante.
Cette collaboration est indispensable pour que les informations produites par les modèles puissent réellement entraîner des interventions.
L’auteur identifie ainsi plusieurs priorités pour poursuivre le développement du dispositif :
tester le modèle à grande échelle, afin de mesurer concrètement son efficacité dans différents contextes universitaires ;
enrichir les données collectées, notamment concernant la participation aux dispositifs d’accompagnement et les changements de comportement des étudiants ;
intégrer davantage de facteurs psychologiques et sociaux, au-delà des seules performances académiques ;
renforcer la coopération entre les services, afin que les informations produites puissent être utilisées efficacement.
L’objectif à terme est de vérifier si ce modèle peut être transposé à d’autres universités et constituer un cadre générique de prévention du décrochage.
Vers une prévention du décrochage fondée sur l’amélioration continue
L’intérêt majeur de cette approche est finalement de changer la manière dont les données sont utilisées dans l’enseignement supérieur.
Il ne s’agit plus uniquement de produire un score permettant de dire qu’un étudiant présente, par exemple, un risque élevé de décrochage.
Le modèle proposé cherche à créer une véritable chaîne d’action :
observer → prédire → comprendre → intervenir → mesurer → améliorer.
Cette approche pourrait permettre aux universités d’agir plus tôt, de mieux cibler leurs ressources et de personnaliser davantage leurs dispositifs d’accompagnement.
Elle montre également que l’intelligence artificielle et l’analyse prédictive ne constituent qu’une partie de la réponse. Leur efficacité dépend essentiellement de la capacité de l’établissement à relier les données aux pratiques pédagogiques et aux dispositifs humains d’accompagnement.
Le véritable enjeu n’est donc pas seulement de savoir quel étudiant risque de décrocher, mais surtout de déterminer quand intervenir, comment l’accompagner et si l’action mise en œuvre améliore effectivement sa trajectoire.
Référence de l’article : Naruhiko Shiratori, Design and Implementation of a Cyclic Dropout Prevention Model Using Institutional Research Data, IIAI Letters on Institutional Research, vol. 006, LIR479.
Poster un Commentaire