AI prédit l’abandon du deuxième cycle du secondaire dès la fin du primaire

Une équipe interdisciplinaire de chercheurs de l’Université de Jyväskylä, en Finlande, dans les domaines de la psychologie, de l’éducation et des technologies de l’information, a développé les premiers modèles d’apprentissage automatique qui prévoient l’abandon du deuxième cycle du secondaire plus tôt que jamais. En utilisant un ensemble de données longitudinales de 13 ans commençant à l’âge de la maternelle, les modèles ont prédit l’abandon et la rétention dans l’enseignement secondaire dès la fin de l’école primaire (6e année).

“Cette étude marque une avancée significative dans la classification automatique précoce, mais ce n’est que la première étape d’un développement méthodologique à poursuivre.

“Une telle approche pourrait créer un nouveau précédent en améliorant les stratégies existantes de rétention et de réussite des étudiants, conduisant potentiellement à des changements transformateurs dans les systèmes et les politiques éducatives”, déclare Maria Psyridou, chercheuse postdoctorale et auteure principale de l’étude publiée dans Rapports scientifiques.

Exploiter les premières données

Le processus d’abandon scolaire commence souvent dès les premières années scolaires et est influencé par toute une série de facteurs différents. Cette étude a utilisé 13 années de données longitudinales de l’étude « Premiers pas » et de son extension, le « Parcours scolaire » axé sur l’enseignement secondaire et supérieur.

Les données englobent à la fois les antécédents familiaux et les facteurs individuels, les mesures comportementales, les mesures de motivation et d’engagement, les comportements liés à la santé et les expériences d’intimidation, l’utilisation des médias et les performances académiques et cognitives.

“Travailler avec ces données longitudinales représentait à la fois un défi et une opportunité unique pour l’apprentissage automatique. Les résultats sont vraiment prometteurs”, ajoute Fabi Prezja, le doctorant qui a co-développé l’approche d’apprentissage automatique pour cette étude.

Planifier l’avenir

L’étude représente un pas en avant significatif dans la recherche pédagogique. Cependant, des données supplémentaires et une validation plus poussée à l’aide d’ensembles de tests indépendants sont essentielles.

Dans les itérations futures, de tels modèles pourraient avoir le potentiel de soutenir de manière proactive les processus éducatifs et les protocoles existants pour identifier les étudiants à risque, contribuant ainsi potentiellement à la réinvention des stratégies de rétention et de réussite des étudiants, et contribuant finalement à de meilleurs résultats éducatifs.