Learning analytics : prédire la réussite sans enfermer les élèves

Chaque interaction avec une plateforme d'apprentissage laisse une trace : temps passé, exercices tentés, erreurs récurrentes. Le learning analytics transforme ces traces en information actionnable — repérer un élève en difficulté avant l'échec, ajuster un cours, personnaliser un accompagnement. La promesse est forte ; les pièges éthiques le sont tout autant.

Prédire pour agir : les systèmes d'alerte précoce

Les systèmes d'alerte précoce combinent données de plateforme et modèles prédictifs pour signaler les apprenants à risque. Des travaux récents montrent des cycles complets « prédire-intervenir-évaluer » associant prédiction algorithmique et réseaux de soutien humain ^[1], et des modèles de risque de décrochage à partir de l'activité en ligne ^[2]. Des jeux de données ouverts, comme l'OULAD (plus de 32 000 étudiants), standardisent la recherche et l'identification précoce ^[3].

Le piège des variables statiques

Un risque majeur guette ces modèles : s'appuyer sur des caractéristiques statiques plutôt que sur l'apprentissage réel. Une étude montre que des variables démographiques peuvent dominer les prédictions de risque (jusqu'à environ deux tiers de l'importance), ce qui permet un repérage précoce mais menace de perpétuer les inégalités quand la démographie sert de proxy à des barrières systémiques ^[4]. Prédire qu'un élève d'un certain profil échouera n'est pas un diagnostic : c'est un miroir des biais du passé.

Éthique, transparence et consentement

La communauté du learning analytics prend ces enjeux au sérieux. Des cadres de « responsible AI » proposent des principes opérationnels — transparence, équité, responsabilité — pour éviter des soutiens inégaux selon les groupes ^[5]. Des travaux centrés sur les étudiants montrent que ceux-ci voient la transparence comme quelque chose à cultiver activement, et plaident pour un consentement continu et mesurable plutôt que binaire ^[6]. La conférence LAK, vitrine du domaine, met désormais l'usage responsable des données au premier plan ^[7].

• Coupler toute prédiction à une intervention humaine bienveillante.
• Auditer les modèles pour éviter que la démographie ne devienne un destin.
• Rendre les critères explicables et le consentement révisable.
• Évaluer l'impact réel sur la réussite, pas seulement la précision du modèle.

Un modèle qui prédit l'échec sans aider à l'éviter n'analyse pas l'apprentissage : il le juge.

Synthèse Learnya

Le learning analytics touche par nature des données personnelles sensibles ; sa légitimité repose sur une gouvernance stricte — un impératif renforcé en contexte européen et suisse. Bien encadré, il aide à agir tôt et à mieux répartir l'attention ; mal encadré, il surveille et enferme.

Prédiction, corrélation, causalité : ne pas confondre

Un modèle prédictif repère des régularités, pas des causes. Savoir qu'un ensemble de signaux annonce un risque de décrochage n'explique pas pourquoi, ni ce qu'il faut faire. Confondre corrélation et causalité peut conduire à des interventions inutiles, voire contre-productives — par exemple cibler un élève sur la base de son profil plutôt que de ses difficultés réelles. La valeur d'un système d'alerte tient à la pertinence de l'action qu'il déclenche, pas à sa seule précision statistique ^[1].

Le danger le mieux documenté est la prophétie auto-réalisatrice. Si des variables statiques dominent la prédiction ^[4], le système risque d'étiqueter durablement certains élèves, orientant l'attention et les ressources d'une manière qui confirme le pronostic. Un tableau de bord qui affiche un « risque » sans contexte peut ainsi peser sur le regard de l'enseignant et sur l'estime de l'élève. La transparence sur ce que le modèle mesure — et ne mesure pas — est essentielle.

C'est pourquoi la communauté déplace l'exigence de la performance vers la responsabilité : équité, redevabilité, consentement continu et révisable ^[5][6]. Les données d'apprentissage étant intrinsèquement personnelles et sensibles, leur exploitation appelle une gouvernance stricte et une finalité clairement au service de l'apprenant. Bien gouverné, le learning analytics aide à agir tôt et avec justesse ; mal gouverné, il devient un outil de surveillance qui juge au lieu d'aider.

De l'analyse à l'action juste

La valeur du learning analytics ne se mesure pas à la sophistication de ses modèles, mais à la qualité des décisions humaines qu'il éclaire. Un tableau de bord n'a de sens que s'il déclenche une action bienveillante et pertinente : un entretien, un soutien, un aménagement. Sans cette boucle, la donnée reste une observation stérile, au mieux inutile, au pire stigmatisante.

L'évolution responsable du domaine passera par plus de transparence pour les apprenants, un consentement réellement révisable, et des audits de biais systématiques. La donnée d'apprentissage appartient d'abord à l'élève ; l'analyser est un service qu'on lui rend, pas une surveillance qu'on lui impose. C'est en gardant ce principe au centre, et en maîtrisant la gouvernance des données, que l'analyse de l'apprentissage tiendra ses promesses sans trahir la confiance.