Les étudiants américains spécialisés dans les domaines STEM obtiennent actuellement leur diplôme environ 20 % moins souvent que leurs pairs non-STEM, un appel retentissant à mieux aider ces étudiants, en particulier au cours de leurs premiers semestres. Même si des changements systémiques à long terme – abandonnant les cours magistraux au profit du partage de pratiques pédagogiques fondées sur des données probantes – devraient aider, l’inertie du monde universitaire peut parfois ralentir leur adoption.
Certains éducateurs et chercheurs ont cherché à compléter ces changements plus importants par quelques coups de pouce dans la bonne direction. Un candidat prometteur : des interventions périodiques conçues pour aider les élèves en difficulté à trouver leur chemin.
Mohammad Hasan et Bilal Khan du Nebraska ont récemment étudié si l’apprentissage automatique – une forme d’IA capable d’identifier des modèles dans les données, puis d’utiliser cette reconnaissance apprise pour prévoir les résultats – pourrait contribuer à cette cause. Pour commencer, Hasan et Khan ont formé un modèle sur les devoirs, les quiz et les résultats de mi-session, ainsi que les notes finales, de 537 étudiants ayant suivi un cours d’informatique entre 2015 et 2018.
Plus tard, ils ont appliqué le modèle à une classe de 65 étudiants de premier cycle inscrits dans ce même cours. À trois moments du semestre (six semaines, neuf semaines et 12 semaines), 32 étudiants ont reçu un message automatisé via le système de gestion des cours de l’université. Ce message relayait la projection du modèle d’un étudiant réussissant le cours : « Bon », « Passable », « Sujet à risque » ou « À risque ». Les 33 étudiants restants, ceux du groupe témoin, ont toujours reçu un message « Impossible de faire une prédiction ».
Parmi le groupe témoin, 24 étudiants sur 33, soit environ 73 %, ont réussi le cours. Ceux qui ont reçu des prévisions réelles basées sur leurs trajectoires ont quant à eux obtenu de bien meilleurs résultats : 29 des 32 étudiants ont réussi, soit un taux de près de 91 %. Et parmi les étudiants interrogés qui ont déclaré vérifier activement leur statut, 86 % ont déclaré avoir accru leurs efforts après avoir vu les prévisions.
La recherche est publié dans la revue PLOS UN.
Hasan et Khan ont déclaré que les résultats, bien que précoces, soulignent l’intérêt d’intégrer des interventions basées sur l’IA dans les cours STEM. Le duo prévoit de mener une étude plus vaste et à plus long terme qui pourrait aider à déterminer si des variables au-delà des résultats (comportements liés aux cours, perceptions de la science, données démographiques) pourraient généraliser et étendre l’utilisation des interventions au-delà d’un seul cours uniforme.
Plus d’information:
Mohammad Rashedul Hasan et al, Une intervention basée sur l’IA pour améliorer l’apprentissage STEM au premier cycle, PLOS UN (2023). DOI : 10.1371/journal.pone.0288844