Prédire les performances des étudiants grâce à la fouille de données trans-institutionnel : développement du modèle CISE et de l'outil ReflectMate

L’évolution rapide des environnements d’apprentissage numériques a mis en évidence le besoin d’outils innovants pour améliorer les performances et l’engagement des étudiants et l’équité dans l’éducation. Cette thèse présente deux cadres : le modèle prédictif CISE (Cross-Institutional Stacking Ensemble) et ReflectMate, un outil d’analyse réflexive de l’apprentissage. Elle aborde les défis de l’éducation en TIC, tels que l’hétérogénéité des ensembles de données, le déséquilibre entre les classes et les disparités causées par la fracture numérique, transformant ainsi les pratiques éducatives grâce à l’analyse prédictive et à l’apprentissage réflexif. Le modèle CISE est un cadre d’apprentissage conçu pour prédire les performances académiques des étudiants dans divers contextes institutionnels. Il intègre cinq classificateurs d’apprentissage automatique : Decision Tree, Random Forest, Naive Bayes, Neural Network et Support Vector Machine, synthétisés via un méta-modèle basé sur la régression logistique. Cette approche d’ensemble empilé a démontré une précision prédictive et une généralisabilité supérieures, atteignant un taux de 78,25 % (score F1) sur le jeu de données utilisé pour valider le méta-modèle. En complément de CISE, ReflectMate a été conçu et développé pour permettre aux apprenants de s'engager activement dans leur parcours académique. Cet outil réflexif d’analyse des activités d’apprentissage, centré sur l’apprenant, fournit des informations en temps réel sur les interactions avec les plateformes LMS, notamment des indicateurs liés aux exercices, aux devoirs notés ainsi qu’au temps consacré aux activités d’apprentissage.Une étude a également été menée sur la fracture numérique, en particulier dans le contexte de l’éducation en TIC au Cambodge. Des analyses statistiques ont révélé des disparités dans les résultats académiques en fonction du genre et de la localisation géographique, mettant en évidence des inégalités systémiques qui affectent les opportunités d’apprentissage. Les contributions majeures de cette thèse portent sur l’exploration des données éducatives et l’analyse réflexive de l’apprentissage grâce à des solutions centrées sur les apprenants. En intégrant le modèle prédictif, ces travaux visent à améliorer les résultats académiques et à favoriser le développement de l’autonomie des apprenants.