• Objectifs du projet

L'objectif du projet est de mettre en œuvre des interventions éducatives visant à réduire à la fois les abandons universitaires et les mauvais résultats scolaires, afin d'améliorer la qualité et l'équité dans l'enseignement supérieur.

• Méthodologie

Afin d'atteindre les objectifs, des modèles prédictifs de la performance académique et de l'abandon sont construits en utilisant des facteurs personnels, des facteurs sociaux, des facteurs académiques et des facteurs technologiques. Ce dernier ensemble de prédicteurs est constitué par les interactions numériques sur les plateformes éducatives et les réseaux sociaux. L'identification des variables à inclure dans les modèles sera effectuée dans la première phase de mise en œuvre, sur la base de la revue actualisée de la littérature scientifique sur la détection précoce de l'abandon et des performances académiques dans les études universitaires et, à partir de ce premier résultat, les variables qui ont le plus d'impact sur ces phénomènes seront sélectionnées à l'aide de la technique innovante d'exploration de données, Random Forest.

• Hypothèses précédentes

Notre hypothèse de départ est que le problème de la prédiction des performances académiques et de la détection précoce de l'abandon à l'université peut être abordé en développant de nouveaux modèles de fouille de données et multicritères qui intègrent des données éducatives et de nouvelles sources de données (issues des interactions numériques sur les plateformes éducatives et les réseaux sociaux), ainsi que des techniques récentes de traitement des données liées au Big Data et à l'apprentissage automatique (Machine Learning). On peut s'attendre à ce que, en raison de la pandémie de Covid19, les informations collectées sur les plateformes éducatives soient désormais beaucoup plus importantes, car leur utilisation a considérablement augmenté depuis le début des confinements. Auparavant, certains groupes ou sujets n'étaient pas virtualisés et ceux qui l'étaient avaient une activité beaucoup plus faible. C'est encore le cas aujourd'hui, car la présence en face à face n'a pas été retrouvée. Les informations obtenues aujourd'hui, plus abondantes et de meilleure qualité, permettront de faire de meilleures prédictions.