Apprentissage automatique

Sur cette page

Cette page est traduite en français. Les pages d'articles sont encore rédigées en anglais. Lire cette page en anglais

Cette page est une traduction automatique de la page anglaise, non relue par un locuteur natif.

Apprentissage automatique (machine learning) — le fondement technique de l'IA dans l'éducation : des algorithmes qui infèrent des régularités, des prédictions et des politiques à partir de données éducatives plutôt que de règles écrites à la main. Il recouvre l'apprentissage supervisé (classer les élèves à risque, prédire les notes), l'apprentissage non supervisé (découvrir des groupes d'apprenants), l'apprentissage par renforcement (induire des politiques de tutorat et d'étayage) et l'apprentissage profond (modèles neuronaux pour les séquences, les parcours et les comportements visuels). L'IA générative en est le sous-ensemble le plus récent et le plus visible, mais elle repose sur une pile bien plus ancienne de mécanismes prédictifs et adaptatifs.

Questions à examiner

Vous avez probablement déjà rencontré des systèmes de recommandation ou des scores de risque qui « apprenaient » à partir de données. À quel point êtes-vous à l'aise avec l'idée qu'un modèle décide quelque chose à votre sujet (un signalement d'élève à risque ou un parcours recommandé, par exemple) en se fondant uniquement sur des régularités observées dans des données historiques ?
La page trace une ligne nette entre prédire un risque et intervenir réellement — un score de risque vous dit qu'un élève échouera peut-être, mais pas ce qu'il faut faire. Où avez-vous déjà vu une prédiction présentée comme si elle était déjà une solution ?
L'apprentissage automatique peut « hacker » sa propre récompense : un tuteur IA qui optimise l'engagement peut divertir les élèves tout en leur enseignant peu de choses. Si un système paraît mesurablement performant mais pédagogiquement nuisible, quels indicateurs faut-il surveiller en dehors du nombre qu'il optimise ?
Les modèles prédictifs entraînés sur des notes historiques peuvent encoder des biais systémiques, et la surveillance automatisée des examens fait courir des risques de faux positifs qui signalent à tort des comportements normaux. Quand les données portent les biais du passé, dans quelle mesure faut-il faire confiance à une IA qui s'en sert pour prendre des décisions éducatives à fort enjeu ?
Certains systèmes d'IA surpassent des méthodes interprétables par un humain tout en restant opaques — on voit qu'ils fonctionnent, mais pas pourquoi. Dans l'éducation, quand l'interprétabilité est-elle un « agréable à avoir » et quand est-elle non négociable ?
L'IA générative est souvent traitée comme entièrement nouvelle, mais la page la présente comme le dernier sous-ensemble de l'apprentissage automatique. En quoi voir ChatGPT comme une composante des mêmes mécanismes prédictifs et adaptatifs change-t-il les risques et les limites dont on peut s'attendre à ce qu'il les hérite ?

Introduction

L'apprentissage automatique est ce qui transforme les traces éducatives en intelligence actionnable. Il alimente les modèles d'élève derrière les systèmes adaptatifs, les tableaux de bord de Analytique de l'apprentissage qui signalent les apprenants à risque, les tuteurs intelligents qui choisissent le problème suivant ou l'étayage, et les systèmes de surveillance automatisée des examens à distance. À travers les articles synthétisés ici, le schéma est constant : collecter des données sur les apprenants, en apprendre un modèle prédictif ou de décision, et agir sur ce modèle — que l'action soit une alerte précoce, une recommandation de cours, un étayage adaptatif ou une surveillance d'examen.

Ce que fait l'apprentissage automatique en éducation

Modélisation prédictive de la réussite des élèves. Les classificateurs supervisés — Logistic Regression, Random Forest, SVM, K-Nearest Neighbors — identifient les élèves à risque avant leur abandon, à partir de la performance académique, de données démographiques et d'inscription. Des architectures plus avancées vont plus loin : le transformer TRACE prédit conjointement les cours qu'un élève suivra et les notes qu'il obtiendra au semestre suivant, en modélisant la concurrence des cours pris simultanément plutôt qu'en traitant l'historique comme une séquence plate. Les hybrides optimiseur-plus-séquence, comme le cadre DMO-GRU de l'apprentissage en ligne interactif, combinent sélection automatique de caractéristiques et réglage d'hyperparamètres avec des réseaux récurrents pour atteindre une haute précision et une faible erreur sur la prédiction de l'engagement et de la performance. Une ambition partagée est la « precision education » : une stratification continue du risque et des jumeaux numériques d'élèves qui anticipent l'échec et alignent les parcours sur les résultats, faisant passer les institutions d'une remédiation réactive à un accompagnement préventif. Les modèles « glass-box » tiennent leur place ici : Zhang, Jeffries & Koprinska (2025) montrent que des arbres de décision intrinsèquement interprétables — élagués à seulement 3–5 feuilles par sélection de caractéristiques — prédisent la progression des élèves au niveau du module dans des cours de programmation en ligne à grande échelle aussi précisément que des forêts aléatoires et des SVM boîtes noires (85–91 % de précision), preuve que l'interprétabilité n'a pas à être sacrifiée à la puissance prédictive dans les applications d'alerte précoce. Les modèles à base d'arbres se révèlent aussi efficaces pour estimer la difficulté des items : Razavi and Powers (2026) ont injecté des caractéristiques cognitives et linguistiques extraites par LLM dans des forêts aléatoires et des machines de gradient boosting pour prédire la difficulté d'items de mathématiques et de lecture de la K-5 (N = 5170), atteignant des corrélations allant jusqu'à r = 0.87 avec une RMSE/MAE inférieure aux estimations directes par LLM, aux régressions factices, aux lignes de base TF-IDF et aux modèles fondés sur les seules métadonnées. Les modèles à base d'arbres ont aussi produit une importance de caractéristiques interprétable — le niveau scolaire et le nombre de mots étaient les prédicteurs les plus forts — montrant comment des caractéristiques structurées combinées à des apprenants interprétables peuvent surpasser un jugement holistique unique. La fusion IA multimodale étend cette boîte à outils prédictive : Bird (2026) fusionne un transformer ELECTRA affiné avec un réseau neuronal profond recherché sur des caractéristiques de linguistique informatique pour classer la littérature anglaise par Key Stage britannique avec un F1 de 0.996 — très au-dessus du meilleur transformer unimodal (BERT, 0.75) et du meilleur réseau de caractéristiques linguistiques (0.392) — un cas concret où la combinaison de familles de modèles surpasse toute approche unique. Sukoon (Bashir & Afzal, 2026) est un cas appliqué compact de classification supervisée dans le soutien adjacent à l'éducation au bien-être : une forêt aléatoire (100 estimateurs) sur 20 caractéristiques issues des dimensions psychologique, physiologique, environnementale, académique et sociale d'une enquête sur le stress étudiant à 1 100 réponses, entraînée sur une partition stratifiée 70/15/15 avec un scaler ajusté sur les seules données d'entraînement pour éviter les fuites, et comparée à un SVM sur les mêmes partitions (89,09 % contre 88,48 % de précision). Deux points méritent d'être notés : les auteurs interprètent la matrice de confusion par la direction de l'erreur — la principale erreur du modèle consistait à classer un stress faible comme modéré, ce qui, dans un déploiement bien-être, oriente un élève vers plus de soutien plutôt que moins — et ils utilisent les importances de caractéristiques natives comme un résultat substantiel (pression artérielle 15,6 %, relation enseignant-élève 10,0 %), tout en concédant qu'une partition stratifiée unique, sans intervalles par k-fold, et un jeu de données non représentatif limitent la confiance accordée à ces poids.

Enseignement adaptatif et tutorat. L'apprentissage automatique ferme la boucle entre modélisation et enseignement. Dans les systèmes de tutorat intelligents, une heuristique de traçage bayésien des connaissances comme une politique profonde de apprentissage par renforcement ont sélectionné de manière adaptative des types d'exemples travaillés pour susciter différents niveaux d'engagement cognitif, améliorant significativement la performance au post-test par rapport au témoin non adaptatif — tandis que les deux politiques divergeaient selon les connaissances préalables des apprenants, soulevant des questions d'interprétabilité. L'apprentissage par renforcement sous-tend aussi l'agenda de sécurité pédagogique : parce qu'un tuteur RL optimise une récompense proxy, il peut « hacker » cette récompense (en augmentant l'engagement tout en enseignant peu), et des contraintes architecturales sur l'application des prérequis et sur une exigence cognitive minimale sont nécessaires pour le garder sûr. Des programmes adaptatifs plus légers, comme le système STEM à base de règles de la classe de sixième en sciences, montrent que l'apprentissage automatique peut être utilisé avec parcimonie — pour la surveillance plutôt que pour le contrôle direct de la trajectoire — tout en soutenant l'apprentissage profond.

Du côté du Traçage des connaissances, Pradeesh et al. (2026) montrent qu'un modèle récurrent peut être calé sur la structure propre d'un programme : leur modèle OKT traite les acquis de cours de l'Outcome-Based-Education comme des concepts de connaissance, couple des correspondances d'affinité OBE validées par des experts (relations entre acquis de cours et acquis de programme) avec un Memory Augmented Neural Network pour l'impact entre acquis, et associe un backbone GRU à des plongements BERT adaptés au domaine — atteignant 89,81 % d'AUC et battant DKT, DKVMN, EKT et SimpleKT sur des données réelles de programme d'ingénierie.

Diagnostic à partir de réponses numériques tabulaires. Yin et al. (2026) montrent des arbres à gradient boosting résolvant le versant diagnostic du tutorat dans un domaine longtemps fermé à l'IA : pour les Engineering Economics Calculated Formula Questions, où les solutions manuscrites des élèves manquent de données numériques structurées, ils entraînent un backbone XGBoost multi-label dédié par question pour mapper les réponses numériques intermédiaires et finales soumises aux libellés d'erreur de la grille de l'enseignant (précision moyenne 0,81, rappel 0,79, exactitude 0,65). L'augmentation de données par masquage aléatoire — masquer des caractéristiques d'entrée à « NaN » avec des probabilités variables — préserve mieux que des méthodes d'interpolation comme SMOTE les dépendances logiques des solutions tabulaires et améliore significativement le diagnostic, et l'inclusion des réponses intermédiaires aide le plus. C'est la preuve que des modèles à base d'arbres augmentés par une augmentation sensible à la structure peuvent amorcer un retour de tutorat là où les méthodes génératives manquent de données d'entraînement.

Une vue au niveau du champ du sous-ensemble RL est fournie par la revue systématique de Riedmann, Schaper & Lugrin (2025) portant sur 89 études de RL en éducation : elle confirme que la RL est une lignée majeure de l'apprentissage automatique pour induire des politiques de tutorat et d'étayage adaptatifs, mais constate que les méthodes classiques (Q-learning) sont plus régulièrement efficaces que la Deep RL (61 % contre 36 % de supériorité significative) et signale que plus de la moitié des études ne conduisent aucun test statistique — une mise en garde méthodologique qui fait écho aux préoccupations de validation exposées plus bas.

De la prédiction à l'action et à la responsabilité. Une limite persistante est l'écart entre un score de risque et une intervention réalisable. Le cadre SC2R couple un modèle prédictif calibré avec une génération de recours par programmation entière et une validation sémantique, produisant des plans d'intervention qui respectent les contraintes de calendrier, de budget et de disponibilité plutôt que d'être seulement valides pour le modèle. Ce passage « au-delà de la prédiction » vers des recommandations vérifiables par machine et respectueuses des contraintes est la réponse du champ à l'accusation selon laquelle l'IA en éducation prédictive peut recommander des actions que les institutions ne peuvent ou ne devraient pas entreprendre.

Apprentissage automatique dans la surveillance d'examens

Une application distincte est la surveillance automatisée des examens. Les systèmes d'apprentissage profond — CNN et RNN/LSTM analysant les mouvements oculaires, la posture de la tête et les expressions faciales — détectent la tricherie plus sûrement que la surveillance traditionnelle, mais la revue systématique d'une décennie relève des limites persistantes des jeux de données, des évaluations mono-modèle, des lacunes de reproductibilité et des risques de faux positifs pouvant signaler à tort des comportements normaux. La revue de la malhonnêteté académique qui l'accompagne documente les méthodes de tricherie que ces systèmes doivent contrer (usurpation d'identité, usage d'un navigateur, copier-coller) et les charges pratiques — coût, connectivité, anxiété des candidats — qui bornent leur équité. Ensemble, elles avertissent que la surveillance par apprentissage automatique doit être accompagnée d'une conception respectueuse de la vie privée, sensible au contexte, et d'alternatives accessibles.

Limites et préoccupations éthiques

La littérature synthétisée est franche sur les limites de l'apprentissage automatique. Les gains proviennent souvent de données de référence ou d'une seule institution et peuvent ne pas se généraliser sans réentraînement ; SC2R et TRACE le reconnaissent tous deux. Les modèles prédictifs entraînés sur des notes historiques peuvent encoder des biais systémiques, et les scores de risque appliqués à des données étudiantes sensibles soulèvent des préoccupations de vie privée et d'équité qui exigent une gouvernance et une supervision humaine. L'interprétabilité est une tension récurrente — les politiques de RL peuvent surpasser des heuristiques interprétables tout en restant opaques. Et le hackage de récompense montre qu'un système d'apprentissage automatique peut être mesurablement performant tout en étant pédagogiquement nuisible, ce qui explique pourquoi les contraintes architecturales de sécurité et l'infrastructure d'audit comptent.

La pratique de validation est une autre source de surconfiance. Schuetze, Yan et Carvalho (2025) montrent que les modèles de suivi des connaissances (BKT, BKT avec oubli, AFM) semblent capter les tendances d'apprentissage lorsqu'ils sont ajustés rétrospectivement à toutes les sessions disponibles, alors que sous une validation croisée temporelle (walk-forward) — entraînement sur les sessions antérieures pour prédire les suivantes, ce qui reflète le déploiement réel — ils surestiment la performance future, manquent l'effet d'espacement et classent mal les conditions de pratique ; les modèles sans oubli ont même égalé ceux augmentés d'oubli, indiquant que l'oubli avait été absorbé dans d'autres paramètres plutôt qu'appris. Quand les distributions d'entraînement et de déploiement sont temporellement séparées — ce qui est la norme pour les données longitudinales d'élèves — un bon ajustement in-sample ou rétrospectif ne garantit pas la validité prédictive.

L'IA générative comme sous-ensemble

L'IA générative — les grands modèles de langage et les systèmes LLM apparentés — se comprend mieux comme un sous-ensemble de l'apprentissage automatique : les mêmes fondements neuronaux et d'entraînement, mais appliqués à la génération de contenu (explications, retours, dialogue) plutôt qu'à la classification ou à la prédiction. Elle hérite des préoccupations de validité, de biais et de sécurité du champ tout en y ajoutant de nouvelles, comme l'hallucination. Aux fins de cette base de connaissances, l'apprentissage automatique est le parapluie technique le plus large ; l'IA générative en est la branche contemporaine la plus visible.

Formation des enseignants et littératie en apprentissage automatique

L'apprentissage automatique apparaît aussi dans l'éducation comme une matière. Dans la formation initiale des enseignants, des interventions pratiques de codage et de robotique utilisant le Micro:bit et des projets de classification d'images supervisée ont significativement amélioré les connaissances des futurs enseignants sur les concepts informatiques et l'apprentissage automatique d'introduction, ainsi que leurs attitudes à l'égard de son enseignement. À mesure que la littératie en IA entre dans les programmes, doter les enseignants d'une maîtrise opérationnelle de l'apprentissage automatique devient une condition pour pouvoir l'enseigner aux élèves. Une voie contrastée atteint les mêmes concepts sans aucun logiciel : dans le développement professionnel en ligne de Sung et Gunpinar (2026), dix éducateurs de la K-12 ont construit à la main une « matrice de caractéristiques explicable » — un tableau oui/non de caractéristiques de forme qui est le classificateur, testable et révisable plutôt qu'opaque — avec le jeu de tri de Code.org et Google Slides comme seuls outils. Leur auto-efficacité en IA est passée de modérément faible (M = 3,13) à au-delà de modérée (M = 3,71) et les descripteurs négatifs dans une tâche d'association de mots sont tombés de 30 % des participants à zéro, bien que les données soient limitées, non contrôlées et entièrement fondées sur l'auto-déclaration.

Concepts liés

Métadonnées

Technologies et techniques	Technologies de l'IA, L'IA générative, Analytique de l'apprentissage, Apprentissage automatique, La modélisation de l'apprenant et l'enseignement adaptatif

Source History Edit Chat