Eduardo Silva Alvarado, directeur de la Fundación Universitaria Iberoamericana (Fondation universitaire Ibéro-Americaine, FUNIBER), à son siège au Guatemala, participe à une étude qui compare différentes techniques de prévision de l’abandon des études postuniversitaires en ligne à un stade avancé, afin de proposer un modèle plus efficace.
Actuellement, le développement de l’apprentissage en ligne constitue un défi majeur pour les établissements d’enseignement du monde entier. Deux de ces défis sont le manque de connaissances sur la méthodologie de l’apprentissage en ligne et la fracture numérique, car tous les étudiants ne sont pas à l’aise avec les procédures virtuelles et n’ont pas les mêmes possibilités d’accès aux outils technologiques.
Bien que le nombre d’étudiants s’inscrivant à des programmes en ligne ait augmenté, cela a également entraîné des taux élevés d’abandon et d’insatisfaction parmi les étudiants, en particulier par rapport aux études sur un campus en face à face. Cela s’applique principalement aux cours en ligne ouverts et massifs, généralement gratuits, connus sous le nom de MOOC, qui peuvent avoir des taux d’abandon de plus de 80 %. Par conséquent, prévoir et retenir les étudiants est devenu un défi crucial.
Les taux d’obtention de diplômes et d’abandon sont considérés comme des indicateurs de l’efficacité des établissements d’enseignement et peuvent affecter leur réputation, voire leur éligibilité à des bourses et à des financements publics. Les causes de l’abandon universitaire sont complexes et influencées par divers facteurs psychologiques, sociaux, économiques et organisationnels.
L’abandon peut être classé en termes de durée (temporaire ou permanente) et de comportement individuel (académique ou volontaire). Une autre façon de classer l’abandon se réfère au moment où l’abandon se produit, en distinguant l’abandon précoce, l’abandon prématuré et l’abandon tardif. Dans ce contexte, il est important de souligner que cette étude se concentre sur l’abandon volontaire et définitif au cours de la phase d’élaboration du mémoire de master.
Pour résoudre ce problème, les chercheurs ont comparé les avantages de la technique d’ajustement du seuil de probabilité optimal à d’autres techniques de traitement des données non équilibrées, dans son application à la prédiction de l’abandon tardif des étudiants de troisième cycle dans les cours d’enseignement à distance de deux universités de la région ibéro-américaine : l’Université européenne de l’Atlantique (UNEATLANTICO) et l’Université internationale ibéro-américaine de Mexico (UNINI Mexico), qui font partie du réseau universitaire auquel FUNIBER participe. L’objectif final est de réduire l’écart entre les modèles traditionnels utilisés dans l’enseignement en face à face et l’environnement d’apprentissage en ligne, en appliquant des outils d’apprentissage automatique pour prendre des décisions spécifiques. Cette approche se concentre sur la technique de l’ajustement optimal des probabilités pour prédire l’abandon des études universitaires de troisième cycle à des stades avancés ou tardifs. Elle peut être appliquée indépendamment ou en conjonction avec d’autres techniques, attributs ou algorithmes.
Selon la méthodologie utilisée, il a été confirmé qu’un modèle de consensus complexe (avec un seuil de 0,463) et le modèle Random Forests ont obtenu des métriques similaires. L’ajustement des seuils de probabilité optimaux aux modèles de base a démontré la robustesse du modèle des forêts aléatoires pour atteindre un équilibre entre la précision (0,56) et le rappel (0,55), en utilisant un seuil proche de la valeur par défaut de 0,5 (0,427). Cela démontre qu’un modèle de Forêts aléatoires de base ajusté avec un seuil optimal fournit des résultats robustes et évite la nécessité d’utiliser des techniques de modification des données qui pourraient introduire des erreurs.
Les variables significatives se sont avérées être principalement liées à l’environnement académique et les variables ayant une composante temporelle explicite, telles que la durée des matières, la durée du statut académique et les prolongations, se sont avérées être les plus importantes pour différencier les différentes classes dans le contexte de l’abandon scolaire tardif. Les variables sociales et démographiques ne semblent pas influencer autant cette situation.
Les résultats suggèrent que l’approche consistant à ajuster le seuil de probabilité optimal permet une meilleure généralisation du modèle de prédiction de l’abandon scolaire tardif par rapport à d’autres techniques de rééchantillonnage des données. Cependant, davantage de variables devraient être prises en compte et il est recommandé d’élargir la population échantillonnée, d’utiliser des ressources supplémentaires telles que Python et d’améliorer les algorithmes d’apprentissage automatique dans les recherches futures.
Cette étude innovante marque une étape importante dans le domaine académique, suscitant l’espoir pour les universités d’intervenir à temps et de fournir un soutien adéquat aux étudiants qui risquent d’abandonner leurs études, principalement dans leur dernière phase d’études. De cette manière, les taux d’abandon tardif sont minimisés.
Pour en savoir plus sur cette étude, cliquez ici.
Pour lire d’autres recherches, consultez le référentiel UNEATLANTICO. La Fondation universitaire ibéro-américaine (FUNIBER) propose un Master en Éducation. Ce programme vise à développer les compétences numériques des enseignants du 21e siècle et l’application de la technologie à l’éducation.