Des chercheurs ont créé un algorithme qui peut prédire en moyenne huit semaines à l’avance si les étudiants vont mettre fin à leurs études.
Des chercheurs en sciences sociales de l’Université de Tübingen développent une méthode statistique permettant de séparer différents niveaux d’influence.
Dans les domaines des sciences, de la technologie, de l’ingénierie et des mathématiques – connus collectivement sous le nom de matières STEM – jusqu’à 40 % des étudiants abandonnent leurs études dès la phase d’entrée. Une équipe de recherche du Centre des méthodes de la Faculté des sciences économiques et sociales de l’Université de Tübingen a mis au point une méthode statistique qui permet de prévoir en moyenne huit semaines à l’avance si les étudiants vont mettre fin à leurs études.
Le nouvel algorithme représente également une avancée méthodologique générale. Lors de la prédiction, l’algorithme est capable de prendre en compte les différences entre les étudiants qui existent déjà au début de l’étude – comme les capacités cognitives globales – et de les séparer des états affectifs des étudiants qui dépendent du temps. De cette façon, il devient possible de prédire la probabilité d’abandon même pour les étudiants qui sont bien adaptés à leur cours. Cette séparation des différents niveaux d’influence pourrait également être utile pour de nombreuses questions relevant d’autres domaines. Les chercheurs ont publié leur étude dans la revue Psychometrika.
Les étudiants dans les matières STEM ont des conditions préalables différentes au départ, qui influencent la probabilité générale de décrochage. “Il est évident, par exemple, que les performances en mathématiques au lycée et les capacités cognitives générales varient selon les élèves. Des performances inférieures sont initialement plus susceptibles de conduire à l’abandon dans la phase d’entrée”, explique le professeur Augustin Kelava du Centre des méthodes. “Cependant, nous voulions aborder la question de savoir comment, parmi les nouveaux étudiants aux capacités comparables, identifier ceux qui abandonnent rapidement.”
Étude longitudinale avec 122 étudiants
Dans une enquête initiale pour l’étude, 122 étudiants de l’Université de Tübingen dans leur premier semestre de mathématiques ont été interrogés sur leurs connaissances antérieures des mathématiques, leurs intérêts, leur carrière scolaire, et leurs antécédents financiers ; et les détails des variables de personnalité, y compris la stabilité émotionnelle, ont été recueillis. “Les résultats de l’évaluation initiale nous ont donné une image des caractéristiques stables de chaque étudiant”, explique M. Kelava. Ensuite, des enquêtes de cinq minutes ont été menées trois fois par semaine, soit 50 fois au total sur les 131 jours du semestre, dans lesquelles les étudiants ont indiqué comment ils se sentaient actuellement et s’ils avaient l’impression de suivre les cours. “Les étudiants ont indiqué comment ils se sentaient et s’ils avaient l’impression de suivre les cours. Nous savions qui était resté jusqu’à la fin du semestre, ainsi que la note de l’examen final. Nous avons également constaté que notre enquête a été très bien acceptée”, dit-il.
L’équipe de recherche n’est pas intervenue spécifiquement dans les trajectoires d’études individuelles. “Il s’agit d’une application potentielle pour le développement futur de ce processus”, ajoute-t-il. Les prédictions ont été calculées à l’aide de la méthode statistique nouvellement développée, un algorithme qui utilise les données recueillies jusqu’à un moment donné pour déterminer le comportement et l’expérience futurs d’un étudiant avec une forte probabilité. Il s’agit d’un algorithme FFBS (forward-filtering-backward-sampling). “Les niveaux d’influence sont complexes. Ils interagissent et une multitude de variables jouent un rôle dans la décision de persévérer ou d’abandonner ses études”, explique M. Kelava.
Prédiction précoce de l’intention d’abandonner les études
En conséquence, l’équipe de recherche a pu prédire les intentions d’abandon en moyenne huit semaines à l’avance, à un moment où les gens viennent encore aux cours. “Souvent, après avoir commencé au semestre d’hiver, les étudiants ne sont plus là après les vacances de Noël”, explique Kelava. “En prédisant les intentions cachées, nous avons pu séparer les deux niveaux d’influence – d’une part, les caractéristiques stables des étudiants, d’autre part, les changements d’état affectif au fil du temps. Sur la base de leurs propres révélations sur ce qu’ils ressentent et ce qu’ils font, nous pouvons dire quand ils développent une intention latente, pas encore directement observable, d’abandonner leurs études.”
Cette méthode statistique fournit un instrument permettant d’adopter des approches spécifiques à l’égard des étudiants qui sont en principe qualifiés pour la matière mais qui montrent des tendances à l’abandon, ajoute M. Kelava. Ils pourraient se voir proposer un accompagnement ou des conseils. D’une manière générale, il affirme que la méthode convient également à certaines questions de recherche dans d’autres domaines, tels que lala séparation des variables d’influence stables des développements situationnels, par exemple dans les cours de la bourse ou dans les applications d’ingénierie.
Référence : “Forecasting Intra-individual Changes of Affective States Taking into Account Inter-individual Differences Using Intensive Longitudinal Data from a University Student Dropout Study in Math” par Augustin Kelava, Pascal Kilian, Judith Glaesser, Samuel Merk et Holger Brandt, 2 avril 2022, Psychometrika.
DOI: 10.1007/s11336-022-09858-6
