Utilisation de la modélisation prédictive pour améliorer la persévérance scolaire
La modélisation prédictive, à savoir l’analyse de vastes ensembles de données pour prédire les résultats futurs, demeure une pratique peu répandue mais croissante dans les établissements d’enseignement supérieur qui permet d’identifier les étudiantes et étudiants présentant un risque d’abandon scolaire et de mettre en place des interventions ciblées pour améliorer tant la rétention que la réussite des étudiants.
Un sondage mené auprès des universités et collèges canadiens a révélé que 36 % des répondants utilisaient la modélisation prédictive comme moyen d’améliorer la persévérance scolaire et près de 40 % ont indiqué qu’ils envisageaient de le faire, selon un nouveau rapport intitulé Possibilités et défis de la modélisation prédictive pour la persévérance scolaire, publié par le Conseil ontarien de la qualité de l’enseignement supérieur.
« Ces données suggèrent que la modélisation prédictive dans l’éducation postsecondaire au Canada en est à ses balbutiements, indique le rapport. Il est clair que les établissements qui utilisent la modélisation prédictive en apprennent encore sur les avantages et les défis associés au processus, aux outils et aux résultats de la modélisation. »
Toutefois, l’étude a révélé que le nombre d’établissements ayant recours à la modélisation prédictive à des fins de rétention du nombre d’étudiants a plus que doublé entre 2013 et 2017.
L’étude, menée par Plaid Consulting, donne un aperçu de l’utilisation de la modélisation prédictive dans les établissements d’enseignement postsecondaire canadiens et souligne la façon dont elle est utilisée pour améliorer la persévérance et la réussite scolaires. Les auteurs ont interrogé 70 répondants au sein d’universités et de collèges canadiens et mené des entrevues de suivi auprès de plusieurs participants.
La modélisation prédictive fait appel à des données recueillies à partir des systèmes de gestion de l’apprentissage, des systèmes de renseignements sur les étudiants, des médias sociaux et d’autres ressources numériques. Ces systèmes fournissent aux établissements de grandes quantités de données qui peuvent être exploitées pour trouver des tendances et des prédicteurs et utilisées pour identifier les étudiants vulnérables, cibler les interventions et promouvoir les services de soutien aux étudiants.
Selon l’enquête, environ la moitié des établissements qui avaient eu recours à la modélisation prédictive l’avaient adoptée pour éclairer les interventions visant à améliorer la persévérance scolaire, comme la promotion des services de soutien aux étudiants et des conseils individuels. Certains établissements ont eu recours à la modélisation prédictive pour éclairer leur plan stratégique de gestion des inscriptions, leurs prévisions relatives aux admissions ainsi que d’autres demandes. Plus de la moitié ont indiqué que l’exercice avait entraîné certains changements au sein de leur établissement, notamment en ce qui concerne la disponibilité et la promotion des services de soutien, la conception des programmes d’études, les conditions d’admission et les politiques en matière de rétention.L’étude a également déterminé les succès et les défis que les établissements avaient rencontrés du fait de l’utilisation de la modélisation prédictive. Parmi les réussites relevées par les répondants, on peut citer le fait qu’un virage s’est opéré dans la culture des campus entraînant une utilisation accrue des données et des éléments probants dans la prise de décisions, particulièrement en ce qui concerne l’offre de services et de soutiens aux étudiants. Certains établissements ont indiqué qu’ils avaient modifié leur façon de promouvoir les services aux étudiants à la suite de l’exercice et un établissement a indiqué qu’il avait entrepris une révision complète de son modèle de prestation de conseils aux étudiants.
« Dans un environnement où la prise de décision et l’affectation des ressources fondées sur des données probantes sont de plus en plus répandues, il est clair que la modélisation prédictive pourrait jouer un rôle important dans les années à venir, à mesure que les modèles s’affinent et se développent avec le temps, conclut l’étude. »
Le rapport Possibilités et défis de la modélisation prédictive pour la persévérance scolaire a été rédigé par Patrick Lougheed, Andrew Drinkwater et Lynne Jamieson de Plaid Consulting