Dans les formations en ligne, le décrochage est souvent silencieux. L’apprenant ne se connecte plus, ne rend plus ses travaux, et personne ne s’en aperçoit avant la fin du module, quand il est trop tard pour agir. Les données d’activité offrent la possibilité de repérer ces situations plus tôt.
Un phénomène ancien, une visibilité nouvelle
Le décrochage n’est pas propre au numérique. Le modèle de Tinto (1975) le décrivait déjà comme le résultat d’une intégration académique et sociale insuffisante. Les revues de la littérature sur l’abandon dans les cours en ligne identifient des facteurs liés à l’apprenant, au cours et à l’environnement (Lee et Choi, 2011).
Ce qui change avec les plateformes, c’est la visibilité : l’activité laisse des traces, et l’absence d’activité aussi.
Des indicateurs simples
On imagine souvent que la détection du décrochage nécessite des algorithmes prédictifs sophistiqués. En pratique, des indicateurs simples suffisent souvent à repérer les situations à risque :
- aucune connexion depuis une semaine ;
- une activité obligatoire non réalisée à l’échéance ;
- une chute brutale de l’activité par rapport aux semaines précédentes ;
- des résultats faibles aux premiers quiz.
Ces signaux ne disent pas pourquoi l’apprenant décroche, mais ils indiquent qu’il faut aller voir.
L’expérience de Course Signals
Le projet Course Signals de l’université Purdue est souvent cité : il combinait des données de performance et d’activité pour afficher un signal de couleur aux étudiants et aux enseignants, accompagné de messages d’intervention (Arnold et Pistilli, 2012). Au-delà des résultats rapportés, ce projet a surtout montré que le signal n’a de valeur que s’il déclenche une action.
Un tableau de bord sans action n’est qu’un constat.
De la détection à l’intervention
Un message personnalisé, un appel, une proposition de rendez-vous ou d’aide : c’est là que la donnée devient utile. Wise (2014) insiste sur la nécessité de concevoir les interventions pédagogiques en même temps que les outils d’analyse.
Cela pose des questions d’organisation : qui consulte les alertes ? Qui contacte les apprenants ? Avec quel message ? Dans quel délai ? Sans réponse claire, les meilleurs indicateurs restent lettre morte.
Il faut aussi veiller au ton : un message de relance doit être perçu comme une aide, pas comme une surveillance.
Un exemple concret
Une université propose un parcours de mise à niveau en ligne pour des étudiants de première année. L’équipe met en place une règle simple : tout étudiant qui ne s’est pas connecté depuis huit jours, ou qui n’a pas rendu l’activité de la semaine, reçoit un message personnalisé de son tuteur.
Le message n’est pas une relance administrative. Il demande des nouvelles, rappelle les ressources disponibles, propose un rendez-vous. Plusieurs étudiants répondent en expliquant des difficultés matérielles ou personnelles ; certains reprennent le parcours, d’autres sont orientés vers les services adaptés.
L’équipe constate que le plus important n’était pas l’algorithme, mais la disponibilité des tuteurs et la qualité des messages.
Ce que cela change pour l’évaluation des dispositifs
Dans l’évaluation d’un dispositif de formation en ligne, le dispositif d’accompagnement mérite autant d’attention que les contenus. Un dispositif qui détecte les décrocheurs sans les accompagner n’a pas plus de valeur qu’un dispositif qui ne les détecte pas.
Les indicateurs pertinents portent alors sur la chaîne complète : délai entre le signal et le contact, taux de réponse, taux de reprise, et devenir des apprenants contactés.
En conclusion
Les données d’activité offrent une occasion précieuse de repérer le décrochage tôt. Mais cette occasion n’a de valeur que si elle est saisie par une action humaine, bienveillante et rapide. Concevoir les interventions en même temps que les indicateurs est la condition pour que les learning analytics contribuent réellement à la réussite des apprenants.
Et vous ? Dans vos formations, qui est chargé de contacter les apprenants signalés comme décrocheurs ?
Références
- Arnold, K. E., et Pistilli, M. D. (2012). Course Signals at Purdue: Using learning analytics to increase student success. Proceedings of the 2nd International Conference on Learning Analytics and Knowledge (p. 267–270). ACM.
- Lee, Y., et Choi, J. (2011). A review of online course dropout research: Implications for practice and future research. Educational Technology Research and Development, 59(5), 593–618.
- Tinto, V. (1975). Dropout from higher education: A theoretical synthesis of recent research. Review of Educational Research, 45(1), 89–125.
- Wise, A. F. (2014). Designing pedagogical interventions to support student use of learning analytics. Proceedings of the 4th International Conference on Learning Analytics and Knowledge (p. 203–211). ACM.
Laisser un commentaire