evidoria

← Retour à la liste

Bonne pratique Importée

Système d'alerte précoce par IA pour le risque de décrochage scolaire — Université Mohammed VI Polytechnique et le ministère marocain de l'Éducation nationale

Maroc · Fès · Voir le profil de Maroc

Preuves: Observationnel / avant-après Top 82% 33/100 · Demandez à Evidence Copilot à propos de cette pratique

L'UM6P et le ministère marocain de l'Éducation ont conçu un système d'apprentissage automatique explicable qui signale le risque de décrochage à partir de 1,4 million de dossiers d'élèves dans la région de Fès-Meknès, avec 88 % d'exactitude — bien que les auteurs montrent que la performance chute nettement selon une répartition chronologique plus réaliste.

88 %
Exactitude de la meilleure configuration (répartition aléatoire) (2025)
88 %
Rappel de la meilleure configuration (répartition aléatoire) (2025)
86 %
Précision de la meilleure configuration (répartition aléatoire) (2025)
87 %
AUC de la meilleure configuration (répartition aléatoire) (2025)
83 %
Exactitude du meilleur modèle isolé (LightGBM, niveau 7) (2025)
89 %
AUC du meilleur modèle isolé (LightGBM, niveau 7) (2025)

Détails

Promoteur
Mohammed VI Polytechnic University (UM6P) / Ministry of National Education, Preschool and Sports (Morocco)
Période
Published Apr 2025 (arXiv preprint); dataset spans 5 academic years, Fès-Meknès region
Mots-clés
machine learning, dropout prediction, early-warning system, explainable AI, education administrative data

Contexte

Le ministère marocain de l'Éducation nationale, du Préscolaire et des Sports s'est associé à l'Université polytechnique Mohammed VI (UM6P) pour lutter contre le décrochage scolaire, en s'appuyant sur un vaste jeu de données administratives couvrant environ 1,4 million de dossiers d'élèves sur cinq années scolaires dans la région de Fès-Meknès.

Objectifs

Le projet visait à construire un système d'apprentissage automatique explicable capable de repérer suffisamment tôt les élèves à risque de décrochage pour permettre une intervention des établissements, en utilisant l'interprétabilité SHAP afin que les prédictions restent compréhensibles pour les administrateurs scolaires plutôt que de fonctionner comme une boîte noire.

Activités

Les chercheurs ont comparé cinq algorithmes (arbre de décision, forêt aléatoire, XGBoost, LightGBM et une approche de vote d'ensemble) entraînés sur plus de 100 variables par élève, puis ont appliqué SHAP pour identifier les facteurs déterminant chaque prédiction de risque.

Résultats

Avec une répartition aléatoire des données, la meilleure configuration a atteint 88 % d'exactitude, 88 % de rappel, 86 % de précision et une AUC de 87 % ; le meilleur modèle isolé (LightGBM, niveau 7) a obtenu 83 % d'exactitude et 89 % d'AUC. Les performances ont chuté nettement lors d'une évaluation avec une répartition chronologique plus réaliste (d'une année sur l'autre), ce que les auteurs attribuent en partie à la perturbation des schémas habituels de décrochage liée à la COVID-19.

Conclusions

Les auteurs présentent le système comme un résultat de recherche prometteur mais encore préliminaire, limité à une seule région, avertissant que les taux d'exactitude annoncés pourraient ne pas se maintenir en conditions réelles et notant que la faible proportion de cas de décrochage complique la classification.

Mise en œuvre
Coût indicatif
Moyen (50 k€–500 k€) — No budget figures disclosed; costs implied are primarily research/data-science staff time and computing rather than large capital investment.
Délai jusqu’aux résultats
Moyen (1–3 ans) — Analysis draws on five consecutive academic years of ministry data; published as an arXiv preprint in April 2025, with no reported classroom deployment timeline yet.
Personnel et compétences
UM6P researchers, Ministry of National Education, Preschool and Sports staff (data provision)

Conditions de réussite

  • Access to a large, multi-year ministry administrative dataset (~1.4M student records)
  • Use of explainable AI (SHAP) to make predictions interpretable for school administrators
  • Benchmarking multiple algorithms rather than committing to a single model upfront

Modes d’échec courants

  • Performance drops sharply under a realistic chronological train/test split versus a random split
  • Small minority class (actual dropouts) complicates classification
  • Limited to a single region (Fès-Meknès), not yet validated nationally
  • COVID-19-era disruption altered normal dropout patterns, undermining generalisability

Où cela s’applique

Type de gouvernance
national ministry + public university partnership
Échelle
regional (Fès-Meknès)
Niveau de revenu
lower-middle-income

Habituellement financé par

National / regional programmes

Pistes de financement indicatives pour des pratiques de ce type — vérifiez toujours les appels en cours et les règles d'éligibilité de chaque programme.

Vous portez cette pratique ? Revendiquez-la — les porteurs vérifiés obtiennent un contact public sur la page et peuvent proposer des corrections.

Sources de données

D'où proviennent les informations de cette pratique, et quand.

Pratiques similaires qui pourraient vous être utiles