evidoria

← Retour à la liste

Bonne pratique Importée

Modèle AutoML de Risque de Décrochage pour les Collèges Tanzaniens — Université de Dar es Salaam

Tanzanie · Dar es Salaam · Voir le profil de Tanzanie · Voir le profil de Dar es Salaam

Preuves: Observationnel / avant-après Top 89% 27/100 · Demandez à Evidence Copilot à propos de cette pratique

Des chercheurs de l'Université de Dar es Salaam ont construit un modèle d'apprentissage automatique (AutoML) pour repérer les élèves du secondaire à risque de décrochage, à partir des données de l'enquête nationale Twaweza Uwezo, alors que le taux de décrochage est passé de 3,8 % (2018) à 4,2 % (2019).

3.8 %
Taux national de décrochage dans le secondaire (2018)
4.2 %
Taux national de décrochage dans le secondaire (2019)
99.8 %
Précision du classificateur Arbre de décision
99.6 %
Précision du classificateur K plus proches voisins
99 %
Précision du classificateur Perceptron multicouche
97 %
Précision du classificateur Naive Bayes

Détails

Promoteur
University of Dar es Salaam, Department of Computer Science and Engineering
Période
2018–2022
Mots-clés
computer science, machine learning, secondary education, dropout prevention

Contexte

Les écoles secondaires de Tanzanie sont confrontées à un problème de décrochage persistant et légèrement croissant, le taux national passant de 3,8 % en 2018 à 4,2 % en 2019, avec des outils formels limités disponibles pour identifier les causes profondes ou prédire quels élèves sont les plus à risque.

Activités

Les chercheurs Yuda N. Mnyawami, Hellen H. Maziku et Joseph C. Mushi, du département d'informatique et d'ingénierie de l'université de Dar es Salaam, ont répondu avec une approche d'apprentissage automatique automatisé (AutoML) qui sélectionne les hyperparamètres, les caractéristiques et l'algorithme les mieux adaptés aux données disponibles, plutôt que de s'appuyer sur un seul modèle réglé manuellement. Ils ont entraîné et testé l'approche sur le jeu de données d'évaluation des apprentissages des ménages Twaweza Uwezo de Tanzanie, qui couvre des ménages à travers le pays, en comparant quatre classificateurs.

Résultats

La précision rapportée était élevée pour les quatre modèles — Arbre de décision 99,8 %, K plus proches voisins 99,6 %, Perceptron multicouche 99 % et Naive Bayes 97 % — les auteurs affirmant que la sélection automatisée des hyperparamètres et des caractéristiques surpassait les modèles réglés manuellement utilisés dans les études antérieures de prédiction du décrochage.

Conclusions

Ces chiffres doivent être interprétés avec prudence : une précision aussi élevée est souvent le signe d'un ensemble d'évaluation petit ou déséquilibré plutôt que d'un classificateur prêt pour la production, et l'article ne rapporte aucune validation par rapport à un jeu de données indépendant du ministère de l'Éducation ni de véritable pilote en classe. Une étude complémentaire liée, avec des auteurs communs, étend une approche similaire d'optimisation bayésienne à des écoles secondaires ailleurs en Afrique subsaharienne, suggérant qu'il s'agit d'un programme de recherche régional actif — mais à la date de publication, aucun ministère n'a déployé le modèle comme outil opérationnel d'alerte précoce, et aucun résultat d'intervention n'a été mesuré.

Mise en œuvre
Coût indicatif
Faible (< 50 k€)
Délai jusqu’aux résultats
Court (< 1 an)
Personnel et compétences
Yuda N. Mnyawami, Hellen H. Maziku, Joseph C. Mushi — Department of Computer Science and Engineering, University of Dar es Salaam

Conditions de réussite

  • used an existing national household dataset (Twaweza Uwezo) rather than requiring new data collection
  • compared four classifiers with automated hyperparameter/feature selection rather than a single hand-tuned model

Modes d’échec courants

  • unusually high accuracy (up to 99.8%) is a plausible sign of overfitting or a small/imbalanced evaluation set rather than production-ready performance
  • no validation reported against an independent Ministry of Education dataset
  • no real classroom pilot or deployed early-warning tool exists; no ministry has adopted the model operationally
  • no intervention outcomes have been measured, since the model has not been deployed

Où cela s’applique

Type de gouvernance
academic research at a public university
Échelle
national dataset, pre-deployment research stage
Niveau de revenu
low-income country (Tanzania)

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