Alerta Escuela — le système national péruvien d'alerte précoce du décrochage scolaire fondé sur le machine learning

Fin 2020, le ministère de l'Éducation du Pérou (Minedu) a lancé Alerta Escuela, une plateforme web nationale qui utilise un modèle de machine learning pour estimer le risque de décrochage scolaire de chaque élève. Développé avec l'appui de la Banque mondiale, le modèle s'appuie sur des données administratives — caractéristiques de l'élève, historique de performance scolaire, contexte familial, caractéristiques du service éducatif et informations socio-économiques du foyer — afin de signaler les élèves à risque élevé, moyen ou faible, offrant aux directeurs et tuteurs scolaires un tableau de bord pour une intervention précoce aux niveaux préscolaire, primaire et secondaire au Pérou.

Ce qui rend Alerta Escuela particulièrement bien documenté, c'est que Minedu et la Banque mondiale ne se sont pas contentés de lancer l'outil : ils l'ont évalué rigoureusement. Une évaluation de la mise en œuvre menée entre 2021 et 2023 a révélé que seulement 7 % des écoles comptant des élèves à risque élevé ou moyen accédaient réellement à la plateforme, et que seulement 2 % téléchargeaient ses lignes directrices de gestion et pédagogiques ; de nombreux directeurs d'école ont déclaré ne pas comprendre le modèle ni les variables à l'origine de ses scores de risque, et ont jugé l'outil « trop chronophage », estimant qu'il se contentait de demander des informations sans proposer de solutions. Une étude complémentaire a testé des rappels par SMS fondés sur des principes d'économie comportementale pour inciter les directeurs à utiliser la plateforme : ces rappels ont significativement augmenté l'accès et l'utilisation du système d'alerte précoce, mais cette hausse d'utilisation ne s'est pas traduite par davantage d'actions préventives de la part du personnel scolaire, et n'a finalement produit aucune réduction mesurable du décrochage scolaire.

Il s'agit d'un cas véritablement mitigé et riche en enseignements : un système national de ML techniquement compétent pour un problème important, évalué honnêtement, dont la conclusion centrale est qu'un meilleur accès aux données seul ne change ni le comportement de terrain ni les résultats, sans interfaces plus simples, des consignes plus claires et une meilleure connectivité (36 % des établissements scolaires manquaient d'un accès fiable). Le Pérou a continué à faire évoluer la plateforme après ces constats, mais la leçon essentielle — à savoir que les systèmes d'alerte précoce doivent être jugés sur les actions et résultats en aval, et non sur l'utilisation de la plateforme — constitue l'un des résultats cautionnaires les plus précieux et fondés sur des preuves de ce catalogue.

Sources : World Bank Blogs (Alegría, Avitabile et Chumpitaz Torres, mai 2023) ; Minedu / dépôt institutionnel du ministère de l'Éducation du Pérou (rapport méthodologique de 2022 ; annonce officielle du lancement, gob.pe).