Comparaison de méthodes sur un modèle de prédiction de la réussite universitaire
Barre latérale de l'article
Contenu principal de l'article
Résumé
Depuis longtemps, l'échec scolaire en premiêre année universitaire alimente bon nombre de débats. De nombreux psychopédagogues ont tenté de le comprendre puis de l'expliquer. De nombreux statisticiens ont quant à eux essayé de le prévoir. Nos recherches visent à établir un modêle permettant de déterminer le plus tôt possible dans l'année le groupe des étudiants de premiêre année sur qui il faut cibler en priorité les ressources pédagogiques dont on dispose afin d'améliorer le taux de réussite. Pour cela, nous avons transposé sous forme de questionnaire les hypothêses posées dans de nombreux modêles théoriques. Ensuite, aprês avoir récolté via ce questionnaire des données suffisamment nombreuses et diverses, l'objectif a été d'extraire de l'information via des méthodes statistiques ou de fouille de données (data mining) et ainsi permettre la classification des étudiants en trois classes les plus homogênes possibles. Cet article décrit la méthodologie adoptée, les variables qui ont été analysées et les méthodes qui ont été utilisées et comparées. Avec la mise en parallêle des résultats fournis par les diverses méthodes (analyses discriminantes, régressions, ensembles approximatifs, arbres de décision, etc.), il est possible de mettre en lumiêre leurs différences de performance. En effet, certaines méthodes se sont montrées plus efficaces en terme de taux de prédictions correctes réalisées, là o๠d'autres ont surtout été intéressantes pour leur capacité à mettre en évidence les facteurs prédictifs de la réussite universitaire.
Renseignements sur l'article
Cette œuvre est sous licence Creative Commons Attribution - Pas d'Utilisation Commerciale - Partage dans les Mêmes Conditions 4.0 International.
Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
Références
Droesbeke J.-J., Hecquet I., Wattelar C., ‘‘ La population étudiante ’’, Ellipses, 2001.
Entwistle N., ‘‘ Motivational factors in student's approaches to learning ’’, Shmeck R.R., Learning strategies and learning styles, Plenum press, 1988. DOI: https://doi.org/10.1007/978-1-4899-2118-5_2
Greco S., Matarazzo B., Slowinski R., ‘‘ Rough sets theory for multicriteria decision analysis ’’, European Journal of Operational Research 129, pp 1-47, 2001. DOI: https://doi.org/10.1016/S0377-2217(00)00167-3
Laurent G., Kapferer J.N., ‘‘ Les profils d’implication ’’, Recherche et applications en marketing, n°2, Paris, 1986. DOI: https://doi.org/10.1177/076737018600100103
Palm R., ‘‘ L’analyse discriminante décisionnelle: principes et application ’’, Notes stat. Inform. Gembloux, Vol. 99, n°4, 1999.
Parmentier P., ‘‘ La réussite des études universitaires: facteurs structurels et processuels de la performance académique en première année en médecine ’’ (thèse), Faculté de Psychologie et des Sciences de l’Éducation, Université Catholique de Louvain, 1994.
Pawlak Z., ‘‘ Rough sets: Theoretical Aspects of Reasoning about Data ’’, Kluwer academic publisher, 1991. DOI: https://doi.org/10.1007/978-94-011-3534-4
Quinlan, J.R., ‘‘ Discovering rules by induction from large collections of examples ’’. Ed. Expert Systems in the Micro Electronic Age, Edinburgh University Press, 1979.
Rakotomalala R., ‘‘ Graphes d'induction ’’ (thèse), Université Claude Bernard, Lyon I, 1997.
Rothschild M.L., ‘‘ Perspectives on Involvement : Current Problems and Future Directions ’’. Advances in Consumer Research, Vol.11, Washington, 1984.
Vandamme J.-Ph., Meskens N., Artiba A., ‘‘ La réussite universitaire : méthodes et outils d’analyse ’’. The first international congress on quality management education and training systems (CIMQUSEF), Rabat, 2004.
‘‘ 4eMka System - a rule system for multicriteria decision support integrating dominance relation with rough approximation ’’, Laboratory of Intelligent Decision Support Systems, Institute of Computing Science, Poznan University of Technology, 2000.