Le learning analytics, c'est la collecte et l'analyse des traces que tu laisses en apprenant sur un outil numérique, pour comprendre comment tu apprends et t'aider à mieux le faire. Exemple : une plateforme d'exercices voit que tu as raté trois fois le même quiz, toujours sur les pourcentages d'évolution, et ton professeur sait alors quoi reprendre avec toi. La règle qui sert dans toute cette page : une trace dit ce que tu as fait, pas forcément ce que tu as compris.
Ce que mesurent les traces
Une trace est un enregistrement automatique de ce que tu fais sur un outil numérique : une connexion, une réponse juste ou fausse, le temps passé sur une page, le nombre d'essais avant de réussir. L'espace numérique de travail (ENT), la plateforme de cours d'une université ou une application de révision en produisent sans arrêt.
Définition : le learning analytics (en français, analytique de l'apprentissage) est la collecte, l'analyse, l'interprétation et la communication de données sur les apprenants et leur apprentissage, pour en tirer des informations utiles qui améliorent l'apprentissage et l'enseignement. C'est la définition de la Society for Learning Analytics Research (SoLAR).
Le mot qui compte est « interprétation ». « 40 minutes sur les suites » peut vouloir dire que tu as travaillé sérieusement, que tu as bloqué, ou que l'onglet est resté ouvert pendant que tu étais sur ton téléphone. Pour interpréter, on croise le temps, les réponses et leur évolution d'un essai à l'autre : c'est ce croisement qui décrit ton comportement d'apprentissage.
Quatre questions posées aux données
SoLAR distingue quatre types d'analyse, selon la question posée aux traces (exemples fictifs).
| Analyse | Question | Exemple |
|---|---|---|
| Descriptive | Que s'est-il passé ? | Cette semaine, tu as fait 5 quiz et réussi 60 % des questions. |
| Diagnostique | Pourquoi ? | Presque toutes tes erreurs portent sur les fractions, pas sur la méthode. |
| Prédictive | Que risque-t-il de se passer ? | Les anciens élèves qui avaient ce profil ont souvent eu moins de 10 au contrôle suivant. |
| Prescriptive | Que faut-il faire ? | Refaire trois exercices sur les fractions avant de passer à la suite. |
L'analyse descriptive se contente de compter : c'est la plus sûre. L'analyse prédictive s'appuie sur un modèle construit avec les données d'anciens élèves : elle annonce une tendance pour des élèves qui te ressemblent, pas ton avenir.
Piège classique : lire une prédiction comme un destin. « 70 % de risque d'échec » veut dire que, parmi les anciens élèves dont les traces ressemblaient aux tiennes, environ 7 sur 10 ont échoué. Tu peux être parmi les 3 autres, surtout si l'alerte te fait changer de méthode.
Ce que les traces ne disent pas
Une trace est un indice indirect. Le temps passé mesure une présence devant l'écran, pas une concentration. Un quiz réussi au troisième essai peut venir d'une notion enfin comprise ou de réponses retenues à force de les revoir.
Deux mesures qui vont ensemble ne sont pas forcément cause et conséquence. Si les élèves qui regardent toutes les vidéos ont de meilleures notes, il se peut que les plus motivés fassent simplement les deux. On parle de corrélation quand deux mesures varient ensemble, de causalité quand l'une provoque l'autre.
Un modèle de prédiction apprend sur des données passées. Si elles contiennent des inégalités, par exemple entre élèves équipés ou non d'un ordinateur chez eux, il les reproduit. SoLAR compte ce risque, et les prédictions fausses sur une personne, parmi les questions éthiques du domaine.
Remarque : un outil qui lirait tes émotions à la webcam n'a pas sa place à l'école : le règlement européen sur l'intelligence artificielle interdit la reconnaissance des émotions dans les établissements d'enseignement depuis février 2025.
Tes données et tes droits
Quand ton collège ou ton lycée public utilise un outil d'IA qui traite tes données, il n'a en principe pas besoin de ton accord. La CNIL, l'autorité française de protection des données, explique pourquoi : entre un élève et l'école, le rapport de force est trop déséquilibré pour qu'un consentement soit vraiment libre. L'outil se justifie par la mission d'intérêt public de l'école.
Tu dois en revanche être informé, avec des mots adaptés à ton âge : qui traite tes données, dans quel but, qui les reçoit, combien de temps elles sont gardées. Tu as un droit d'accès (obtenir une copie de tes données), de rectification, de limitation et d'opposition.
Règle : tes parents ou toi pouvez vous opposer à un outil d'IA pédagogique qui traite tes données, pour une raison liée à ta situation. L'établissement peut le maintenir s'il démontre des motifs « légitimes et impérieux », par exemple un outil déployé au niveau national ou sans autre solution possible.
Tu t'adresses au responsable du traitement, souvent le chef d'établissement : ses coordonnées figurent dans l'information.
Pour corriger et évaluer, ton professeur ne doit pas déléguer sa décision à un outil d'IA, rappelle aussi la CNIL. Le règlement européen sur l'IA classe d'ailleurs « à haut risque » les systèmes qui évaluent les acquis d'apprentissage ou surveillent les examens, avec des obligations strictes à partir du 2 décembre 2027.
Analyser ta propre façon d'apprendre
Fais la même démarche sur toi. Pour chaque chapitre, note les exercices faits sans aide et ceux que tu as réussis. Ton taux de réussite, $\dfrac{\text{réussites}}{\text{essais}}$, est ton analyse descriptive.
Pour le diagnostic, classe tes erreurs par type : calcul, règle oubliée, consigne mal lue, méthode inconnue. Le type qui revient le plus te dit quoi travailler. Compare enfin tes taux au temps passé sur chaque chapitre : si ton temps va surtout à ce que tu réussis déjà, il est mal réparti.
Conseil : ne compte que ce que tu as fait sans le cours ni la correction sous les yeux. Réussir avec le corrigé ouvert mesure ta capacité à suivre un modèle, pas ce que tu sauras faire seul le jour du contrôle.
Exercices corrigés
Cherche chaque exercice avant d'ouvrir sa correction.
Exercice 1 : Donne le type d'analyse de chaque phrase : descriptive, diagnostique, prédictive ou prescriptive.
a) « Lina s'est connectée 9 fois cette semaine. »
b) « Lina devrait revoir le passé simple avant le devoir. »
c) « Lina confond passé simple et imparfait, d'où ses erreurs. »
d) « D'après le modèle, Lina a de fortes chances de réussir son devoir. »
Correction :
a) Descriptive : on compte. b) Prescriptive : on dit quoi faire. c) Diagnostique : on explique la cause des erreurs. d) Prédictive : une probabilité pour l'avenir, pas une certitude.
Exercice 2 : Traces d'Hugo sur une plateforme de quiz en une semaine (données fictives). Suites : 40 minutes, 12 questions, 10 réponses justes. Probabilités : 15 minutes, 10 questions, 4 justes. Dérivation : 25 minutes, 8 questions, 6 justes.
1. Calcule le taux de réussite de chaque chapitre, en pourcentage arrondi à l'unité.
2. Quelle part de son temps Hugo a-t-il passée sur les probabilités ? Que lui conseilles-tu ?
Correction :
1. Le taux de réussite vaut $\dfrac{\text{réponses justes}}{\text{questions faites}}$. Suites : $\dfrac{10}{12} \approx 0{,}83$, soit $83\,\%$. Probabilités : $\dfrac{4}{10} = 0{,}4$, soit $40\,\%$. Dérivation : $\dfrac{6}{8} = 0{,}75$, soit $75\,\%$.
2. Temps total : $40 + 15 + 25 = 80$ minutes. Part des probabilités : $\dfrac{15}{80} = 0{,}1875$, soit environ $19\,\%$. Hugo passe la moitié de son temps ($\dfrac{40}{80} = 0{,}5$) sur les suites, qu'il réussit le mieux, et moins d'un cinquième sur les probabilités, son point faible. Il a intérêt à en déplacer vers les probabilités. Sur 10 questions, $40\,\%$ reste une alerte, pas un verdict.
Exercice 3 : Dans un lycée (données fictives), les élèves qui ont regardé toutes les vidéos du cours ont 13 sur 20 de moyenne, les autres 10 sur 20. Quelqu'un propose d'obliger tout le monde à les regarder pour gagner 3 points. Trouve deux failles dans ce raisonnement, puis une façon de vérifier si les vidéos aident vraiment.
Correction :
Première faille : c'est une corrélation, pas une preuve de causalité. Un troisième facteur, comme la motivation ou le temps libre, peut expliquer à la fois les vidéos regardées et les bonnes notes. Imposer les vidéos ne crée pas ce facteur : rien ne garantit les 3 points.
Deuxième faille : la trace « vidéo regardée » dit que la vidéo a défilé jusqu'au bout, pas que l'élève l'a suivie.
Pour vérifier : tirer au sort deux groupes, donner les vidéos à l'un seulement, puis comparer leurs résultats au même contrôle. Le tirage au sort rend les groupes comparables au départ : un écart net à l'arrivée peut alors être attribué aux vidéos.
À retenir
À retenir :
- Le learning analytics collecte et analyse tes traces numériques pour comprendre et améliorer l'apprentissage.
- Quatre analyses : descriptive, diagnostique, prédictive, prescriptive.
- Une trace dit ce que tu as fait, pas forcément ce que tu as compris ; une prédiction donne une tendance, pas ton avenir.
- Une corrélation ne prouve pas une causalité.
- Au collège et au lycée publics, un outil d'IA ne demande en principe pas ton accord, mais tu as le droit d'être informé, d'accéder à tes données et de t'opposer.
Sources
- SoLAR (Society for Learning Analytics Research), présentation du learning analytics, en anglais : solaresearch.org.
- CNIL, « Responsable de traitement : comment mettre en place des systèmes d'IA dans l'éducation ? », 20 juin 2025 : cnil.fr.
- Commission européenne, « Législation sur l'IA », mise à jour le 3 août 2026 : digital-strategy.ec.europa.eu.