Predicting Students Dropout In MOOCS

Abstract

Cette thèse aborde le défi significatif des taux élevés d’abandon dans les cours en ligne ouverts et massifs (MOOC), en proposant des solutions innovantes utilisant l’intelligence artificielle et l’apprentissage automatique. Les MOOC offrent un accès gratuit à une éducation de qualité à des millions de personnes dans le monde. Cependant, ils sont confrontés à un problème important de taux d’abandon élevés, avec une moyenne de seulement 12,6 % des étudiants complétant un cours.

L’étude commence par examiner les facteurs contribuant aux taux d’abandon, en présentant les méthodes d’analyse de l’apprentissage utilisées pour prédire l’abandon. Elle identifie des limitations dans les méthodes existantes, telles que la détection tardive des étudiants à risque, le manque de priorisation pour réduire le nombre d’étudiants qu’un instructeur doit gérer à un moment donné.

Pour surmonter ces limitations, la thèse introduit une approche qui utilise des techniques de réduction de la dimensionnalité et de sélection de caractéristiques pour traiter les données, suivies de la construction et de la prédiction de modèles. Le processus culmine dans la priorisation et la personnalisation des interventions, visant à fournir un soutien opportun et efficace aux étudiants à risque d’abandon.

En outre, la thèse examine les déterminants multidimensionnels de la performance académique des étudiants dans les universités marocaines à travers une enquête statistique. De plus, la thèse explore l’impact de la gamification sur l’engagement et la motivation des étudiants dans les MOOCs. L’étude explore également les effets de la motivation sur l’apprentissage et la réussite des étudiants dans les MOOCs. Elle identifie plusieurs facteurs influençant la motivation des apprenants, tels que les besoins académiques, les intérêts personnels, les facteurs sociaux et technologiques. Elle discute également des stratégies pour améliorer la motivation et la rétention des apprenants dans les MOOCs.

Cette thèse contribue à une meilleure compréhension de l’abandon dans les MOOCs et propose des stratégies efficaces pour lutter contre ce problème. Cependant, il reste beaucoup à faire pour améliorer la rétention des apprenants dans les MOOCs. Les résultats et les méthodologies présentés dans ce travail sont censés servir de base pour de futures recherches dans ce domaine.

Les recherches futures pourraient explorer l’utilisation de méthodes basées sur les graphes pour la prédiction de l’abandon, car ces méthodes peuvent modéliser des relations et des interactions complexes au sein du système éducatif, améliorant potentiellement la précision des prédictions. De plus, l’intégration des technologies de réalité virtuelle et augmentée (VR/AR) dans les MOOCs pourrait améliorer l’engagement et la rétention des étudiants en offrant des environnements d’apprentissage immersifs et interactifs.