Ce que l'on cherche réellement à prédire
Prédire la réussite d'une formation suppose d'abord de définir ce que l'on appelle réussir. S'agit-il d'obtenir la validation finale, de terminer le parcours, ou de mobiliser ensuite les compétences en situation de travail ? Ces cibles ne produisent ni les mêmes modèles, ni les mêmes décisions. Un organisme qui veut réduire l'abandon ne cherchera pas les mêmes signaux qu'un autre qui vise le taux de réussite à un examen final. Cette clarification n'est pas un détail technique : elle conditionne tout ce qui suit. Sans cible explicite, un modèle produira un score séduisant mais inexploitable pour agir. Nommer ce que l'on mesure est le premier gage de sérieux.
La formation d'adultes ajoute une difficulté : les parcours sont courts, les effectifs parfois réduits, et les causes d'échec variées. Un apprenant qui décroche peut le faire pour des raisons professionnelles, familiales ou parce que le contenu ne lui convenait pas. La prédiction part de l'hypothèse que ces situations laissent des traces détectables dans les données — connexions, rendus, résultats intermédiaires. Cette hypothèse mérite d'être éprouvée avant tout investissement, car rien ne garantit que l'historique d'un groupe éclaire les cas d'un public nouveau. On confond souvent corrélation et cause : deux variables qui bougent ensemble ne s'expliquent pas forcément l'une l'autre.
Les signaux qui nourrissent une prédiction
Les modèles exploitent en général deux familles d'informations. La première vient du profil : parcours antérieur, niveau de départ, disponibilité déclarée, familiarité avec le numérique. La seconde se construit pendant la formation : régularité des connexions, remise des travaux, résultats des évaluations intermédiaires, participation aux échanges. Les signaux comportementaux, observés en cours de route, pèsent souvent plus que le profil initial, car ils traduisent l'engagement réel plutôt que l'intention affichée au moment de l'inscription. C'est cette différence qui rend la mesure vivante plutôt que figée.
Le choix des données n'est pourtant jamais neutre. Mobiliser des informations sensibles, ou des variables qui recoupent des origines ou des situations sociales, expose à des biais et pose des questions de conformité au titre du RGPD et du règlement européen sur l'intelligence artificielle. La bonne pratique consiste à se limiter à ce qui est nécessaire à la finalité poursuivie et à documenter ce choix. Un signal facile à collecter n'est pas pour autant légitime. La sobriété des données protège autant les apprenants que la solidité du modèle lui-même, car un modèle nourri d'indicateurs contestables produira tôt ou tard des décisions contestables.
Du score à la décision pédagogique
Un score de probabilité n'a de sens que rapporté à une action. Dire qu'un apprenant a soixante pour cent de chances de terminer n'aide personne s'il n'en découle pas une décision : proposer un rendez-vous, ajuster le rythme, envoyer une relance, orienter vers un tuteur. La valeur de la prédiction tient à l'usage qui en est fait, pas à sa précision isolée. Un modèle modérément prédictif mais relié à une action claire rend plus de services qu'un modèle très fin dont personne ne sait quoi faire concrètement. Un chiffre sans suite est un ornement, pas un outil.
Cette articulation change la manière de concevoir le dispositif. On ne cherche pas seulement à classer les apprenants, mais à déclencher des interventions utiles au bon moment. Un signal d'alerte précoce, adressé à un formateur, peut éviter un décrochage ; le même signal transmis à l'apprenant comme un verdict produit l'effet inverse. Le ton et le destinataire de l'information comptent autant que sa justesse. La prédiction devient un instrument d'accompagnement seulement si elle reste au service d'une décision humaine, révisable et expliquée à ceux qu'elle concerne. C'est là toute la différence entre aider et juger.
Les limites d'un exercice incertain
Toute prédiction sur des personnes reste faillible. Un modèle voit des régularités statistiques, pas des destins : il peut se tromper dans les deux sens, signaler un risque là où il n'y en a pas et manquer un décrochage réel. Présenter un score comme une vérité expose à deux erreurs symétriques : surprotéger certains apprenants en les étiquetant, ou en négliger d'autres jugés sans risque. La prudence impose de traiter la prédiction comme une hypothèse à vérifier plutôt que comme un diagnostic définitif posé une fois pour toutes. Une étiquette, elle, colle longtemps.
L'usage éthique passe aussi par la transparence. Un apprenant a le droit de savoir qu'un traitement analyse son comportement et dans quelle finalité. La supervision humaine n'est pas une formalité : elle est ce qui empêche un score de se transformer en sentence. Les référentiels de gouvernance, comme la norme ISO/IEC 42001, offrent un cadre pour organiser cette surveillance et documenter les choix. Bien encadrée, la prédiction aide à intervenir plus tôt ; mal encadrée, elle enferme les apprenants dans une étiquette dont ils ne peuvent plus sortir. La frontière tient à la manière dont on décide de s'en servir.
Aller plus loin
Anticiper la réussite d'un parcours suppose de relier statistique, pédagogie et déontologie, un équilibre qui ne s'improvise pas. Notre catalogue des 31 formations comprend des parcours sur l'analyse des données d'apprentissage et l'usage encadré de l'IA en formation.
Vous voulez maîtriser ce sujet en pratique ?
Cabinet MARA forme en ligne, sur des cas réels, avec des modules courts et un suivi de progression.
Voir la formation liée Les 31 formations