Apprendre des traces : promesses et angles morts des données d’apprentissages

Lors d’un atelier dans une équipe pédagogique, je proposais à un enseignant de regarder ensemble la grille de résultats d’un quiz donné chaque semaine à sa classe. La page s’affiche : trois étudiants en rouge sur la même question, douze en vert sur l’ensemble, le reste en orange. Sa première réaction : « Tiens, je n’avais pas vu ça. » La seconde, quelques secondes plus tard : « Mais qu’est-ce que je fais avec ça ? ».

Cette double réponse, la surprise, puis l’embarras, résume assez bien l’état actuel des données d’apprentissage dans nos pratiques. L’instrumentation est là, abondante, souvent bien mise en page et facile d’accès. L’usage pédagogique, lui, reste un chantier ouvert. Cet article propose une réflexion sur quatre dynamiques observables sur le terrain : deux opportunités que les outils numériques rendent enfin accessibles à des équipes sans ingénieur (pédagogiques ou de données) ; deux écueils dont la littérature récente nous rappelle l’importance.

La boucle de retour en temps réel : un cas d’école de « closing the loop »

La théorie est connue : Clow (2012) décrit les Learning Analytics comme un cycle : l’apprenant produit des traces, les analyse, ajuste sa pratique, et il en bénéficie de cet ajustement. Tant que la boucle n’est pas fermée, les données ne servent à rien d’autre qu’exister. C’est là, sans doute, le critère le plus simple pour évaluer un outil : permet-il, oui ou non, de « boucler la boucle » ?

Les Student Response Systems (ou SRS : questions interactives, sondages, nuages de mots, QCM projetés en cours) incarnent ce cycle en synchrone. Quand le formateur voit en direct la répartition des réponses à une question, il ne consulte pas un rapport : il voit, en direct, où la classe s’est perdue, et peut réorienter la séance dans la minute. Des outils comme Mentimeter, Kahoot!, Wooclap où les sondages intégrés à Microsoft Teams fonctionnent sur ce principe. En asynchrone, des plateformes comme Anki, Wooflash ou les modules quiz de Moodle (activité Test, ou activités h5p) prolongent la boucle, parfois avec un algorithme de répétition espacée qui adapte la fréquence des questions à la réussite individuelle.

La revue récente publiée par Serrada-Soltil, Huertas Martinez et Granado-Peinado (2025) sur les SRS confirme un point central : la capacité d’ajustement en temps réel est bien un médiateur significatif de l’efficacité pédagogique, à condition que le ou la formateur·rice dispose des compétences pour interpréter et agir sur les données. Moreno-Medina et al. (2023) rapportent par ailleurs que 93 % des apprenants ayant utilisé un SRS considèrent avoir une meilleure compréhension de leurs contenus de cours. 

Premier point de friction : l’outil n’enseigne pas à lire l’outil. Une grille de résultats reste muette si la lecture pédagogique n’a pas été pensée. Co-construire cette lecture, entre conseiller pédagogique, enseignant, étudiant, assistant ou formateur, permet une meilleure interprétation et un usage facilité des données. Un bon indicateur bien exploité vaut parfois mieux qu’un tableau de bord intimidant ou complexe d’approche.

La détection précoce du décrochage : un Early Warning System « léger »

Les systèmes d’alerte précoce institutionnels (Early Warning Systems, EWS) ont fait leurs preuves dans plusieurs universités : croiser les notes, la fréquentation du LMS, les rendus et l’engagement permet de signaler très tôt un étudiant en difficulté. Mais déployer un EWS « complet » suppose une infrastructure lourde : intégration LMS, modèles d’apprentissage automatique, gouvernance des données, conformité RGPD, formation des accompagnants… Pour la majorité des facultés, des écoles ou des entreprises, le coût d’entrée est dissuasif.

Plusieurs outils du quotidien proposent une alternative plus modeste, mais opérationnelle dès la première semaine. Les rapports de Wooflash, les vues « par étudiant » de Moodle, les rapports d’engagement de Microsoft Teams, les tableaux de bord d’Anki ou de Brightspace : autant d’objets qui permettent de voir, en un coup d’œil, qui décroche, sur quelles notions, et à quel rythme. Le principe est partout le même : un code couleur, un seuil, un signal.

Une revue systématique parue en 2025 confirme la prudence des chercheurs du domaine : en dépit de la sophistication des modèles prédictifs, les preuves causales reliant la détection à une amélioration effective des apprentissages restent rares, et le déploiement en classe réelle, embryonnaire. La condition d'efficacité, sans surprise, est ailleurs : la détection n'a de valeur que si elle débouche sur une intervention humaine coordonnée. Un voyant rouge qui ne déclenche aucun coup de fil, aucun rendez-vous, aucune adaptation, est un voyant inutile, voire culpabilisant pour l'enseignant qui le voit clignoter sans savoir qu'en faire.

Deuxième friction donc, en miroir de la première : l’outil n’est pas le dispositif. Il le déclenche, il l’éclaire, mais il ne le remplace pas. Il faut accompagner la lecture, et interpréter les données, pour pouvoir agir.

Le moteur sous le capot : que fait l’algorithme, exactement ?

Quand un outil de répétition espacée décide de présenter la flashcard X cinq fois à l’apprenant A et une seule fois à l’étudiant B, il prend une décision pédagogique. Il l’applique à grande échelle, sans concertation. Hariyanto, Kristianingsih et Maharani (2025) identifient l'interprétabilité des modèles comme un défi critique de l'éducation ou de la formation adaptative par IA, appelant explicitement à des approches d'Explainable AI..

Trois questions méritent d’être posées, quel que soit l’outil :

• Le formateur peut-il auditer les décisions de l’algorithme ? Sait-il pourquoi telle carte est repoussée, pourquoi telle autre est priorisée ?
• Le critère d’optimisation est-il explicite ? S’agit-il du rappel correct (mémorisation), de la confiance déclarée, du temps de réponse, d’une combinaison ?
• L’apprenant est-il informé de la logique appliquée à son parcours ?

Gašević et al. (2015) avaient identifié dès 2015 le risque d’un retour silencieux au behaviorisme : si l’algorithme optimise uniquement le rappel correct, il peut négliger la compréhension profonde, le transfert, la pensée critique. Hakimi, Eynon & Murphy (2021) parlent, eux, d’un enjeu d’autonomie de l’apprenant. Choisir ce qu’on révise, c’est aussi apprendre à apprendre.

Ces critiques ne disqualifient pas la répétition espacée, qui repose sur des données empiriques solides depuis Ebbinghaus. Elles invitent simplement à ouvrir la « boîte noire » : exiger des éditeurs un minimum de transparence algorithmique (Explainable AI), expliquer aux apprenant·es la logique du moteur, et réserver au formateur ou à la formatrice une zone de paramétrage : quelles cartes inclure, quel poids relatif, quels critères de maîtrise. Sans cela, on délègue à un système opaque ce qui devrait rester un choix pédagogique.

Le piège du réductionnisme : ce que les données ne disent pas

Le quatrième écueil est le plus discret, parce qu’il consiste à tenir les chiffres pour ce qu’ils ne sont pas. Les outils que nous évoquons mesurent surtout des données comportementales : taux de participation, scores aux quiz, temps de réponse, séquences de connexion. Ce sont des indicateurs utiles. Ils ne sont pas des indicateurs d’apprentissage.

La revue de Drugova et al. (2024) le formule sans détour : peu d’études établissent à ce jour un lien causal entre l’usage de dashboards d’apprentissage et l’amélioration réelle de la conception pédagogique. Les recherches sur les SRS (Serrada-Sotil et al., 2025) pointent dans la même direction : on manque d’études longitudinales confirmant des gains durables. Participer activement à un quiz ne garantit pas un apprentissage significatif. Obtenir 80 % à un QCM ne garantit pas la compréhension du concept sous-jacent. Cliquer sur une flashcard ne garantit pas l’effort cognitif qu’on lui prête.

Le piège réside dans la tentation de réduire la pédagogie à ce qui est mesurable : le chiffre seul est rarement parlant, et les données doivent être explicites également pour l’apprenant·e. Le rôle du formateur ou de la formatrice n’est pas remplacé par un dashboard, il est complété par lui. Croiser les indicateurs quantitatifs (scores, participation, progression) avec un jugement qualitatif (qualité des échanges, profondeur d’une réponse ouverte, raisonnement explicité à l’oral) reste indispensable. C’est également ce jugement qualitatif qui se prête le moins à l’automatisation.

Quelques pistes, en guise d’ouverture

Ce panorama ne plaide ni pour la dataphobie, ni pour la dataphilie, il plaide pour une approche outillée, mais cadrée. Quelques principes simples se dégagent :

1. Fermer la boucle. Une donnée qui n’est ni lue, ni discutée, ni suivie d’un ajustement ne sert pas : il vaut mieux un seul indicateur exploité qu’un tableau de bord intimidant.
2. Accompagner la lecture. L’outil sans la formation est un voyant ; l’outil avec la formation est un dispositif. La compétence d’interprétation fait la différence.
3. Ouvrir les boîtes noires. Demander aux éditeurs ce que mesure leur algorithme, ce qu’il optimise, et ce qu’il ne mesure pas, est un acte pédagogique avant d’être technique.
4. Croiser les regards. Les données comportementales gagnent à être confrontées au qualitatif (observation en classe, échanges écrits, productions ouvertes). Le chiffre seul est rarement parlant.
5. Expliciter, du côté apprenant·e. Une donnée qui circule sans que l’étudiant n’en comprenne l’origine ni l’usage prive ce dernier ou cette dernière d’une part essentielle de son parcours.

Aucune de ces recommandations n’est révolutionnaire : elles s’inscrivent dans la lignée d’une pédagogie qui sait qu’aucun outil (pas plus la calculatrice, le moteur de recherche ou l’IA générative) ne supprime la nécessité du regard humain. Les données d’apprentissage ne font pas exception. Bien encadrées, elles arment l’enseignant, mais mal cadrées, elles risquent surtout de le ou la surcharger mentalement un peu plus.

Le travail à mener, à l’échelle d’une formation, d’un département ou d’une institution, est plutôt côté méthodologique : convenir, ensemble, de ce que l’on regarde, pourquoi, à quelle fréquence, et avec quelle suite. C’est là que se joue le passage des données disponibles aux données utiles.

Bibliographie

Clow, D. 2012. The learning analytics cycle: closing the loop effectively. In Proceedings of the 2nd International Conference on Learning Analytics and Knowledge (LAK '12). Association for Computing Machinery, New York, NY, USA, 134–138. https://doi.org/10.1145/2330601.2330636

Serrada-Sotil, J., Huertas Martínez, J. A., & Granado-Peinado, M. (2025). Do audience response systems truly enhance learning and motivation in higher education? A systematic review. Humanities and Social Sciences Communications, 12(1), 1767. https://doi.org/10.1057/s41599-025-06042-w

Irene Moreno-Medina, Manuel Peñas-Garzón, Carolina Belver, Jorge Bedia, Wooclap for improving student achievement and motivation in the Chemical Engineering Degree, Education for Chemical Engineers, Volume 45, 2023, Pages 11-18, https://doi.org/10.1016/j.ece.2023.07.003

Cabral, L., Pinto, R., & Gonçalves, G. (2025). AI-powered learning analytics dashboards: a systematic review of applications, techniques, and research gaps. Discover Education, 4(1), 525. https://doi.org/10.1007/s44217-025-00964-y

Hariyanto, Kristianingsih, F. X. D., & Maharani, R. (2025). Artificial intelligence in adaptive education: a systematic review of techniques for personalized learning. Discover Education, 4(1), 458. https://doi.org/10.1007/s44217-025-00908-6

Gašević, D., Dawson, S. & Siemens, G. (2015). Let’s not forget: Learning analytics are about learning.  TECH TRENDS 59, 64–7. https://doi.org/10.1007/s11528-014-0822-x

Hakimi, L., Eynon, R., & Murphy, V. A. (2021). The ethics of using digital trace data in education: A thematic review of the research landscape. Review of Educational Research, 91(5), 671–717. https://doi.org/10.3102/00346543211020116

Drugova, Elena & Zhuravleva, Irina & Zakharova, Ulyana & Latipov, Adel. (2023). Learning analytics driven improvements in learning design in higher education: A systematic literature review. Journal of Computer Assisted Learning. 40. 510-524. https://doi.org/10.1111/jcal.12894

Serrada-Sotil, J., Huertas Martínez, J. A., & Granado-Peinado, M. (2025). Op. Cit.

Bergdahl, N., Bond, M., Sjöberg, J., Dougherty, M., & Oxley, E. (2024). Unpacking student engagement in higher education learning analytics: A systematic review. International Journal of Educational Technology in Higher Education, 21(1), 63. https://doi.org/10.1186/s41239-024-00493-y