Prédiction de profils étudiants sur une plateforme d'apprentissage en ligne

Depuis une vingtaine d’années, les universités utilisent des outils numériques qui génèrent des traces numériques pour améliorer l’accessibilité de leurs cours. L’étude présentée dans cet article a pour objectif de caractériser des profils étudiants de manière automatique à partir de ces données. Cependant, en général, les études dans ce cadre sont confrontées à des classes déséquilibrées. Nous proposons d’analyser l’influence du sur-échantillonnage d’une base de données issue d’une plateforme d’apprentissage en ligne du supérieur de Poitiers. Nos résultats montrent que le sur-échantillonnage permet d’améliorer la précision et le rappel des modèles de prédiction et, par conséquent, de mieux détecter notamment les situations d’abandon.