Thèse Année : 2025

Predicting student performance through cross-institutional learning analytics : development of the CISE model and ReflectMate tool

Prédire les performances des étudiants grâce à la fouille de données trans-institutionnel : développement du modèle CISE et de l'outil ReflectMate

Résumé

The rapid evolution of digital learning environments has underscored the need for innovative tools to enhance student performance, engagement, and equity. This dissertation introduces two frameworks: the Cross-Institutional Stacking Ensemble (CISE) predictive model and ReflectMate, a reflective learning analytics tool. Together, they address challenges in ICT education, such as dataset heterogeneity, class imbalance, and disparities caused by the digital divide, transforming educational practices through predictive analytics and reflective learning. The CISE model is an ensemble learning framework that forecasts student academic performance across diverse institutional contexts. It integrates five machine learning classifiers—Decision Tree, Random Forest, Naive Bayes, Neural Network, and Support Vector Machine—synthesized via a logistic regression-based meta-model. Achieving an F1 score of 78.25% on the ENSIM validation dataset, CISE demonstrates superior accuracy, generalizability, and reliability in identifying at-risk students, offering a robust solution for cross-institutional data mining. Complementing CISE, ReflectMate empowers students by providing real-time insights into their learning behaviors, such as quiz attempts, assignment submissions, and LMS interactions. With features like progress tracking, tailored feedback, and an interactive dashboard, ReflectMate fosters self-reflection, self-regulation, and accountability. Surveys among CADT students highlight its effectiveness in promoting metacognition and academic engagement. This research addresses the digital divide by revealing disparities in ICT education based on gender and location, emphasizing systemic inequities. The integration of CISE and ReflectMate bridges these gaps by delivering equitable access to resources and personalized support, empowering underserved populations. This dissertation advances educational data mining and learning analytics by combining predictive modeling with reflective practices, offering scalable, student-focused solutions to enhance outcomes and promote digital equity. Practical implications and future directions include expanding datasets, incorporating socio-economic factors, and evaluating long-term impacts on academic success and inclusion.

L’évolution rapide des environnements d’apprentissage numériques a mis en évidence le besoin d’outils innovants pour améliorer les performances et l’engagement des étudiants et l’équité dans l’éducation. Cette thèse présente deux cadres : le modèle prédictif CISE (Cross-Institutional Stacking Ensemble) et ReflectMate, un outil d’analyse réflexive de l’apprentissage. Elle aborde les défis de l’éducation en TIC, tels que l’hétérogénéité des ensembles de données, le déséquilibre entre les classes et les disparités causées par la fracture numérique, transformant ainsi les pratiques éducatives grâce à l’analyse prédictive et à l’apprentissage réflexif. Le modèle CISE est un cadre d’apprentissage conçu pour prédire les performances académiques des étudiants dans divers contextes institutionnels. Il intègre cinq classificateurs d’apprentissage automatique : Decision Tree, Random Forest, Naive Bayes, Neural Network et Support Vector Machine, synthétisés via un méta-modèle basé sur la régression logistique. Cette approche d’ensemble empilé a démontré une précision prédictive et une généralisabilité supérieures, atteignant un taux de 78,25 % (score F1) sur le jeu de données utilisé pour valider le méta-modèle. En complément de CISE, ReflectMate a été conçu et développé pour permettre aux apprenants de s'engager activement dans leur parcours académique. Cet outil réflexif d’analyse des activités d’apprentissage, centré sur l’apprenant, fournit des informations en temps réel sur les interactions avec les plateformes LMS, notamment des indicateurs liés aux exercices, aux devoirs notés ainsi qu’au temps consacré aux activités d’apprentissage.Une étude a également été menée sur la fracture numérique, en particulier dans le contexte de l’éducation en TIC au Cambodge. Des analyses statistiques ont révélé des disparités dans les résultats académiques en fonction du genre et de la localisation géographique, mettant en évidence des inégalités systémiques qui affectent les opportunités d’apprentissage. Les contributions majeures de cette thèse portent sur l’exploration des données éducatives et l’analyse réflexive de l’apprentissage grâce à des solutions centrées sur les apprenants. En intégrant le modèle prédictif, ces travaux visent à améliorer les résultats académiques et à favoriser le développement de l’autonomie des apprenants.

Fichier principal
Vignette du fichier
2025LEMA1008.pdf (3.43 Mo) Télécharger le fichier
Origine Version validée par le jury (STAR)
Licence

Dates et versions

tel-05178432 , version 1 (23-07-2025)

Licence

Identifiants

  • HAL Id : tel-05178432 , version 1

Citer

Dynil Duch. Predicting student performance through cross-institutional learning analytics : development of the CISE model and ReflectMate tool. Technology for Human Learning. Le Mans Université, 2025. English. ⟨NNT : 2025LEMA1008⟩. ⟨tel-05178432⟩
433 Consultations
177 Téléchargements

Partager

  • More