Dans le paysage mondial de l'enseignement supérieur, la transition des notes chiffrées (sur 20 ou sur 100) vers des évaluations par lettres (A, B, C, D, F) ou par paliers de compétences est souvent présentée comme un progrès pédagogique. Cette approche est réputée réduire le stress des étudiants, atténuer la compétition stérile et recentrer l'apprentissage sur des objectifs qualitatifs. Pourtant, derrière cette louable intention se cache un impensé technologique et administratif majeur : comment ce choix de codage influence-t-il notre capacité à comprendre, modéliser et soutenir les trajectoires académiques des étudiants ?
Une recherche récente bouscule nos certitudes en démontrant que le passage aux lettres n'est pas une simple réduction de la précision de l'information. Il s'agit d'une véritable transformation structurelle qui altère profondément la géométrie des données étudiantes. Cette distorsion pose un défi de taille aux universités, à l'heure où les décisions institutionnelles et les dispositifs d'aide à la réussite reposent de plus en plus sur l'analytique de l'apprentissage (learning analytics).
La métamorphose mathématique des données étudiantes
Pour comprendre l'ampleur du phénomène, il faut se pencher sur les mécanismes de la modélisation de données. Une étude publiée sur la plateforme de prépublication arXiv, intitulée Grade Encoding and the Structural Representation of Student Academic Trajectories, s'est penchée sur cette problématique. Bien qu'il s'agisse d'un travail de recherche qui n'a pas encore subi l'évaluation finale par les pairs – un biais méthodologique qu'il convient de garder à l'esprit –, ses conclusions mathématiques basées sur des simulations de transformation de codage sont particulièrement éclairantes.
Les chercheurs ont analysé l'impact de la conversion de scores en pourcentages vers des notes sous forme de lettres. Les résultats sont saisissants : le codage par lettres compresse la distance moyenne entre les trajectoires des étudiants dans l'espace des données selon un ratio de près de 19 pour 1. En clair, des parcours étudiants qui présentaient des dynamiques d'apprentissage très différentes sous un format chiffré apparaissent presque identiques une fois convertis en lettres.
De plus, après standardisation des données, le gradient de densité de la distribution des distances se trouve systématiquement aplati. La variabilité des parcours s'estompe, ce qui réduit la capacité à distinguer un étudiant en progression constante d'un autre en dents de scie. Enfin, la structure de regroupement (clustering), essentielle pour identifier des profils d'apprentissage homogènes, devient extrêmement instable et sensible au bruit de fond des données.
Le grand aveuglement de l'analytique de l'apprentissage
Cette perte de relief dans les données n'est pas qu'un problème de mathématiciens. Elle a des conséquences directes sur le pilotage des établissements d'enseignement supérieur. Aujourd'hui, de nombreuses universités déploient des systèmes d'alerte précoce (early warning systems) basés sur des algorithmes prédictifs. Ces outils ont pour mission de repérer les étudiants « à risque » de décrochage dès les premières semaines du semestre afin de leur proposer un tutorat ou un accompagnement personnalisé.
Si les données d'entrée de ces algorithmes sont des lettres (A, B, C) plutôt que des notes précises, la capacité de détection de ces systèmes s'effondre. Un étudiant qui passe de 85 % à 81 % de réussite reste dans la catégorie « A » ou « B » selon les barèmes, masquant ainsi une baisse de régime que l'algorithme aurait pu détecter si la note chiffrée avait été conservée. En compressant l'espace des trajectoires, le codage par lettres uniformise artificiellement les profils, rendant invisibles les signaux faibles de détresse académique ou, à l'inverse, de dépassement de soi.
Le paradoxe de l'évaluation : pédagogie contre pilotage ?
Nous touchons ici à un paradoxe fondamental des réformes éducatives contemporaines. D'un côté, les experts en pédagogie universitaire préconisent l'abandon de la note chiffrée couperet au profit d'évaluations plus globales, souvent basées sur des portfolios ou des échelles de maîtrise, afin de favoriser une évaluation formative et bienveillante. De l'autre, les gestionnaires de l'éducation et les chercheurs en technologies éducatives ont besoin de données quantitatives fines pour optimiser les parcours, allouer les ressources de soutien et évaluer l'efficacité des maquettes de formation.
Ce conflit d'objectifs montre que le choix d'un système de notation n'est jamais neutre. Il détermine non seulement la relation de l'étudiant à son apprentissage, mais aussi la manière dont l'institution « voit » sa population étudiante. En choisissant les lettres, l'institution opte pour une vision macroscopique qui lisse les aspérités, au risque de se priver d'outils de pilotage de précision.
Quelles pistes pour l'enseignement supérieur francophone ?
Pour les universités et grandes écoles de l'espace francophone (France, Québec, Belgique, Suisse), actuellement engagées dans des réformes majeures comme l'Approche par compétences (APC), ces constats invitent à une réflexion profonde sur l'architecture de leurs systèmes d'information académique.
Voici plusieurs pistes de réflexion transposables pour les équipes de direction et les ingénieurs pédagogiques :
* Le double enregistrement des données : Conserver, au niveau du système d'information central, la granularité fine des résultats chiffrés bruts pour l'analyse institutionnelle et la recherche en réussite étudiante, tout en affichant uniquement des lettres ou des niveaux de compétences sur le bulletin final de l'étudiant. Cela permet de concilier bienveillance pédagogique et rigueur analytique.
* La diversification des indicateurs de trajectoire : Ne plus se reposer uniquement sur les notes (qu'elles soient chiffrées ou lettrées) pour modéliser les parcours. Les traces d'apprentissage issues des plateformes numériques (Moodle, Canvas), telles que le temps de connexion, la régularité de consultation des ressources ou la participation aux forums, peuvent compenser la perte de précision des notes lettrées.
* La vigilance face aux biais des algorithmes tiers : Lors de l'achat ou du développement de solutions d'analytique de l'apprentissage, les établissements doivent impérativement interroger les fournisseurs sur la sensibilité de leurs modèles prédictifs au format des données d'évaluation. Un modèle conçu pour des universités américaines fonctionnant au GPA (Grade Point Average) sur une échelle de 4 points peut s'avérer inefficace ou biaisé s'il est appliqué sans adaptation à un système européen.
En conclusion, la notation n'est pas qu'un outil de communication entre l'enseignant et l'étudiant ; elle est l'infrastructure de données sur laquelle repose l'université moderne. Penser la transition vers de nouveaux modes d'évaluation exige d'anticiper leurs effets collatéraux sur la science des données éducatives, sous peine de piloter nos institutions de formation à l'aveugle.
Discussion
Posez vos questions et partagez votre point de vue. Matania, l'assistante de recherche et de vérification des faits, lit les commentaires et y répond dès qu'elle peut apporter des sources fiables ou des précisions. Les liens ne sont pas autorisés : citez vos sources par leur nom.