L'analyse des traces d'apprentissage (learning analytics) s'est imposée comme un levier majeur de transformation dans l'enseignement supérieur mondial. En collectant et en analysant les données générées par les étudiants sur les espaces numériques de travail (ENT) et les plateformes d'apprentissage, les universités disposent désormais d'une capacité inédite pour mesurer l'engagement, prédire le décrochage et personnaliser le soutien pédagogique. Cependant, cette puissance prédictive soulève des questions éthiques fondamentales. Comment exploiter ces données pour accompagner les étudiants sans basculer dans une logique de surveillance généralisée ?
La réponse classique des institutions consiste à se retrancher derrière la conformité réglementaire, comme le Règlement général sur la protection des données (RGPD) en Europe ou la loi FERPA aux États-Unis. Pourtant, respecter la loi ne suffit pas à garantir l'équité, la justice sociale ou le respect de l'autonomie des apprenants. Pour franchir ce cap, une réflexion approfondie s'impose afin de concevoir une gouvernance éthique et participative des données d'apprentissage.
Le piège de la conformité passive
La conformité légale est une condition nécessaire, mais elle s'avère insuffisante pour guider les choix pédagogiques et humains liés aux algorithmes prédictifs. La réglementation se concentre principalement sur la sécurité des données, le consentement formel et la minimisation de la collecte. Elle ne résout pas les dilemmes moraux posés par l'interprétation des données.
Par exemple, qu'un étudiant consente à ce que ses connexions sur la plateforme de cours soient enregistrées ne valide pas l'usage de ces données pour prédire sa probabilité de réussite à un examen, ni la décision de l'exclure de certains parcours sur la base de cette prédiction. La simple conformité réglementaire tend à déresponsabiliser les institutions en transformant l'éthique en une liste de cases à cocher. Pour éviter que les systèmes d'aide à la décision ne se transforment en outils de tri social ou de surveillance comportementale, les universités doivent adopter une démarche proactive.
Le cadre LEAGUE : une boussole éthique pour les universités
Une proposition récente de cadre méthodologique, baptisée LEAGUE et publiée sous forme de prépublication (preprint) sur la plateforme arXiv, offre une perspective structurante pour relever ce défi. Bien que ce travail n'ait pas encore été évalué par les pairs — ce qui invite à considérer ses conclusions avec la prudence scientifique d'usage —, il synthétise de manière rigoureuse les recherches en éthique des données et en politiques éducatives. Le cadre LEAGUE repose sur six piliers interconnectés :
1. La légalité (Lawfulness) : Respecter les cadres juridiques en vigueur tout en anticipant leurs évolutions.
2. L'équité (Equity) : Veiller à ce que les modèles prédictifs ne reproduisent pas ou n'amplifient pas les biais socio-économiques, de genre ou d'origine.
3. Le pouvoir d'agir (Agency) : Garantir que l'étudiant reste acteur de son parcours et ne soit pas passif face aux décisions automatisées.
4. La gouvernance (Governance) : Établir des structures claires de responsabilité, de transparence et de participation au sein de l'établissement.
5. L'utilité (Utility) : S'assurer que la collecte de données apporte une valeur pédagogique réelle et démontrée pour l'étudiant.
6. L'éthique dès la conception (Ethics by Design) : Intégrer les principes éthiques dès la phase de développement ou d'acquisition des outils technologiques.
Ce modèle met en évidence que l'éthique des données ne doit pas être une réflexion après-coup, mais le moteur même de la conception des dispositifs d'apprentissage numérique.
L'équité algorithmique face au risque de déterminisme social
L'un des plus grands défis des learning analytics réside dans l'équité des modèles prédictifs. Les algorithmes d'apprentissage automatique s'entraînent sur des données historiques. Si ces données historiques reflètent des inégalités systémiques (par exemple, un taux de réussite historiquement plus faible pour les étudiants issus de milieux défavorisés ou travaillant en parallèle de leurs études), l'algorithme risque de codifier ces inégalités et de les projeter comme des fatalités.
Si un système signale un étudiant comme "à risque" dès le premier jour de l'année universitaire en se basant sur des critères démographiques ou géographiques, l'effet de prophétie autoréalisatrice peut s'enclencher. Les enseignants, influencés par cette alerte, pourraient modifier inconsciemment leurs attentes vis-à-vis de cet étudiant. Pour contrer ce déterminisme, les universités doivent auditer régulièrement leurs algorithmes, refuser l'usage de variables purement démographiques dans les modèles de prédiction de réussite, et privilégier des indicateurs dynamiques liés aux stratégies d'apprentissage réelles.
Mettre en œuvre une gouvernance participative et transparente
Pour que les learning analytics soient acceptés et bénéfiques, les universités doivent instaurer une véritable démocratie des données. Cela implique plusieurs actions concrètes :
* Une transparence intelligible : Les étudiants ne doivent pas seulement être informés que leurs données sont collectées ; ils doivent comprendre comment les prédictions sont générées. Les tableaux de bord qui leur sont présentés doivent expliquer de manière simple quels comportements (par exemple, le temps passé sur les lectures ou la participation aux forums) influencent les indicateurs de suivi.
* Un consentement dynamique et révocable : Le consentement ne doit pas être un accord unique donné lors de l'inscription administrative. Les étudiants devraient pouvoir choisir d'activer ou de désactiver certaines fonctionnalités prédictives ou de recommandation sans que cela ne pénalise leur accès aux ressources pédagogiques de base.
* Le droit de recours et l'intervention humaine (Human-in-the-loop) : Aucune décision académique ou d'orientation ne doit être prise de manière entièrement automatisée. Un étudiant doit toujours avoir la possibilité de contester une évaluation algorithmique auprès d'un conseiller pédagogique ou d'un tuteur humain.
* Des comités d'éthique paritaires : La gouvernance des données doit associer des représentants des étudiants, des enseignants, des ingénieurs pédagogiques et des experts en protection des données. Ce comité doit avoir un droit de regard sur l'achat de solutions logicielles tierces et sur les projets de recherche internes utilisant les traces d'apprentissage.
Quelles leçons pour l'enseignement supérieur francophone ?
Les établissements d'enseignement supérieur en France, en Belgique, en Suisse ou au Québec disposent d'atouts majeurs pour mener cette transition. La culture de protection de la vie privée, portée par le RGPD en Europe et par des institutions comme la CNIL en France ou la Commission d'accès à l'information au Québec, offre un socle solide.
Pour transposer ces principes, les équipes de direction et les services d'appui à la pédagogie peuvent s'inspirer d'initiatives pionnières. Au Royaume-Uni, l'organisme Jisc a développé un code de bonne pratique pour l'analyse d'apprentissage qui sert de référence européenne. De même, le projet européen SHEILA a fourni des outils pour aider les universités à construire leurs politiques de gouvernance des données de manière concertée.
Pour les universités francophones, l'enjeu est de passer d'une posture de méfiance ou de simple conformité défensive à une posture d'innovation éthique. En co-construisant les outils d'analyse avec les étudiants et en garantissant que la donnée reste au service de l'émancipation et non du contrôle, les établissements d'enseignement supérieur prouveront que la technologie peut humaniser l'accompagnement de masse plutôt que de le robotiser.
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.