The Contribution of Explainable AI Techniques in the Integration of AI in Education: An Application of the SHAP Method on a Machine Learning Model

L'intégration de l'intelligence artificielle (IA) dans le domaine de l'éducation offre des perspectives prometteuses en matière d'apprentissage personnalisé et de prévision des performances des élèves. Cependant, l'adoption de ces technologies est souvent freinée par le manque de transparence et d'explicabilité des modèles d'IA, en particulier ceux considérés comme des « boîtes noires ». Cet article explore l’utilisation de techniques d’IA explicable (XAI), et plus particulièrement la méthode SHAP (SHapley Additive exPlanations), afin d’améliorer l’interprétabilité des modèles d’apprentissage automatique dans un contexte éducatif. Nous appliquons l’algorithme XGBoost (eXtreme Gradient Boosting) pour prédire les performances des élèves en mathématiques à l’aide de l’ensemble de données « Student Performance » issu de l’UCI Machine Learning Repository, puis utilisons SHAP pour expliquer les prédictions du modèle. Les résultats montrent que les notes antérieures (G1 et G2, c’est-à-dire les première et deuxième évaluations) sont les facteurs les plus influents, tandis que les absences ont un impact négatif significatif. De plus, des caractéristiques telles que le temps consacré aux études et les relations familiales ont une influence positive, bien que modeste. Les visualisations SHAP, telles que les graphiques récapitulatifs (Summary Plots), les graphiques en cascade (Waterfall Plots) et les graphiques de dépendance (Dependence Plots), révèlent des relations complexes et non linéaires entre les caractéristiques, soulignant l’importance d’une approche multifactorielle pour améliorer les résultats des élèves. Cette étude démontre que les techniques d'IA explicable, telles que SHAP, peuvent non seulement améliorer la transparence des modèles prédictifs, mais aussi fournir des informations précieuses pour orienter des interventions éducatives ciblées et équitables.

*Cette description est une traduction de l’abstract (résumé) de l’article,  réalisée à l’aide de DeepL.