La Johns Hopkins University teste l’utilisation d’un réseau neural artificiel afin de déterminer quels sont les candidats susceptibles d’obtenir les meilleurs résultats scolaires. Le réseau neural est un modèle statistique qui reproduit la capacité d’apprentissage selon les schémas des neurones du cerveau humain. En analysant les documents produits par les étudiants, le réseau neural trouve les caractéristiques communes aux étudiants qui s’inscriront à Hopkins.
Les évaluateurs des demandes d’inscription pourraient utiliser le réseau neural afin de déterminer quels étudiants ont le plus de chance de réussite et quels sont ceux qui en ont moins. Ces informations pourraient être utilisées pour former des classes de gagnants. Richard Reeves, qui est à l’origine du réseau neural de Hopkins, a oeuvré avec l’assistance du logiciel StatSoft’s Statistica; il estime que 50 pourcent des universités utiliseront ce modèle d’ici 10 ans.
Les collèges utilisent d’ores et déjà des modèles statistiques afin de prédire le taux de réussite de leurs élèves; les tests menés à Hopkins montrent cependant que les méthodes traditionnelles connaissent un taux d’échec de 6 % tandis que le réseau neural connaît un taux d’échec de seulement 3 %. La technologie utilisée dans le réseau neural est disponible depuis plusieurs années, mais ce n’est que récemment que la technologie, tant matérielle que logicielle, a été assez performante et économique pour qu’on puisse en faire une utilisation extensive.
Voir plus d'articles de cet auteur