Predictive Analytics and AI in Education: A Systematic Literature Review on Identifying and Supporting At-Risk Students
Notice bibliographique
Résumé
This research presents a comprehensive systematic literature review (SLR) examining the integration of predictive Artificial Intelligence (AI) technologies in educational settings. As institutions worldwide pursue personalized, inclusive, and data-driven learning environments, AI-based predictive analytics and Learning Analytics (LA) offer transformative potential. These tools support early identification of at-risk students, personalized learning pathways, and data-informed academic and administrative decisions. However, the adoption of predictive AI in education also introduces ethical, technical, and operational challenges. The study highlights critical concerns such as data privacy, algorithmic fairness, explainability, and stakeholder involvement, all of which impact implementation and trust in educational AI systems. The opacity of machine learning models—the “black box” issue—further complicates efforts toward transparency and accountability. By analyzing empirical studies, real-world university case studies, and systematic reviews, this paper explores both the benefits and limitations of predictive analytics in education. It emphasizes key outcomes such as individualized learning, enhanced student engagement, and administrative efficiency while also addressing bias propagation, ethical dilemmas, and stakeholder exclusion. The review concludes with strategic recommendations for the ethical, inclusive, and transparent implementation of predictive AI in education. It calls for ongoing evaluation and innovation that prioritizes fairness, stakeholder engagement, and the development of explainable AI (XAI) models. Keywords: Predictive Analytics, Artificial Intelligence in Education (AIEd), Learning Analytics (LA), At-Risk Students, Early Intervention, Educational Data Mining (EDM), Explainable AI (XAI)
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,015 | 0,085 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,012 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».