Face aux retards des systèmes traditionnels d’alerte académique et à l’homogénéisation de l’accompagnement, cette étude intègre l’apprentissage par ensemble et les algorithmes d’inférence causale : un modèle AdaBoost a été construit sur la base des données de 2 003 étudiants afin de réaliser une stratification précise des risques académiques et une surveillance en temps réel ; un modèle de forêt causale a été utilisé pour quantifier l’effet net de l’intervention et concevoir des plans d’accompagnement personnalisés multidimensionnels. L’étude a sélectionné trois types d’établissements d’enseignement supérieur avec différents niveaux, chaque établissement comptant 50 étudiants dans le groupe expérimental (alerte IA + accompagnement personnalisé) et 50 dans le groupe témoin (alerte traditionnelle + accompagnement classique), avec un suivi d’intervention sur deux années scolaires. Les résultats montrent une amélioration moyenne du GPA de 35,70 % dans le groupe expérimental, supérieure aux 19,40 % du groupe témoin ; le taux de régularité des comportements d’apprentissage et le score à l’échelle d’adaptation académique ont également progressé dans le groupe expérimental (P<0.05). L’étude démontre que l’alerte IA validée sur un grand échantillon peut identifier avec précision les facteurs de risque académique, que l’accompagnement personnalisé permet une intervention ciblée, et que leur synergie agit positivement sur la performance des étudiants en difficulté, offrant une voie transférable pour la construction de systèmes de soutien académique dans différents établissements.

alerte académique IA;accompagnement personnalisé;étudiants en difficulté;effet d’intervention;inférence causale