Introduction Générale
1. Contexte général
• La transformation numérique du système éducatif marocain
• Le Plan d'Action 2022-2026 du Ministère de l'Éducation Nationale
• La place des AREF dans le pilotage régional de l'éducation
• L'émergence des données éducatives comme levier de gouvernance
2. Problématique
• Les limites de la micro-planification scolaire traditionnelle
• Le gap entre disponibilité des données et leur exploitation effective
• Question centrale : Comment un système intelligent basé sur l'Educational Analytics
peut-il améliorer la micro-planification scolaire au niveau de l'AREF Souss Massa ?
3. Questions de recherche
• Quels sont les besoins réels des planificateurs scolaires de l'AREF en matière de données
?
• Quels indicateurs éducatifs sont pertinents pour la micro-planification ?
• Comment concevoir un système d'analyse adapté au contexte de l'AREF Souss Massa ?
• Dans quelle mesure ce système améliore-t-il la prise de décision pédagogique et
administrative ?
4. Objectifs de la recherche
• Diagnostiquer les pratiques actuelles de planification à l'AREF
• Concevoir un système intelligent de pilotage par les données
• Développer et tester un prototype fonctionnel
• Évaluer son impact sur la qualité de la micro-planification
5. Démarche méthodologique globale
• Approche mixte (qualitative + quantitative)
• Design-Based Research (DBR) comme cadre méthodologique principal
• Articulation terrain ↔ théorie ↔ conception ↔ validation
6. Plan du mémoire
• Présentation succincte des deux parties et quatre chapitres
PARTIE I : CADRAGE THÉORIQUE ET CONCEPTUEL
Chapitre 1 : Exploration du terrain et émergence de la problématique
Introduction du chapitre
1.1. Présentation du terrain d'étude : l'AREF Souss Massa
• Statut, missions et organisation de l'AREF
• Périmètre géographique et caractéristiques du tissu scolaire
• Les acteurs clés : planificateurs, directeurs, inspecteurs, enseignants
• Les outils actuels de collecte et de gestion des données scolaires (MASSAR, tableaux de
bord existants…)
1.2. La micro-planification scolaire : état des lieux à l'AREF
• Définition opérationnelle de la micro-planification dans ce contexte
• Processus actuels : carte scolaire, dotations en ressources, affectations
• Acteurs impliqués et circuits de décision
• Les données utilisées et leurs sources
1.3. Diagnostic des dysfonctionnements et limites
• Fragmentation et hétérogénéité des données disponibles
• Faible culture de la donnée dans la prise de décision
• Manque d'outils d'analyse et de visualisation adaptés
• Délais de traitement et risques d'erreurs dans la planification
1.4. Méthodologie de l'exploration terrain
• Instruments mobilisés : entretiens semi-directifs, observation, analyse documentaire,
questionnaires
• Échantillonnage et profils des participants
• Protocole de collecte et d'analyse des données qualitatives
• Considérations éthiques
1.5. Résultats de l'exploration : les besoins identifiés
• Besoins en indicateurs de suivi (effectifs, taux de scolarisation, absentéisme…)
• Besoins en outils d'aide à la décision
• Attentes des planificateurs vis-à-vis d'un système intelligent
• Formulation précise de la problématique centrale
Conclusion du chapitre
Chapitre 2 : Construction du cadre conceptuel — du terrain à la théorie
Introduction du chapitre
2.1. L'Educational Analytics : fondements et évolutions
• Définition et positionnement par rapport au Learning Analytics et au Data Mining
• Historique et courants de recherche (LAK, SoLAR, EDUCAUSE…)
• Niveaux d'analyse : individuel, institutionnel, systémique
• Typologies : descriptif, prédictif, prescriptif
2.2. La micro-planification scolaire pilotée par les données
• Définition et cadres théoriques (School-Based Planning, Evidence-Based Decision
Making)
• Le rôle des indicateurs éducatifs dans la planification
• Expériences internationales et africaines de planification data-driven
• Limites et conditions de succès
2.3. Les systèmes intelligents d'aide à la décision en éducation
• Définition d'un Système d'Aide à la Décision (SAD / DSS)
• Intelligence artificielle appliquée à l'éducation (AIED)
• Tableaux de bord éducatifs (Learning Dashboards) : principes et usages
• Critères de qualité d'un système éducatif intelligent : pertinence, accessibilité, utilisabilité
2.4. Cadres théoriques mobilisés
• Le modèle CRISP-DM pour l'analyse des données éducatives
• Le modèle ADDIE / DBR pour la conception du système
• La théorie de l'usage (TAM – Technology Acceptance Model) pour l'évaluation
• Le modèle de Kirkpatrick pour la validation
2.5. Modèle conceptuel intégrateur
• Proposition d'un cadre conceptuel original articulant : données → analyse →
visualisation → décision → planification
• Schéma synthétique du positionnement théorique du projet
• Hypothèses de recherche découlant du cadre conceptuel
Conclusion du chapitre
PARTIE II : CONCEPTION, DÉVELOPPEMENT ET
VALIDATION DU SYSTÈME
Chapitre 3 : Conception et développement du système
Introduction du chapitre
3.1. Choix de la démarche de conception
• Justification du recours au Design-Based Research (DBR)
• Les cycles itératifs de conception : analyse → design → développement → test
• Positionnement du chercheur-concepteur
3.2. Analyse et modélisation des besoins
• Spécifications fonctionnelles issues du diagnostic terrain
• Définition des indicateurs éducatifs retenus :
o Indicateurs d'accès (taux de scolarisation, carte scolaire)
o Indicateurs de qualité (taux de réussite, abandon, redoublement)
o Indicateurs de ressources (effectifs enseignants, infrastructures)
o Indicateurs transversaux (genre, milieu rural/urbain)
• Modèle de données : entités, relations, flux d'informations
• Cas d'usage et scénarios de planification
3.3. Architecture du système intelligent
• Architecture globale : collecte → traitement → stockage → analyse → visualisation
• Choix technologiques et justification :
o Base de données (ex. PostgreSQL, MySQL)
o Moteur analytique (ex. Python/Pandas, R, Power BI, Tableau)
o Interface utilisateur (ex. Dash, Streamlit, Power BI Embedded)
• Modules fonctionnels du système :
o Module de collecte et d'import de données
o Module de nettoyage et de prétraitement
o Module d'analyse statistique et prédictive
o Module de visualisation et tableaux de bord
o Module de génération de recommandations
3.4. Développement du prototype
• Étapes de développement et jalons
• Présentation des interfaces développées (captures d'écran)
• Fonctionnalités implémentées par module
• Jeu de données utilisé (réel ou simulé) et traitement RGPD/confidentialité
3.5. Tests techniques et ajustements itératifs
• Tests unitaires et de performance
• Retours des premières sessions de test utilisateur
• Corrections et améliorations apportées au prototype
Conclusion du chapitre
Chapitre 4 : Validation, retour au terrain et perspectives
Introduction du chapitre
4.1. Protocole de validation du système
• Stratégie de validation : expérimentation terrain vs. évaluation par experts
• Profils des évaluateurs (planificateurs AREF, experts en EA, formateurs)
• Outils de collecte : grilles d'évaluation, questionnaire d'acceptabilité (TAM adapté),
entretiens post-test
• Critères d'évaluation : utilisabilité, pertinence des indicateurs, fiabilité des analyses, aide
à la décision
4.2. Résultats de la validation
• Analyse quantitative des questionnaires (scores d'utilité perçue, facilité d'usage…)
• Analyse qualitative des entretiens et observations
• Points forts du système validés par les utilisateurs
• Dysfonctionnements et lacunes identifiés
4.3. Discussion des résultats
• Confrontation aux hypothèses de recherche
• Mise en perspective avec la littérature (Educational Analytics, planification data-driven)
• Apports du système à la micro-planification de l'AREF Souss Massa
• Facteurs facilitants et obstacles à l'adoption
4.4. Limites de la recherche
• Limites méthodologiques (taille de l'échantillon, durée de l'expérimentation)
• Limites techniques (qualité des données sources, interopérabilité)
• Limites contextuelles (infrastructure numérique, résistances au changement)
4.5. Perspectives et recommandations
• Pistes d'amélioration du système (IA prédictive, NLP pour rapports automatiques…)
• Recommandations pour le déploiement à l'échelle de l'AREF
• Généralisabilité du modèle à d'autres AREF marocaines
• Pistes de recherche futures
Conclusion du chapitre
Conclusion Générale
1. Synthèse du parcours de recherche
• Rappel de la problématique et des questions de recherche
• Résumé des principaux résultats par chapitre
2. Contributions de la recherche
• Contribution théorique : cadre conceptuel intégrateur original
• Contribution méthodologique : démarche DBR appliquée à l'EA en contexte marocain
• Contribution pratique : prototype fonctionnel d'un système de micro-planification data-
driven
3. Limites globales
4. Perspectives ouvertes
• Vers un observatoire régional de l'éducation basé sur les données
• Intégration dans la stratégie nationale de transformation numérique éducative