Vers une évaluation intelligente du système éducatif marocain : apport du Data Mining éducatif et du Machine Learning à l’analyse de la satisfaction des enseignants
Par : Monsieur QABLIYANE Bouabid
Le samedi 19 décembre 2026 à 15:00
Le Doyen de la Faculté des Sciences et Techniques de Béni Mellal porte à la connaissance du public que Monsieur QABLIYANE Bouabid, soutiendra une thèse de Doctorat intitulée : « Vers une évaluation intelligente du système éducatif marocain : apport du Data Mining éducatif et du Machine Learning à l’analyse de la satisfaction des enseignants».
La soutenance publique aura lieu le Samedi 19 Décembre 2026 à 15h00 à la Salle 1 au Pole des Etudes Doctorales, Université Sultan Moulay Slimane, Béni Mellal, devant le jury composé de :
Monsieur Lekbir AFRAITES : Professeur, Faculté des Sciences et Techniques, Université Sultan Moulay Slimane, Béni Mellal, Président ;
Monsieur Mustapha OUJAOURA : Maître de Conférence Habilité, Ecole Nationale des Sciences Appliqquées, Université Cadi Ayyad, Safi, Rapporteur ;
Monsieur Rachid EL AYACHI : Professeur, Faculté des Sciences et Techniques, Université Sultan Moulay Slimane, Béni Mellal, Rapporteur ;
Monsieur Mohamed EL MOHADAB : Maître de Conférence Habilité, Ecole Supérieure de Technologie, Université Sultan Moulay Slimane, Béni Mellal, Rapporteur ;
Monsieur Driss AIT OMAR : Maître de Conférence Habilité, Faculté des Sciences et Techniques, Université Sultan Moulay Slimane, Béni Mellal, Examinateur ;
Monsieur Abderrahim SALHI : Maître de Conférence Habilité, Faculté des Sciences et Techniques, Université Sultan Moulay Slimane, Béni Mellal, Co-directeur de thèse ;
Monsieur Mohamed BASLAM : Professeur, Faculté des Sciences et Techniques, Université Sultan Moulay Slimane, Béni Mellal, Directeur de thèse ;
Résumé:
Cette thèse explore l’utilisation de l’intelligence artificielle, en particulier des techniques d’apprentissage automatique supervisé, pour analyser et prédire la satisfaction professionnelle des enseignants au Maroc à partir de données éducatives à grande échelle. En s’appuyant sur le questionnaire destiné aux enseignants dans le cadre de PISA 2022, l’étude vise à identifier les facteurs organisationnels, professionnels, psychologiques et contextuels qui influencent le bien-être des enseignants, leur satisfaction à l’égard de leur emploi actuel ainsi que leur satisfaction envers la profession enseignante.
La contribution principale de ce travail réside dans la mise en place d’un cadre prédictif complet et interprétable permettant de modéliser la satisfaction professionnelle des enseignants selon une approche de classification multiclasses. Deux variables cibles sont étudiées : la satisfaction globale à l’égard de l’emploi actuel, représentée par l’indice SATJOB_class, et la satisfaction envers la profession enseignante, représentée par l’indice SATTEACH_class. Ces deux dimensions sont transformées en trois niveaux de satisfaction faible, moyen et élevé afin de rendre les résultats plus exploitables pour l’analyse éducative et la prise de décision. Pour atteindre cet objectif, plusieurs algorithmes d’apprentissage supervisé sont évalués et comparés, notamment la régression logistique, les K plus proches voisins, le naïf bayésien multinomial, la machine à vecteurs de support, l’arbre de décision, la forêt aléatoire, XGBoost, AdaBoost et un réseau de neurones artificiel. Les résultats montrent que les méthodes d’ensemble fondées sur les arbres offrent les meilleures performances prédictives : XGBoost se distingue pour la prédiction de la satisfaction à l’égard de l’emploi actuel, tandis que la forêt aléatoire obtient les meilleurs résultats pour la satisfaction envers la profession enseignante.
Au-delà de la performance prédictive, cette recherche accorde une place centrale à l’interprétabilité des modèles. L’analyse de l’importance des variables et l’utilisation des valeurs SHAP permettent d’identifier les facteurs les plus influents dans les niveaux de satisfaction des enseignants. Les résultats mettent en évidence le rôle déterminant de la charge de travail, du soutien de la direction, du climat scolaire, du sentiment de finalité professionnelle, de la reconnaissance sociale du métier, du bien-être émotionnel, de l’expérience professionnelle ainsi que des intentions de rétention ou de départ. Cette analyse montre que la satisfaction des enseignants ne dépend pas uniquement de conditions matérielles ou structurelles, mais également de dimensions psychologiques, relationnelles et organisationnelles liées au fonctionnement quotidien de l’établissement scolaire.
Dans l’ensemble, ce travail montre que l’intelligence artificielle peut constituer un outil pertinent d’aide au diagnostic et à la décision dans le domaine de l’éducation. Les modèles développés permettent non seulement de prédire les niveaux de satisfaction professionnelle des enseignants, mais aussi de mettre en évidence des leviers d’intervention concrets pour améliorer les conditions de travail, renforcer le leadership scolaire, réduire la charge administrative et soutenir le bien-être du personnel enseignant. Les résultats offrent ainsi des perspectives importantes pour les décideurs éducatifs, les responsables d’établissements et les chercheurs souhaitant développer des politiques éducatives plus équitables, préventives et fondées sur les données.
Mots clés: Fouille de données éducatives, Apprentissage automatique, Classification multiclasses, Satisfaction professionnelle des enseignants, PISA 2022, XGBoost, Forêt aléatoire, Interprétabilité des modèles, SHAP, Importance des variables, Intelligence artificielle en éducation.