Le constat après un examen systématique de 1 125 papiers publiés entre 2020 et 2024 dans les domaine du learning analytics (LA), educational data mining (EDM) et artificial intelligence in education (AIEd) est édifiant : seulement 19 % des publications s’accompagnent d’un jeu de données partagées. Ce chiffre concerne les décideurs L&D, DRH, DSI et opérateurs de LMS autant que les chercheurs. Il éclaire ce que valent réellement les modèles d’IA vendus aujourd’hui sur le marché de la formation.
Un learning record est une trace horodatée de l’activité d’un apprenant : une réponse à un quiz, la lecture d’un module, le temps passé sur une ressource. Ces traces sont produites par les plateformes de formation (LMS) dans des standards comme xAPI, cmi5, SCORM ou Caliper, et remontées vers un dépôt technique appelé Learning Record Store (LRS). Un dataset, ici, est un ensemble structuré de ces traces, associé à une documentation. La quasi totalité des systèmes d’IA appliqués à l’éducation, du modèle qui prédit l’abandon à celui qui recommande la ressource suivante, apprend à partir de ces datasets.
Le problème n’est pas le manque de données. Chaque LMS ou application éducative en génére des milliers voire des millions. Le problème est que les jeux de données sur laquelle repose la recherche en IA éducative sont limités, vieillissants et géographiquement biaisés. Une partie non négligeable des modèles présentés dans les publications spécialisées sont entraînés sur des jeux d’apprenants américains de 2009 à 2015, majoritairement en mathématiques du secondaire, et testés sur les mêmes. La conséquence directe pour un directeur L&D français ou un DSI européen qui envisage un dispositif d’IA en formation continue : les preuves scientifiques que le fournisseur invoque décrivent rarement le contexte d’usage réel.
Le paysage réel des datasets disponibles
Un des articles de référence identifie 172 datasets uniques utilisés dans 204 publications, dont 143 n’avaient jamais été catalogués auparavant, ce qui signale une dispersion chronique. Trois modalités d’accès coexistent : 75,6 % des datasets sont directement téléchargeables, 14 % exigent la création d’un compte, 10,5 % sont annoncés comme disponibles sur demande. Cette dernière catégorie est la plus problématique. Sur 35 datasets classés dans cette catégorie, la moitié seulement a été effectivement fournie sous 30 jours. Les motifs invoqués par les détenteurs de données pour refuser le partage sont, dans l’ordre : manque de temps (29 %), données non disponibles (28 %), motifs juridiques ou de confidentialité (23 %).
La recherche se concentre sur un très petit nombre de jeux canoniques. Vingt datasets sont utilisés au moins trois fois, le plus cité l’est douze fois dans le corpus analysé. On y retrouve OULAD (Open University au Royaume-Uni), ASSISTments (mathématiques K-12 aux États-Unis), KDD Cup, Statics 2011, xAPI-Edu-Data. La grande majorité décrit un contexte scolaire ou universitaire américain.
Quatre limites structurelles
Taille. Les datasets publics restent modestes à l’échelle du deep learning : quelques centaines à quelques milliers d’apprenants, quelques dizaines de milliers d’interactions. Les modèles de knowledge tracing (DKT, SAKT, AKT), qui apprennent la dynamique de progression d’un apprenant, en pâtissent particulièrement. Les gains de performance rapportés d’une architecture à l’autre reflètent souvent un sur-ajustement aux benchmarks plutôt qu’une meilleure modélisation de la cognition.
Biais géographique. La couverture européenne est marginale, celle de l’hémisphère sud quasi absente. Un modèle entraîné sur du curriculum américain en langue anglaise ne transfère pas de façon fiable à un dispositif de formation continue francophone. Ce n’est pas un désagrément académique, c’est un problème de validité externe qui devient un problème métier dès qu’on l’exporte en production.
Biais de domaine. Les datasets publics couvrent l’école et l’université, principalement les STEM et l’apprentissage des langues. La formation continue, la formation professionnelle, l’apprentissage adulte, les parcours multi-plateformes et l’activité des formateurs sont presque absents. Les équipes de R&D qui construisent des solutions pour le marché B2B travaillent donc sur des proxys éloignés de leurs cas d’usage réels.
Obsolescence. OULAD couvre des sessions jusqu’en 2014, ASSISTments les années scolaires 2009 à 2015. Depuis, les comportements numériques ont changé (mobile, micro-learning, vidéo interactive, gamification), les formats pédagogiques aussi (post-Covid, adaptatif, blended), et les standards modernes de collecte comme xAPI et cmi5 n’étaient pas encore adoptés à l’époque des captations. La dérive de distribution entre données d’entraînement et données de production est mécanique.
Quatre barrières à l’accès
| Barrière | Ce qu’elle produit concrètement | Ce qui la lève |
|---|---|---|
| Réglementaire (RGPD, FERPA) | Les traces sont des données personnelles. Même anonymisées, elles peuvent permettre une ré-identification par croisement. Le partage est particulièrement lourd quand des mineurs sont concernés. | Analyse d’impact (DPIA), protocole d’anonymisation robuste, base légale explicite, contrat de sous-traitance article 28. Le cadrage juridique reste propre à chaque organisation et relève du DPO et du service juridique. |
| Commerciale | Les grandes plateformes détiennent des volumes massifs mais n’ont aucun intérêt économique à les publier, la publication étant perçue comme un cadeau fait aux concurrents. La communauté académique travaille sur les petits jeux publics, les équipes R&D internes sur les grands jeux privés. | Data spaces souverains où le partage se fait à conditions maîtrisées, avec traçabilité des usages et retour de valeur au producteur des données. |
| Institutionnelle | 46 % des chercheurs citent l’organisation des données comme un obstacle, 37 % l’incertitude sur les licences, 60 % ressentent un manque de reconnaissance quand ils partagent, 75 % n’ont jamais reçu d’aide pour publier leurs données. | Documentation systématique (dataset card, provenance, biais), reconnaissance et citation du producteur, appui d’un intermédiaire capable de préparer le dépôt. |
| Technique | Hétérogénéité SCORM 1.2, SCORM 2004, xAPI, cmi5, Caliper, logs propriétaires, absence de profils xAPI standardisés par domaine. Rend les datasets difficilement combinables. Les URLs sont instables : sur 13 URLs listées dans un survey de 2020, quatre étaient invalides en 2026. | Parsers d’interopérabilité (Prometheus-X), dépôts d’archive permanents (Zenodo, Harvard Dataverse), profils xAPI partagés. |
Une crise de reproductibilité
La faible disponibilité des données se traduit par des taux de reproductibilité très faibles à l’intérieur même du domaine. Sur les éditions 2021 et 2022 de LAK, seuls 5 % des papiers rendent leurs données brutes disponibles et aucun n’a pu être reproduit dans le temps imparti aux tentatives. EDM 2021 et 2022 : 15 % de datasets publics utilisés ou publiés, résultats partiellement retrouvés sur 6 % des papiers. AIED 2021 et 2022 : 13 % de données ouvertes, 7 % potentiellement reproductibles, aucune reproduction aboutie. Ces chiffres placent la discipline en retard sur les autres champs computationnels. Le cadre MORF, mené par Michigan, Pennsylvania et Duke sur les données MOOC, a par ailleurs montré que les modèles prédictifs entraînés sur un dataset MOOC ne transfèrent généralement pas aux autres. La concentration sur quelques jeux de données très cités crée un risque de sur-ajustement à l’échelle de la communauté.
Quatre voies de sortie, avec leurs limites
Données synthétiques. Un dataset synthétique est un jeu de données artificielles produites par un modèle qui a appris la structure statistique d’un jeu réel, sans exposer les enregistrements individuels. Le projet SynEdu-HEDL a produit 20 000 enregistrements synthétiques d’apprenants avec 85 variables. Les modèles entraînés dessus atteignent des performances à 1 à 5 % de ceux entraînés sur données réelles, et un scénario en transfert n’utilisant que 10 % de données réelles a amélioré la performance de 24,4 %. Les limites restent réelles : la représentation des valeurs extrêmes reste difficile, les biais du dataset source sont hérités, et la validation d’un jeu synthétique est un exercice complexe. Les données synthétiques réduisent le risque, elles ne le suppriment pas.
Apprentissage fédéré. Une approche où le modèle est entraîné localement chez chaque institution, seuls les paramètres appris étant partagés, jamais les données. Les résultats expérimentaux récents montrent une précision comparable à un entraînement centralisé et une meilleure résistance aux attaques adversariales. En éducation, le déploiement reste rare, freiné par le coût d’infrastructure et la fragmentation des LMS.
Infrastructures à accès contrôlé. Le principe : le chercheur ne récupère jamais les données brutes, il envoie son code dans un environnement où les données sont hébergées et récupère des résultats agrégés. MORF, PSLC DataShop de Carnegie Mellon, LearnSphere fonctionnent selon cette logique. Ces dispositifs restent peu connus hors des cercles académiques anglo-américains et sont quasi inexistants pour les données européennes de formation professionnelle.
Data spaces européens. Un data space est une infrastructure fédérée où plusieurs organisations partagent des données selon des règles communes de gouvernance, avec traçabilité des accès et respect des cadres réglementaires. Prometheus-X et Gaia-X contribuent aux Data Space for Education and Skills (DASES), qui vise précisément cette mise à l’échelle pour les données d’apprentissage.
Le continuum en six niveaux, pour sortir du faux dilemme
L’objection courante face à toute demande de partage est binaire : tout garder pour protéger l’organisation, ou tout publier au risque de la mettre en danger. Ce dilemme n’existe pas dans les faits. Six niveaux de partage coexistent et peuvent être combinés :
Données ouvertes anonymisées, publiées sans restriction d’accès
Données synthétiques dérivées d’un jeu réel
Accès sur demande sous convention, avec examen du projet de recherche
Accès contrôlé en environnement sécurisé, sans sortie de données
Calcul ou apprentissage fédéré, seuls les paramètres circulent
Partage via un data space souverain, avec traçabilité et retour de valeur
Le bon niveau dépend du contexte réglementaire, du niveau de sensibilité des traces, de la population concernée et de la maturité de l’organisation. Aucun choix n’est universel, aucun ne dispense d’une analyse d’impact ni d’un protocole d’anonymisation.
Ce que nous faisons
Inokufu orchestre la création de datasets pour les opérateurs qui détiennent des learning records : collecte et mapping des traces (SCORM, xAPI, cmi5, Caliper), anonymisation et pseudonymisation, documentation du dataset, qualification de la modalité de partage adaptée, mise en relation avec des chercheurs. Prometheus-X est une association qui gouverne un stack open source de composants pour créer des data spaces européens. Grace à cette séparation claire des rôles, on évite tout abus lié à la combinaison des responsabilités de traitement et de gouvernance des données au sein d’une seule entité.
Vous détenez des learning records
Vos traces xAPI ou SCORM sont un actif dormant, tant qu’elles ne sont pas documentées, gouvernées et exposées via un canal adapté. Elles peuvent devenir un avantage concurrentiel : un dataset validé par la recherche est un signal fort pour vos clients corporate, pour la conformité qui se dessine avec l’EU AI Act, et pour la préparation d’audits. Le bon niveau de partage n’est pas nécessairement la publication ouverte. Si vous souhaitez en savoir plus sur les possibilités de valorisation de vos données, contactez-nous ici.
Vous cherchez des données pour publier
Le déficit de données francophones, de formation continue, de parcours multi-plateformes et de traces adossées à des référentiels comme Formacode ou ROME 4.0 est documenté. Ce sont des niches de publication à fort impact scientifique, précisément parce que peu couvertes. L’accès à des données récentes et documentées passe par des cadres contractualisés qui protègent aussi le détenteur : convention de recherche, accès contrôlé, environnement sécurisé, apprentissage fédéré. Si vous souhaitez en savoir plus sur l’accès à ces données, contactez-nous ici.
Lire le white paper complet
Si vous souhaitez approfondir le sujet, nous vous invitons à lire notre white paper, disponible sur Zenodo. Sa lecture prend une trentaine de minutes.
Lire le white paper sur Zenodo
Citer ce document
Sonnati, M. (2026). Opening access to learning records datasets for better educational sciences. Zenodo. https://doi.org/10.5281/zenodo.21904089
