Théorie de Réponse à l'Item (IRT) : ce qu'elle Mesure et ce qu'elle Exige

Pourquoi la simple note brute ne suffit pas

Un taux de réussite global sur une question ne dit rien de sa qualité : elle peut être mal formulée, trop facile pour discriminer les niveaux, ou réussie au hasard. Deux items à 60 % de réussite peuvent avoir des comportements opposés selon qui les réussit.

Les trois paramètres du modèle

La difficulté situe le niveau de compétence requis pour répondre correctement. La discrimination mesure la capacité de l'item à séparer les candidats forts des faibles — c'est le paramètre le plus utile en pratique. Le troisième, la pseudo-chance, modélise la réussite au hasard, surtout sensible sur les QCM à peu d'options.

Ce que l'IRT exige avant de produire quoi que ce soit

Une calibration crédible suppose des centaines de réponses par item, des conditions de passation comparables, et quelqu'un capable de juger si le modèle s'ajuste aux données. Sur une promotion de trente étudiants, les paramètres estimés sont du bruit. Un éditeur qui annonce un « recalibrage automatique après chaque session » vend surtout un chiffre instable.

Ce qu'Educati fournit, et ce qu'il ne fournit pas

Educati ne calcule aucun paramètre IRT et n'annonce pas de moteur psychométrique. La plateforme corrige les QCM automatiquement, enregistre les résultats par question et par étudiant, et normalise toute note sur l'échelle /20 utilisée au Maroc. Une équipe qui souhaite faire de l'IRT part de ces résultats et les traite dans son propre outil statistique.

Une revue d'items utile sans moteur

Repérez d'abord les items que les meilleurs candidats ratent plus souvent que les autres : c'est presque toujours un défaut d'énoncé ou une clé erronée. Puis ceux réussis par tout le monde, qui n'apportent aucune information. Cette revue-là ne demande ni modèle ni statisticien, et corrige l'essentiel des défauts d'une banque.