Pourquoi les universités britanniques se sont associées à Explorance pour analyser les commentaires du NSS

En juin 2026 a été lancé le modèle Explorance MLY National Student Survey (NSS), spécialement conçu pour fournir l'analyse la plus précise et entièrement automatisée de milliers de commentaires pour les 10 principales catégories thématiques du NSS.

MLY se distingue en proposant un traitement et une catégorisation transparents et traçables, offrant aux utilisateurs un accès complet à toutes les informations grâce à un tableau de bord entièrement interactif et convivial. Aucune autre solution n’atteint ce niveau de précision, de transparence et d’analyse interactive pour les données NSS dans l’enseignement supérieur.

L’ampleur de l’enquête NSS est remarquable. Menée chaque année à travers le Royaume-Uni, cette enquête recueille le Feedback des étudiants en dernière année de licence sur leur expérience universitaire. Depuis son lancement il y a près de 20 ans, plus de 5,5 millions d'étudiants ont fait part de leur avis.

Rien qu'en 2025, plus de 500 établissements d'enseignement supérieur y ont participé, avec environ 357 000 étudiants de premier cycle ayant répondu, ce qui représente un taux de réponse de près de 72 %. Chaque année, cela génère un volume considérable de Feedback qualitatif.

Des délégués venus de tout le Royaume-Uni et d'ailleurs se sont joints à Explorance pour la table ronde intitulée « Transformer les insights du NSS : la collaboration universitaire derrière le modèle MLY NSS », à laquelle ont participé des clients d'Explorance MLY ayant joué un rôle central dans l'élaboration du modèle. La session a exploré des approches pratiques pour interpréter les commentaires en texte libre du NSS et a démontré comment MLY aide les établissements à transformer le Feedback des étudiants en actions concrètes.

Alors que les résultats du NSS 2026 doivent être publiés prochainement, le moment est idéal pour que les établissements se préparent à agir rapidement en fonction des informations qu’ils recevront. Nous nous sommes entretenus avec des représentants de trois établissements ayant participé à l’élaboration du modèle MLY NSS :

• Dr Natalie Holland, chargée de recherche, Université John Moores de Liverpool
• Lorna Robertson, responsable des enquêtes auprès des étudiants, Université de Strathclyde
• Ufuoma Elegbede, analyste, Stratégie et analyses, Université de Nottingham

Voici quelques points forts de leur discussion :

Les défis liés à l’analyse des réponses à format libre du NSS

Le NSS génère chaque année des milliers de réponses à format libre. Les intervenants ont évoqué les principaux obstacles auxquels ils ont été confrontés pour extraire des informations exploitables de ce volume de données qualitatives, ainsi que la manière dont leurs établissements abordaient auparavant l’analyse des commentaires.

Natalie : « Nous utilisons depuis plusieurs années des logiciels pour faciliter l’analyse qualitative. Cependant, l’un des défis posés par les solutions précédentes était que, bien qu’elles fussent excellentes pour traiter de grands volumes de texte, elles n’étaient pas spécifiquement conçues pour le Feedback des étudiants. Les résultats nécessitaient souvent une interprétation approfondie. »

Nous passions un temps considérable à examiner les thèmes générés par le logiciel, puis à revenir aux commentaires sous-jacents pour comprendre comment ces thèmes avaient été dégagés. En fin de compte, le plus grand défi était le temps. Même avec un logiciel spécialisé dans l’analyse de texte, l’analyse d’un vaste ensemble de données de la NSS nécessitait encore un effort manuel considérable.

Parallèlement, la pression exercée par les établissements pour comprendre rapidement les résultats est considérable. Les hauts responsables, les facultés et les départements veulent tous savoir ce que disent les étudiants dès que possible. Pour nous, la rapidité et l’efficacité constituaient les principaux défis. Ce que MLY fait particulièrement bien, c’est de supprimer l’étape la plus chronophage du processus. Au lieu de passer des semaines à classer les commentaires, les chercheurs peuvent consacrer leur temps à l’interprétation et à la compréhension. »

Lorna : « Notre plus grand défi était la capacité en ressources. Nous devions produire des analyses de haute qualité tout en rendant compte des résultats en temps opportun. Les données du NSS revêtent une très grande importance au sein de l’établissement et font l’objet d’un examen minutieux.

Historiquement, notre approche était très manuelle. Les membres de l’équipe examinaient et codaient eux-mêmes chaque commentaire individuellement. Comme vous pouvez l’imaginer, cela prenait un temps considérable. En conséquence, nos rapports qualitatifs accusaient souvent plusieurs semaines de retard par rapport à nos rapports quantitatifs. Alors que les parties prenantes pouvaient accéder rapidement aux notes et aux indicateurs de l’enquête, les informations plus riches contenues dans les commentaires en texte libre n’arrivaient que bien plus tard.

C’était loin d’être idéal, car nos collègues souhaitaient avoir un aperçu immédiat de ce que disaient les étudiants et des mesures à prendre. L’introduction de MLY avait déjà constitué une amélioration significative pour nous l’année dernière, mais le modèle NSS personnalisé a fait passer ce processus à un tout autre niveau.»

Ufuoma : « Auparavant, nous traitions les commentaires tels qu’ils nous étaient transmis par Ipsos, qui réalise l’enquête NSS pour le compte de l’Office for Students et des organismes de financement de l’enseignement supérieur britanniques. En général, les commentaires étaient classés en deux grandes catégories : positifs et négatifs. Ils étaient ensuite mis à disposition via un tableau de bord Tableau, où les utilisateurs pouvaient appliquer des filtres ou effectuer des recherches par mots-clés.

Par exemple, quelqu’un pouvait rechercher « bibliothèque » et voir tous les commentaires contenant ce mot. Cependant, nous avons identifié deux limites importantes à cette approche.

Premièrement, le Feedback des étudiants n’est pas toujours binaire. Un commentaire pouvait par exemple dire : « Le cours était excellent, mais le Feedback sur les évaluations était souvent tardif. » Dans cet exemple, l’étudiant exprime à la fois un sentiment positif et négatif. Lorsque les commentaires sont classés de force dans une seule catégorie, des informations précieuses sont perdues.

Deuxièmement, la recherche par mot-clé est par nature réactive. Il faut savoir ce que l’on cherche avant de lancer la recherche. Si les étudiants soulèvent une question importante en utilisant des termes que l’on n’avait pas anticipés, on risque de passer à côté d’informations précieuses.

L’une des choses dont nous nous sommes rapidement rendu compte en utilisant MLY pour d’autres enquêtes institutionnelles était l’importance de relier les données qualitatives et quantitatives. Nous voulions comprendre non seulement ce que les notes nous révélaient, mais aussi pourquoi les étudiants attribuaient ces notes. Notre approche précédente rendait cela difficile.»

Pourquoi les établissements ont choisi de collaborer sur le modèle MLY pour le NSS

Chaque établissement avait des raisons différentes de s’associer à Explorance pour la solution MLY basée sur l’IA, destinée à l’analyse qualitative du NSS. Les intervenants ont expliqué ce qui les avait motivés à s’impliquer et les avantages offerts par MLY par rapport aux approches précédentes.

Ufuoma : « Nous avons commencé à utiliser MLY pour d’autres enquêtes institutionnelles au cours de l’année 2025 ; son application à la NSS nous a donc semblé être une suite logique. Lorsque Explorance nous a contactés pour collaborer au développement d’un modèle NSS sur mesure, nous y avons vu une opportunité plutôt qu’un risque.

Nous avions déjà acquis de l’expérience avec MLY et développé une solide compréhension de ses atouts. Participer à ce projet nous a permis de partager nos expériences, nos défis et nos besoins directement avec l’équipe de développement.

Nous avons particulièrement apprécié la nature collaborative du processus, non seulement avec Explorance, mais aussi avec d’autres universités. Les discussions au sein du groupe d’utilisateurs et les occasions d’apprentissage partagé ont été extrêmement précieuses. Nous tenions vraiment à soutenir une solution susceptible d’améliorer la manière dont les établissements analysent le Feedback des étudiants à l’échelle du secteur.»

Natalie : « Au cours des deux années précédentes, nous avions développé en interne notre propre modèle sur mesure et l’avions trouvé extrêmement utile. Cependant, c’était également un processus chronophage.

L’un des plus grands défis a été de comprendre comment les thèmes MLY existants avaient été élaborés, puis de déterminer la meilleure façon de faire correspondre ces thèmes à la terminologie et aux structures de rapport du NSS. L’opportunité de collaborer avec d’autres établissements et de relever ce défi collectivement était incroyablement attrayante.

Cela nous a permis d’explorer différentes perspectives et d’identifier les moyens les plus efficaces de structurer et d’interpréter le Feedback du NSS. L’une des perspectives les plus prometteuses était la possibilité d’une plus grande cohérence à l’échelle du secteur.

Si les établissements peuvent s’appuyer sur un cadre commun pour analyser les commentaires du NSS – tout en conservant la flexibilité nécessaire pour l’adapter à leurs propres besoins –, cela ouvre la voie à une collaboration plus large et, potentiellement, à des analyses comparatives. À terme, les établissements pourraient être en mesure de comparer les thèmes qui se dégagent du Feedback de leurs propres étudiants avec les tendances nationales et les schémas observés à l’échelle du secteur. Pour nous, ce potentiel à long terme était tout aussi précieux que les avantages immédiats du modèle lui-même. »

Lorna : « La collaboration a été un facteur déterminant pour nous. Avant ce projet, j’avais déjà travaillé avec des collègues pour créer un modèle sur mesure spécifiquement destiné à Strathclyde. » Ce processus m’a permis d’acquérir une expérience précieuse et de mieux comprendre comment les thèmes MLY pouvaient être mis en correspondance avec ceux du NSS._

J’avais hâte de partager cette expérience tout en apprenant des autres. J’étais également curieuse de voir dans quelle mesure notre modèle développé en interne s’alignait sur l’approche plus large d’Explorance.

L’un des aspects les plus complexes de la création d’un modèle sur mesure réside dans le processus de mise en correspondance lui-même. Déterminer comment l’ensemble complet des thèmes MLY doit s’aligner sur ceux du NSS nécessite du temps et une réflexion approfondie.

Heureusement, MLY rend l’aspect technique de la personnalisation relativement simple. Les thèmes peuvent être renommés, réorganisés et restructurés via une interface simple de type « glisser-déposer ». Bien que le processus de mise en correspondance nécessite un investissement initial, il en vaut absolument la peine car il permet de gagner énormément de temps à long terme. »

Comment le modèle NSS personnalisé transforme l’analyse qualitative

Le développement du modèle personnalisé Explorance MLY NSS apporte de nouveaux gains d’efficacité et de nouvelles capacités. Les participants ont décrit comment ce modèle allait modifier leur approche lorsque les données seront directement mises en correspondance avec les thèmes qualitatifs fondamentaux du NSS, et à quel moment ils prévoient de l’utiliser.

Lorna : « Je ne dirais pas nécessairement que notre approche globale changera radicalement, mais le modèle personnalisé rendra le processus de reporting bien plus efficace.

« Le principal avantage est qu’il élimine une grande partie du codage manuel, car les thèmes ont déjà été mis en correspondance et structurés au sein du modèle. Nous l’utiliserons lors de notre prochain cycle de reporting NSS – qui approche à grands pas, d’ailleurs, puisque les résultats sont attendus le mois prochain.

Nous souhaitons également exploiter davantage les fonctionnalités supplémentaires de MLY, en particulier les fonctions de synthèse qui identifient les recommandations clés, les axes d’amélioration et les points forts de l’établissement.

Ces fonctionnalités nous aident à faire émerger des informations importantes à partir de grands volumes de commentaires en texte libre que nous n’avions tout simplement pas les ressources nécessaires pour analyser auparavant. Nous pourrons ainsi intégrer des analyses qualitatives plus riches dans nos rapports et fournir des informations plus pertinentes aux parties prenantes de toute l’université.

J’ajouterais toutefois une mise en garde importante : les résumés de MLY constituent un excellent point de départ, mais ils doivent toujours être vérifiés par un réviseur humain. Les établissements souhaiteront souvent intégrer leur propre terminologie et leur propre compréhension du contexte avant de diffuser plus largement les résultats. Même avec cette réserve, cela améliore considérablement notre capacité à établir des rapports.

Nous envisageons également d’utiliser le modèle NSS comme base pour créer à l’avenir des modèles personnalisés destinés à d’autres enquêtes institutionnelles. »

Ufuoma : « Pour nous, cela représente un véritable changement transformateur. Comme je l’ai mentionné précédemment, notre approche antérieure reposait largement sur la recherche par mots-clés, ce qui signifiait que la découverte d’informations était souvent réactive. Avec MLY, nous évoluons vers une découverte proactive.

Au lieu de devoir savoir à l’avance ce que nous recherchons, la plateforme aide à identifier automatiquement des thèmes et des tendances, ce qui nous permet de mettre au jour des informations qui, sans cela, resteraient peut-être cachées.

Mettre en place cette fonctionnalité manuellement nécessiterait des semaines de codage et d’analyse. MLY nous permet de passer d’un processus très manuel à un processus où les informations peuvent être générées beaucoup plus rapidement.

Nous sommes particulièrement enthousiasmés par des fonctionnalités telles que les recommandations. C’est une chose de classer les commentaires et d’identifier des thèmes, mais le fait de pouvoir formuler des recommandations claires offre aux dirigeants un chemin beaucoup plus rapide entre les données et l’action.

Par exemple, ils peuvent immédiatement consulter des suggestions concernant ce que les étudiants aimeraient que l’établissement commence à faire, modifie ou cesse de faire. Cette capacité à passer rapidement des données aux informations pertinentes, puis à l’action, est extrêmement précieuse.

Nous souhaitons également explorer la relation entre les données quantitatives et qualitatives. Bien qu’il ne soit pas toujours possible d’établir un lien direct et univoque entre les notes des enquêtes et les commentaires individuels, le Feedback qualitatif peut certainement aider à expliquer pourquoi certains résultats se produisent.

Si nous identifions des domaines où les performances sont excellentes – ou, au contraire, inférieures aux attentes –, nous pouvons examiner les thèmes et commentaires associés afin de mieux comprendre les facteurs sous-jacents. C’est un aspect qui nous enthousiasme beaucoup pour l’avenir.»

Natalie : «L’une des raisons initiales pour lesquelles nous avons adopté MLY était sa fonctionnalité de recommandations. La plateforme ne se contente pas d’analyser les commentaires et de fournir une analyse thématique et des sentiments ; elle identifie également les recommandations formulées par les étudiants.

Cela nous fait gagner un temps considérable et nous aide à nous concentrer rapidement sur les questions que les étudiants jugent les plus importantes.

En ce qui concerne plus particulièrement le modèle NSS personnalisé, l’un des principaux avantages réside dans la cohérence du langage. Lorsque nous communiquons les résultats quantitatifs du NSS, nous utilisons déjà une terminologie et des cadres de référence bien établis. Nous souhaitions éviter de présenter une analyse qualitative en utilisant une terminologie complètement différente, ce qui aurait pu semer la confusion chez les parties prenantes.

Le modèle NSS personnalisé répond à ce défi en alignant l’analyse qualitative sur le langage déjà utilisé dans l’ensemble des rapports NSS. Nous pouvons ainsi partager nos conclusions avec davantage d’assurance, car les parties prenantes peuvent clairement voir les liens entre les indicateurs quantitatifs et les thèmes qualitatifs. Cette cohérence améliore la compréhension et contribue à rendre les enseignements tirés plus accessibles et exploitables. »

Conseils aux établissements envisageant d’adopter le modèle MLY NSS

Pour les établissements qui n’utilisent pas encore le modèle MLY NSS d’Explorance, son adoption offre des avantages évidents. Les intervenants ont partagé leurs recommandations à l’intention de leurs pairs souhaitant tirer le meilleur parti de la plateforme.

Natalie : « Si vous utilisez déjà MLY pour analyser les commentaires de l’enquête NSS, alors pour moi, la décision est simple. Le modèle harmonise la terminologie, structure les thèmes de manière à refléter les rapports NSS et permet une analyse plus approfondie en utilisant un langage que les parties prenantes comprennent déjà. Il rend tout simplement les résultats plus pertinents et plus faciles à communiquer.

Un conseil supplémentaire concerne le filtrage et la segmentation. L’un des principaux atouts de MLY réside dans sa capacité à analyser le Feedback de différents groupes d’étudiants. Bien sûr, vous pouvez filtrer par département, école ou faculté, mais nous l’utilisons également de manière intensive pour l’analyse démographique.

Cela nous permet d’examiner comment les étudiants issus de milieux différents vivent leur parcours éducatif et d’identifier des variations d’expérience qui, sans cela, pourraient rester cachées. Ce type d’analyse peut directement soutenir les plans d’accès et de participation, les initiatives en matière d’égalité et d’inclusion, les dossiers soumis dans le cadre du Teaching Excellence Framework (TEF), la planification stratégique et d’autres priorités.

Comme toute solution basée sur l’IA, MLY continue de s’améliorer au fil du temps. Plus les établissements l’utilisent, plus il gagne en robustesse.

Ce que MLY fait particulièrement bien, c’est de supprimer l’étape la plus chronophage du processus. Au lieu de passer des semaines à classer les commentaires, les chercheurs peuvent consacrer leur temps à l’interprétation et à la compréhension. Concrètement, cela réduit probablement la charge de travail globale d’environ la moitié.»

Lorna : «Une fonctionnalité que j’apprécie particulièrement est la capacité de partage de MLY. Une fois que vous avez tiré des enseignements riches de vos données, l’un des défis permanents consiste à s’assurer que ces enseignements parviennent aux bonnes personnes.

Historiquement, ce processus pouvait s’avérer fastidieux. MLY le simplifie considérablement, car il permet de créer des groupes d’utilisateurs et de contrôler l’accès à l’information. Par exemple, si vous souhaitez qu’une faculté particulière ne voie que ses propres résultats et enseignements, vous pouvez configurer l’accès en conséquence.

Cela rend le processus de diffusion de l’information bien plus efficace et permet aux collègues d’interagir directement avec les données qui les concernent le plus. À Strathclyde, nous continuons d’explorer la meilleure façon d’utiliser ces fonctionnalités, mais c’est sans aucun doute un domaine que nous souhaitons développer davantage.

La possibilité de partager directement des tableaux de bord avec les parties prenantes offre un potentiel énorme pour améliorer l’engagement et accélérer la prise de décision.

Je tiens toutefois à formuler une mise en garde. Comme pour toute solution basée sur l’IA, il est important de reconnaître que tous les commentaires ne seront pas nécessairement classés automatiquement. Il y aura toujours certaines limites, et les établissements doivent être prêts à procéder à un examen supplémentaire si nécessaire. Il est important de comprendre à la fois les atouts et les limites de cette technologie.»

Ufuoma : « L’une des premières choses que je recommanderais est de discuter avec l’équipe d’Explorance. D’après notre expérience, nous les avons trouvés extrêmement ouverts à la discussion, à la collaboration et au Feedback. Si vous avez des questions sur la plateforme, ses fonctionnalités ou son fonctionnement au sein de votre établissement, ces échanges en valent vraiment la peine.

J’encourage également les utilisateurs à explorer les ressources disponibles via la plateforme et la communauté Explorance au sens large. Vous y trouverez des webinaires, des études de cas, des témoignages d’utilisateurs et des exemples d’établissements utilisant déjà MLY. Ces ressources permettent de bien comprendre à quoi s’attendre avant la mise en œuvre.

En fin de compte, cependant, le plus important est de ne pas oublier pourquoi nous faisons cela. Notre objectif n’est pas simplement de classer les commentaires. Notre objectif est d’améliorer l’expérience des étudiants.

La technologie nous aide à passer du Feedback brut à des informations exploitables, mais la véritable valeur réside dans la manière dont les établissements utilisent ces informations pour favoriser l’amélioration. Et je rejoins ce que Lorna a souligné plus tôt : même si la plateforme se charge d’une grande partie du travail analytique, les établissements doivent tout de même examiner les résultats, vérifier leur pertinence et les adapter si nécessaire.

La flexibilité est là : vous pouvez ajuster les thèmes, apporter des modifications et adapter le modèle à votre propre contexte. Ce n’est pas une solution universelle. »