Surpoids, sommeil cassé : la combinaison qui multiplie l'anxiété par six.

Surpoids persistant plus mauvais sommeil : un risque d'anxiété multiplié par six chez les ados.

Deux dettes qui s'accumulent en même temps — c'est l'image qui résume ce que vivent des milliers d'adolescents sans que personne ne le mesure vraiment.

Imaginez deux dettes financières qui grossissent en parallèle. Séparément, chacune est gérable. Ensemble, elles peuvent devenir écrasantes. C'est à peu près ce qu'une équipe de chercheurs chinois vient de démontrer pour le surpoids et le sommeil dégradé chez les adolescents. L'étude a suivi 39 442 adolescents pendant trois ans (2021–2023), en mesurant leur indice de masse corporelle à plusieurs reprises — un peu comme on suit l'évolution d'un compte bancaire, pas seulement son solde du jour. À la fin de la troisième année, les participants ont répondu à des questionnaires standardisés sur leur qualité de sommeil, leurs symptômes dépressifs et leurs symptômes d'anxiété. Le résultat qui arrête : les adolescents cumulant à la fois un surpoids persistant et des troubles du sommeil avaient près de six fois plus de risques de présenter des symptômes anxieux que ceux qui n'avaient ni l'un ni l'autre (OR = 5,94). Ce n'est pas une simple addition — c'est une amplification. Le sommeil joue aussi un rôle intermédiaire : les chercheurs estiment qu'il « transmet » environ 9,7 % du lien entre surpoids cumulatif et dépression. Autrement dit, grossir progressivement dégrade le sommeil, et ce sommeil dégradé aggrave à son tour les symptômes dépressifs. Le hic. Le sommeil, la dépression et l'anxiété n'ont été mesurés qu'au troisième temps de l'étude, pas en continu. On peut donc difficilement affirmer avec certitude ce qui cause quoi. Le surpoids abîme-t-il le sommeil, ou le mauvais sommeil favorise-t-il la prise de poids ? La médiation estimée est une indication sérieuse, pas une preuve de causalité. Cela dit, avec 40 000 adolescents sur trois ans, c'est une des études les plus solides de l'année sur ce sujet.

Cyberharcèlement chez les étudiants : les réseaux publics restent la principale arène.

Posez la question à n'importe quel étudiant de moins de 25 ans : où se passent les conflits sociaux aujourd'hui ? La réponse arrive en quelques secondes.

Ce papier part d'un constat que tout le monde pressent mais que la recherche formalise encore trop peu : les grandes plateformes publiques — celles où n'importe qui peut commenter, partager, harceler — sont le principal terrain du cyberharcèlement chez les étudiants du supérieur. Les chercheurs ont croisé deux outils pour analyser les données récoltées via des enquêtes anonymes et des entretiens. D'abord, l'analyse de sentiment — une technique qui lit automatiquement la tonalité émotionnelle d'un texte, un peu comme un thermomètre qui mesure si le climat d'une conversation est chaud ou glacial. Ensuite, une classification sémantique pour catégoriser les types de comportements rencontrés. L'objectif : cartographier à la fois où ça se passe et ce que ça fait ressentir. Leurs conclusions confirment que l'exposition au cyberharcèlement laisse des empreintes émotionnelles mesurables chez les étudiants — anxiété, honte, repli — et que les plateformes ouvertes au grand public concentrent l'essentiel des incidents. Le hic — et je dois être franc ici. Ce papier n'a pas encore de DOI attribué, ses méthodes restent peu détaillées dans les sources disponibles, et il n'a pas encore été cité par d'autres chercheurs. On ne sait pas combien d'étudiants ont participé, ni dans quel contexte géographique. Ce n'est pas une raison de l'ignorer — le sujet est réel et sous-étudié — mais c'est une raison de ne pas aller plus loin que ce que les données permettent. Je vous le signale parce que savoir ce qu'on ne sait pas encore, c'est aussi de l'information.

Un algorithme prédit le décrochage scolaire en lisant la psychologie des élèves.

Les enseignants expérimentés repèrent souvent les élèves en difficulté avant les premières notes — des algorithmes peuvent-ils faire la même chose, et surtout expliquer leur raisonnement ?

Un modèle de machine learning, c'est souvent une boîte noire : on entre des données, une prédiction sort, et personne ne sait vraiment pourquoi. Une équipe de chercheurs a voulu corriger ça en ajoutant une couche d'IA dite « explicable » — ce qu'on appelle le XAI — à un système conçu pour prédire les performances académiques des étudiants. L'idée est simple à expliquer avec une image : demandez à un juge non seulement de rendre un verdict, mais d'écrire ses motivations. L'IA explicable force le modèle à montrer quelles variables ont pesé dans sa décision — et dans quelle mesure. Ce que l'étude ajoute par rapport aux travaux habituels sur le décrochage : les prédicteurs psychologiques — motivation, régulation émotionnelle — ressortaient comme des signaux pertinents, au même titre que les facteurs démographiques classiques. En d'autres termes, l'état mental d'un étudiant serait aussi lisible pour un algorithme que son code postal ou son niveau d'études parentales. Le hic — et il est double. Premièrement, prédire n'est pas comprendre. Un modèle entraîné sur des données passées reproduit les schémas qu'il a appris, y compris les biais d'un système scolaire qui peut déjà défavoriser certains profils. Si les données d'entraînement reflètent des inégalités existantes, le modèle les amplifie. Deuxièmement, collecter des données psychologiques sur des étudiants soulève des questions sérieuses de confidentialité que l'étude n'aborde pas. L'intention est bonne. Le chemin entre « ça prédit » et « ça aide vraiment » reste long.

Ces trois histoires partagent un fil invisible : on mesure mieux les risques, mais mesurer ne suffit pas à agir. L'étude chinoise nous dit avec une précision impressionnante que le surpoids cumulé et le mauvais sommeil amplifient mutuellement le risque d'anxiété chez les adolescents. L'étude sur le cyberharcèlement nous rappelle que la cour de récréation a migré sur les plateformes publiques. Et le papier sur l'IA nous montre qu'un algorithme peut lire la détresse psychologique dans les données comportementales d'un étudiant. Mais savoir qu'un adolescent cumule six fois plus de risques d'anxiété ne place pas automatiquement une infirmière scolaire dans son couloir. Savoir que les réseaux amplifient le harcèlement ne modifie pas leurs algorithmes de recommandation. Savoir qu'une IA prédit le décrochage ne libère pas les ressources pour intervenir. Ce que la recherche en santé mentale accumule en finesse de mesure, elle ne le traduit pas encore en systèmes d'action. C'est le vrai chantier.

L'étude chinoise sur le sommeil et le surpoids adolescent mériterait un suivi avec des mesures répétées du sommeil et de l'anxiété — pas seulement au dernier temps de cohorte. Gardez un œil sur les travaux de l'équipe si elle publie des données longitudinales complètes. Du côté de l'IA explicable appliquée à la santé mentale scolaire, la question ouverte que j'aimerais voir traitée : ces modèles fonctionnent-ils de la même façon dans des contextes scolaires très différents, ou sont-ils trop dépendants du contexte d'entraînement pour être transférables ?

• Wikipedia FR — Cyberharcèlement : définitions et enjeux
• INSERM — Troubles dépressifs : comprendre la dépression