L’essor des outils d’intelligence artificielle générative, tels que ChatGPT, interroge profondément les méthodes d’évaluation dans l’enseignement supérieur. Capables de générer des textes élaborés, de résoudre des problèmes complexes et d’assister les étudiants dans la rédaction, ces outils remettent en question les évaluations traditionnelles.

Les enseignants doivent aujourd’hui s’adapter : comment s’assurer que les évaluations mesurent réellement les compétences des étudiants dans un contexte où l’IA peut largement faciliter, voire automatiser, certaines tâches académiques ? L’enjeu est de garantir l’intégrité des apprentissages tout en intégrant ces nouveaux outils de manière réfléchie.

Défis posés par l’IA dans l’évaluation

L’adoption croissante de l’IA par les étudiants soulève plusieurs enjeux critiques :

✅ Difficulté à distinguer le travail humain de celui généré par l’IA

Les outils d’IA générative, tels que ChatGPT, sont capables de produire des textes sophistiqués, rendant complexe la distinction entre un travail original et une production assistée par l’IA. Cette situation remet en question l’authenticité des travaux soumis par les étudiants et pose des défis en matière d’intégrité académique.

✅ Remise en question des méthodes d’évaluation traditionnelles

L’IA offre la possibilité de personnaliser les expériences d’apprentissage, mais son utilisation soulève des questions quant à l’efficacité des méthodes d’évaluation traditionnelles. Il est essentiel de repenser ces méthodes pour s’assurer qu’elles mesurent réellement les compétences des étudiants à l’ère numérique.

✅ Risques d’inégalités entre étudiants

L’accès inégal aux outils d’IA et aux compétences nécessaires pour les utiliser peut creuser les disparités entre les étudiants. Ceux dont les conditions socio-économiques leur permettent d’avoir un accès facilité aux outils numérique, respectivement ceux qui maîtrisent ces technologies pourraient avoir un avantage injuste, accentuant les inégalités existantes.

✅ Fiabilité limitée des outils de détection de l’IA

Les outils actuels conçus pour détecter le contenu généré par l’IA ne sont pas entièrement fiables. Cette limitation complique la tâche des enseignants souhaitant identifier les travaux réalisés avec l’assistance de l’IA, posant des défis supplémentaires en matière d’évaluation. (UNIL – Source plus bas)

Pistes pour adapter les pratiques d’évaluation

Face à ces défis, plusieurs stratégies peuvent être envisagées :

🔹 1. Développer des évaluations ancrées sur la réflexion critique

Plutôt que d’évaluer la simple restitution de connaissances, il est possible d’axer les examens sur la capacité des étudiants à recourir à des outils méthodologiques, argumenter, analyser et interpréter des informations.

🔹 2. Expérimenter l’évaluation en contexte réel ou collaboratif

Les travaux en groupe, les débats, et les études de cas limitent les risques d’abus liés à l’IA en forçant les étudiants à interagir et à justifier leurs idées.

🔹 3. Intégrer l’IA dans l’évaluation de manière contrôlée

Des approches comme l’AI Assessment Scale (AIAS) proposent des échelles d’usage de l’IA adaptées à chaque situation pédagogique, permettant aux enseignants de définir des niveaux d’assistance acceptables pour l’évaluation tout en valorisant l’esprit critique et la justification des choix faits avec l’IA.

🔹 4. Repenser la nature des examens

Des formats tels que le portfolio numérique, les journaux de bord réflexifs et les évaluations orales deviennent des alternatives pertinentes à l’écrit traditionnel.

🔹 5. Évaluer progressivement les travaux longs

Les travaux longs comme les TM, les TPA, les TD ou les TIP et TPI sont souvent évalués uniquement sur un livrable final. Pour limiter les risques qu’un étudiant délègue intégralement la tâche à l’IA, une évaluation sommative par étapes (carnets de bord, soutenances intermédiaires, validations de jalons) permettrait de mesurer l’évolution de l’apprentissage.

Invitation à la réflexion

L’intégration de l’IA en éducation ne doit pas être vue uniquement comme un problème à résoudre, mais comme une opportunité pédagogique à exploiter intelligemment. Plutôt que de lutter contre ces outils, il semble plus pertinent d’en analyser les potentiels pédagogiques et d’explorer comment ils peuvent renforcer le développement des compétences des étudiants, notamment en matière d’analyse critique, de réflexion et de production de connaissances.

Ainsi, la question n’est pas uniquement « Faut-il interdire ou autoriser l’IA dans l’évaluation ? », mais plutôt « Dans quelles conditions l’IA peut-elle enrichir les apprentissages sans nuire à l’intégrité académique ? ».

📌 Quelques angles de réflexion à approfondir :

• L’IA va-t-elle redéfinir ce que nous considérons comme une « compétence » pédagogique ?
• Comment rendre l’évaluation plus authentique en mettant l’accent sur le processus plutôt que sur le résultat final ?
• Quelles nouvelles compétences devons-nous enseigner aux étudiants pour qu’ils utilisent l’IA avec discernement et éthique ?

Ressources pour approfondir

📚 Rapport de l’UNESCO sur l’IA en éducation – Analyse des enjeux et recommandations pour une intégration éthique.

Unesco – https://www.unesco.org/fr/digital-education/artificial-intelligence)

📚 Lignes directrices sur l’IA et l’éducation – Document officiel proposant des cadres réglementaires et pédagogiques. – (https://teachertaskforce.org/sites/default/files/2023-06/2022_EC_lignes-directrices-utilisation-IA_FR.pdf )

📚 UNIL – https://wp.unil.ch/iaunil/lauthenticite-des-productions-academiques-a-lere-de-lia-une-humble-reflexion-sur-levolution-de-nos-pratiques-decriture/

Conclusion

Loin de signer la fin de l’évaluation traditionnelle, l’essor de l’IA pousse à une transformation profonde des pratiques pédagogiques et évaluatives. La réflexion collective et l’expérimentation de nouvelles méthodes seront essentielles pour adapter l’enseignement aux défis du numérique.