Alors que les étudiants retournent sur les campus cet automne, de nombreux professeurs abordent l’année universitaire avec une question familière et un nouveau niveau d’urgence. Lorsque l’IA peut rédiger des essais, résumer les lectures, générer du code et répondre à des sujets de discussion, comment les enseignants peuvent-ils savoir si un apprentissage significatif a eu lieu ?
C’est une question à laquelle de nombreux établissements sont activement confrontés. Selon les dernières conclusions de D2L et de Tyton Partners, 47 % des enseignants déclarent que la conception de l’évaluation est la principale pratique d’enseignement qu’ils modifient en raison de l’IA, tandis que 52 % des étudiants déclarent que leurs professeurs ont déjà ajusté les évaluations en réponse.
Le rythme du changement reflète une réalité que de nombreux professeurs reconnaissent déjà. L’IA n’est plus une considération future. Cela influence déjà la façon dont les étudiants apprennent, étudient et terminent les cours. Par conséquent, l’évaluation est devenue l’un des lieux les plus visibles où l’enseignement supérieur est invité à s’adapter.
Au-delà de la conversation sur la tricherie
Les conversations sur l’IA dans l’éducation commencent souvent par des préoccupations concernant l’intégrité académique. Lorsque les étudiants ont accès à des outils qui peuvent générer des résultats soignés en quelques secondes, les travaux traditionnels peuvent sembler plus difficiles à évaluer.
Pourtant, la recherche suggère que se concentrer uniquement sur la détection peut manquer une occasion plus importante. Les enseignants qui ont réagi à l’IA se sont largement divisés en trois groupes : les intégrateurs, qui redessinent les évaluations autour de l’IA ; les défenseurs, qui comptent davantage sur des formats surveillés ; et un groupe plus important qui a apporté relativement peu de changements. La conclusion la plus notable est que les professeurs qui adoptent une approche intégrative font état de meilleurs résultats en matière de participation des étudiants que ceux qui se concentrent principalement sur la restriction.
La distinction est importante, car elle déplace la conversation de la question de savoir si les étudiants utilisent l’IA vers ce que les enseignants essaient de mesurer en premier lieu.
Comme le note le Dr Cristi Ford : « Chaque fois que nous parlons de tricherie, je tremble un peu. La conversation autour de la tricherie est aussi vieille que l’enseignement et l’apprentissage font partie de nos systèmes institutionnels. La différence ici, c’est que nous devons changer fondamentalement notre façon de penser l’évaluation et l’appréciation. »
Repenser la finalité de l’évaluation
L’IA a exposé des questions qui existaient longtemps avant l’arrivée des outils génératifs en classe.
Si un étudiant peut terminer avec succès un travail en utilisant l’assistance de l’IA, quelles connaissances ou compétences ce travail mesure-t-il réellement? L’objectif était-il de produire du contenu? Pour démontrer sa compréhension? Appliquer les concepts? Pour résoudre un problème?
Le Dr. Emma Zone définit le défi de cette façon : « Ce que l’IA a vraiment remis en question, c’est si ce que nous mesurions mesurait réellement ce que nous avions l’intention de mesurer. » Elle ajoute que cela crée une occasion de concevoir des évaluations qui évaluent mieux la pensée critique, l’application des connaissances et la capacité à résoudre des problèmes complexes.
Plutôt que de traiter l’IA comme une menace pour l’évaluation, certains professeurs l’utilisent comme catalyseur pour revoir les résultats d’apprentissage et les méthodes d’évaluation.
Mesurer le raisonnement, et pas seulement les résultats
Bon nombre des approches d’évaluation qui gagnent du terrain partagent une caractéristique commune : elles rendent la pensée des étudiants plus visible.
Cela peut inclure un travail basé sur un projet, des travaux itératifs qui documentent les progrès au fil du temps, des occasions de réflexion ou des activités qui obligent les étudiants à évaluer et à critiquer les résultats générés par l’IA. Ces approches se concentrent moins sur le produit final et plus sur le processus que les étudiants utilisent pour y arriver.
L’objectif n’est pas d’éliminer l’IA de l’apprentissage. Au lieu de cela, il s’agit de créer des expériences d’apprentissage qui obligent les étudiants à analyser, à questionner, à appliquer et à expliquer.
En ce sens, l’IA pourrait pousser l’enseignement supérieur vers des formes d’évaluation qui reflètent plus étroitement la résolution des problèmes du monde réel, où le succès dépend souvent moins de la production d’informations que de leur évaluation, de leur interprétation et d’une action efficace.
Comme le note le Dr Ford, l’occasion est de créer des expériences d’apprentissage où « le processus compte autant que le produit ».
Soutenir le corps professoral pendant la transition
La reconception de l’évaluation nécessite du temps, un soutien et une expérimentation. Tous les formateurs ne peuvent pas revoir un cours entier du jour au lendemain.
La nouvelle encourageante, c’est qu’un soutien ciblé semble faire la différence. Les résultats montrent que les professeurs qui participent à la formation sur la reconception des cours d’IA déploient deux fois plus d’approches d’évaluation que ceux qui ne le font pas.
Cela suggère que les établissements n’ont pas besoin de toutes les réponses immédiatement. Ce dont ils ont besoin, c’est d’investir pour aider les professeurs à explorer de nouvelles approches, à partager des pratiques et à développer leur confiance dans la reconception des expériences d’apprentissage pour un monde basé sur l’IA.
Les établissements qui voient des progrès ne sont pas nécessairement ceux dotés des politiques les plus strictes. Ce sont souvent eux qui créent un espace où les professeurs peuvent expérimenter, apprendre les uns des autres et repenser l’évaluation avec intention.
Perspectives
Alors qu’une autre année universitaire commence, la conversation autour de l’IA dépasse la question de savoir si ces outils appartiennent à l’enseignement supérieur. Au lieu de cela, une question plus importante se pose : comment nous assurer que l’évaluation continue de mesurer ce qui compte le plus?
La réponse peut ne pas résider dans la conception de travaux qui empêchent les étudiants d’utiliser l’IA. Au lieu de cela, il peut être nécessaire de concevoir des évaluations qui révèlent comment les étudiants pensent, raisonnent, résolvent les problèmes et appliquent les connaissances, que l’IA fasse partie du processus ou non. Les professeurs qui adoptent ce changement fournissent déjà un aperçu de ce à quoi pourrait ressembler l’avenir des évaluations.
Explorez les résultats complets de l’étude Temps pour Class 2026 pour apprendre comment les professeurs, les étudiants et les établissements réagissent à l’impact croissant de l’IA sur l’enseignement et l’apprentissage.
Written by:
