Plus de 1 200 enseignants et dirigeants ont rejoint notre récent webinaire : L’IA pratique pour l’enseignement supérieur : conception, évaluation et innovation, avec le Dr Luke Hobson. Au début de la session, Luke a expliqué comment D2L Lumi soutient le développement des cours dans D2L Brightspace. Comme il l’a décrit, D2L Lumi fonctionne comme un assistant au développement de cours qui aide les formateurs à créer et à affiner du matériel plus efficacement. Son exemple a aidé à préparer le terrain pour une conversation plus large sur l’IA dans l’enseignement et l’apprentissage.
Nous savons que tout le monde n’a pas accès à D2L Lumi. La session a donc été consacrée à une exploration plus large d’autres outils et stratégies pratiques que les enseignants peuvent utiliser dès maintenant. La discussion s’est déroulée rapidement et de nombreuses questions sont apparues sur l’évaluation, l’intégrité, l’autonomie et le soutien au flux de travail. Nous avons recueilli les questions les plus fréquentes et rassemblé les réponses ci-dessous.
Vous avez manqué le webinaire? Regardez-le maintenant.
Quelles sont les stratégies pratiques de conception d’évaluation pour les grands cours en ligne asynchrones à l’ère de l’IA?
La demande que Hobson entend le plus souvent de la part des professeurs est simple. Ils veulent de l’aide et des conseils pour repenser les évaluations, maintenant que l’IA fait partie du contexte d’apprentissage. Comme il l’a dit au début du webinaire, de nombreux collègues veulent savoir « ce que vous pouvez faire exactement » pour rendre les évaluations plus résistantes à l’IA et toujours significatives à grande échelle.
Le message encourageant qu’il a partagé était que vous n’avez pas besoin de stratégies entièrement nouvelles. Ce qui est nécessaire, ce sont des évaluations qui font ressortir la pensée des étudiants, et pas seulement l’artefact final.
Des approches qui fonctionnent à grande échelle :
- Donnez la priorité aux preuves du processus. Demandez des brouillons, des points de contrôle, des journaux de décision, de courtes justifications et des moments qui rendent la pensée visible.
- Inclure des « teach backs ». Les étudiants enregistrent de courts « teach backs » où ils choisissent un concept et contribuent à une bibliothèque partagée.
- Intégrez l’interaction avec les pairs dans les preuves d’apprentissage. L’examen et la critique par les pairs réduisent l’uniformité et aident les formateurs à voir le raisonnement.
- Utilisez des formats de réflexion flexibles. Les réflexions écrites, audio ou vidéo peuvent toutes soutenir une articulation plus profonde de la pensée.
- Intégrez l’IA dans le travail. Les étudiants critiquent ou améliorent le travail généré par l’IA et expliquent ce qui a changé et pourquoi.
Hobson a déconseillé de compter sur les outils de détection par l’IA, notant qu’ils sont souvent non fiables et peuvent créer un préjudice réel pour les étudiants. Il a souligné que les établissements ont déjà vu des cas où de faux positifs ont conduit à des conséquences académiques inutiles. Ses conseils étaient de concevoir des évaluations qui rendent visible le raisonnement des étudiants plutôt que de dépendre de la détection a posteriori.
Une règle empirique simple : lorsque les évaluations ne récompensent qu’un produit final soigné, l’IA est très performante. Lorsque les évaluations récompensent le parcours, les décisions et le contexte, les étudiants doivent effectuer l’apprentissage.
Quels sont les navigateurs d’IA agentiques (Atlas, Comet) et quel est leur impact sur l’intégrité académique?
Cette question est revenue à maintes reprises, car les participants voient déjà des outils qui peuvent parcourir, cliquer et effectuer des tâches sur des sites Web. Hobson a expliqué qu’un navigateur agentique donne l’impression d’ouvrir un navigateur ordinaire avec un assistant capable d’agir. Dans un test rapide dans un SGA, il a demandé à Atlas de remplir un journal hebdomadaire, qui a produit l’entrée, puis l’a invité à la soumettre. Il a écrit tout ce texte, puis a offert de le publier, ce qui montre à quelle vitesse le problème d’intégrité apparaît lorsque les outils peuvent agir avec le bon cadrage ou le bon contexte.
Les étudiants expérimentent également ces fonctionnalités. L’un d’eux a même publié publiquement chez un fournisseur pour dire que l’outil « fait mes devoirs », un rappel que les choix de conception d’évaluation comptent plus que d’essayer de tout saisir après coup.
Voici comment concevoir en tenant compte de cette réalité :
- Inclure le travail par étapes et les points de contrôle.
- Évaluez la piste de raisonnement, et pas seulement la soumission finale.
- Localisez la tâche afin que les étudiants doivent puiser dans le contexte personnel ou dans des données spécifiques au cours.
- Intégrez des politiques d’IA explicites et enseignables dans le cours.
Que devrions-nous faire avec les travaux de groupe et le travail basé sur des scénarios lorsque l’IA entre en jeu ?
De nombreux participants ont demandé comment garder le travail de groupe significatif lorsque l’IA peut créer instantanément un premier brouillon. La recommandation de Hobson était de faire passer l’attention du groupe de la production d’un projet à son évaluation et à son amélioration. Dans ses cours, il organise des sessions au cours desquelles les étudiants travaillent avec les résultats générés par l’IA, puis les démontent pièce par pièce pour les renforcer. « Démantelez-les morceau par morceau et créez quelque chose de meilleur », comme il l’a décrit.
Voici quelques façons de traduire cela dans la pratique :
- Attribuez des rôles que l’IA ne peut pas remplacer, tels que concepteur de scénarios, vérificateur de preuves, éditeur et analyste.
- Utilisez des invites basées sur des scénarios qui nécessitent des contraintes et des jugements réalistes.
- Demandez aux groupes de montrer les versions avant et après et d’expliquer les modifications.
- Créez des bibliothèques partagées de critiques plutôt que de projets partagés.
L’apprentissage basé sur des scénarios se traduit également bien dans les formats en ligne. Des outils tels que Gemini Storybook, DALL-E et Runway aident les formateurs à créer des cadres et des personnages qui favorisent la prise de décision appliquée.
Les GPT ou les Gems personnalisés conservent-ils les invites et les données pour la formation, et pouvons-nous les alimenter avec nos propres données?
Il s’agissait de l’une des questions de gouvernance les plus importantes au cours de la session. Les participants veulent tirer parti des assistants personnalisés tout en protégeant les données institutionnelles et des étudiants. Dans la pratique, de nombreux outils vous permettent de personnaliser les assistants avec des instructions de rôle et des sources de connaissances, afin qu’ils réagissent en fonction du contexte. Un Gem fonctionne comme la version de Gemini d’un assistant personnalisé.
Hobson a expliqué que les performances s’améliorent lorsque vous ajoutez des informations pertinentes et de haute qualité. Il a également mis en garde contre le téléchargement de documents sensibles ou réglementés vers des outils publics et a suggéré de s’appuyer sur les options approuvées par l’établissement ou l’entreprise lorsque la sensibilité des données est une préoccupation.
Garde-fous pratiques :
- Ne téléchargez pas de données réglementées, confidentielles ou identifiables des étudiants dans des outils grand public.
- Documenter les sources que l’assistant peut et ne peut pas utiliser.
- Exiger une vérification et un examen humain des résultats.
Les GPT personnalisés et les gemmes sont mieux utilisés pour le remue-méninges, les critiques et les options. Les décisions finales et les tâches à enjeu élevé doivent rester avec les gens.
Les apprenants ont-ils besoin d’un plan payant pour utiliser les GPT personnalisés ou NotebookLM ?
Cette question était souvent formulée comme une préoccupation d’équité. De nombreux outils ont des niveaux gratuits, bien que les fonctionnalités changent. Hobson a encouragé les participants à explorer l’écosystème et a montré comment NotebookLM peut compiler votre matériel et produire des cartes flash, des podcasts, des diapositives, des infographies et des cartes conceptuelles. Au cours de la session, il a confirmé qu’un flux de travail présenté était disponible gratuitement au moment de la démonstration. Concevoir pour un accès inégal et éviter de placer les résultats derrière des murs payants.
Voici des conseils suggérés pour une conception équitable :
- N’exigez pas que les apprenants paient pour des outils pour atteindre des résultats d’apprentissage.
- Fournir des flux de travail alternatifs sans coût.
- Vérifiez d’abord les outils sous licence de votre établissement.
D2L Lumi et les flux de travail pratiques d’IA
Plusieurs participants ont demandé comment D2L Lumi se comparait aux outils d’IA généraux utilisés dans l’enseignement et l’apprentissage. Hobson a démontré comment D2L Lumi fonctionne comme un assistant au développement de cours dans Brightspace. Le générateur d’évaluation utilise la taxonomie de Bloom pour produire des idées alignées, et les options d’activité basées sur des scénarios aident les formateurs à se concentrer sur la conception de l’apprentissage. Il a souligné que l’examen humain reste essentiel pour la qualité.
Ce qui est à retenir de l’avalanche de questions est simple. Concevoir pour obtenir des preuves de réflexion, pour l’itération et pour le contexte. Conservez l’assistance dans les rôles de soutien et gardez le jugement entre des mains humaines.
Outils et ressources mentionnés
Vous souhaitez plonger plus profondément dans les flux de travail mis en évidence par Luke? Explorez D2L Lumi dès aujourd’hui.
Written by:
