Mon expérience de l'évaluation à l'ère de l'IA générative

Le 20 octobre 2026, j'ai présenté à l'école d'automne une intervention sur l'évaluation à l'ère de l'IA générative. Plutôt qu'un cadre théorique de plus, j'ai voulu partager ce que j'ai réellement essayé dans mes cours, ce qui a fonctionné, et surtout ce qui n'a pas fonctionné. Ce billet en reprend l'essentiel.

Avant, interdire et surveiller

Quand j'enseignais la programmation à l'ÉTS et à l'UQAM, la réponse allait de soi. Il fallait interdire et surveiller. Des outils comme Safe Exam Browser verrouillent le poste pendant l'examen et empêchent l'accès à d'autres applications. Dans ce contexte, la logique tenait la route.

Aujourd'hui, mes cours portent sur l'IA en éducation. Interdire l'IA n'y a pas de sens professionnel, car mes étudiantes et mes étudiants l'utiliseront dans leur pratique, et ils y voient d'ailleurs autant des bénéfices que des défis (Chan et Hu, 2023). La question n'est donc plus de savoir si l'IA est permise, mais de décider, évaluation par évaluation, ce que je certifie.

Quoi évaluer, au juste ?

On répète souvent que l'évaluation doit se recentrer sur ce que la machine ne peut pas facilement reproduire, comme la pensée critique, la créativité, la résolution de problèmes complexes, la collaboration, les compétences transversales (Swiecki et al., 2022). C'est juste, mais c'est plus facile à dire qu'à faire, et la réponse dépend de la matière comme de l'objectif d'apprentissage visé. Pour organiser mes choix, je me suis appuyée sur l'AI Assessment Scale (Perkins et al., 2024), qui distingue cinq niveaux, d'une tâche réalisée sans IA jusqu'à une exploration créative de l'IA, et qui aide à rendre les attentes explicites pour chaque évaluation.

Quatre sessions, quatre régimes

Interdire en partie (TEN-7030, 2025)

Dans Intelligence numérique en éducation, le régime variait d'une évaluation à l'autre. Un travail « suspecté » d'avoir été généré par une IA recevait la note de zéro. Sur certains travaux, l'IA était permise en soutien à condition de fournir le lien de partage de la conversation, avec une pénalité de dix points si un usage était « détecté » sans lien. Certaines consignes, elles, ont bien fonctionné. Pour l'activité de fouille de données, je demandais une capture d'écran par étape et le fichier CSV modifié. J'évaluais le chemin, pas seulement le résultat. L'affiche scientifique était aussi évaluée par deux pairs.

Avec le recul, ce régime reposait sur des bases fragiles. Les détecteurs sont peu fiables, et un « style IA » n'est pas une preuve qu'on peut défendre. Plusieurs tâches étaient faciles à déléguer, puisque des synthèses des articles à critiquer circulaient déjà. Et sanctionner sur un soupçon installe un climat de méfiance qui nuit à la relation pédagogique.

Permettre et déclarer (TEN-7018, été 2026)

J'ai donc changé de logique en choisissant de tout permettre et de tout déclarer. Le principe était simple. L'IA peut être un point de départ, jamais le point d'arrivée. Lui faire produire les analyses, les recommandations et les jugements demeurait interdit. Chaque travail était accompagné d'un tableau de déclaration qui précisait l'outil et la date, la section concernée, un lien ou une capture de la conversation, et quelques lignes sur ce qui avait été gardé, modifié ou rejeté, et pourquoi. Une déclaration sans trace entraînait une pénalité de 5 %.

Cette approche m'a appris trois choses. D'abord, la charge de vérification est réelle, car lire des requêtes, ouvrir des liens et comparer des versions allonge nettement la correction. Ensuite, la déclaration risque de devenir un rituel, bien rédigé mais peu réflexif. Enfin, la frontière reste floue. Où s'arrête la reformulation, où commence l'analyse produite par l'IA ?

Reconcevoir la tâche (TEN-6030, automne 2026)

Cette session, j'ai ajouté une évaluation plus ancrée, construite autour de REPERE, un tableau de bord simulé de prédiction du décrochage conçu pour le cours. L'outil est propre au cours, ce qui limite les réponses toutes faites. Un sélecteur de semaines oblige à observer dans le temps, puisqu'une seule visite ne suffit pas. Chaque réponse doit citer un élève fictif, une valeur et une semaine, ce qui rend les preuves vérifiables. La dernière question demande si le jugement initial a changé, et à quel moment.

Évaluer l'usage de l'IA (TEN-7031, hiver 2027)

Dans IA : éducation, formation et capacitation, je ferai un pas de plus en évaluant l'usage de l'IA lui-même, et en laissant une place à l'agentivité des étudiants dans l'évaluation. Le cours s'organise en trois temps. La maîtrise se vérifie sans IA, en contexte supervisé, à partir d'une situation inédite à analyser. La mobilisation se fait avec l'IA, à partir d'un dossier réaliste, qui inclut des conversations avec une IA générative, dont il faut analyser les effets et proposer des améliorations. Le transfert se démontre lors d'une défense individuelle où il faut concevoir un dispositif, expliquer ses interactions avec l'IA et répondre à une nouvelle contrainte.

Pour rendre le raisonnement visible, les échanges avec l'assistant du cours sont conservés, et l'étudiant surligne les passages significatifs. Ces échanges ne sont pas notés en eux-mêmes. Les passages surlignés montrent plutôt où l'étudiant a questionné une proposition, repéré un risque, modifié son projet ou justifié une décision. C'est la manière dont les concepts du cours ont guidé ses décisions que j'évalue. Une hypothèse reste à vérifier. Un journal de correction et une rétroaction des étudiants sur l'équité perçue me diront si ce dispositif tient ses promesses.

Ce que je retiens

De ces quatre sessions, je tire quelques pratiques que je continuerai d'appliquer.

Trianguler les preuves. Croiser l'écrit, l'oral, les traces et l'évaluation par les pairs, et garder au moins un moment sans IA, au service de l'apprentissage.
Évaluer de façon progressive. Découper les projets en étapes avec des retours réguliers, par exemple un court quiz chaque semaine.
Encourager la collaboration. Proposer des travaux d'équipe où les étudiants construisent ensemble des connaissances tout en développant des compétences interpersonnelles.
Miser sur l'authenticité. Faire des exercices en classe, choisir des sujets récents, idéalement hors du périmètre d'entraînement des modèles, s'appuyer sur des situations vécues et suivre la performance en continu. C'est là que mes recherches en modélisation de l'apprenant rejoignent ma pratique, puisqu'à l'hiver 2027, j'expérimenterai des tuteurs adaptatifs dans mes cours.

Je crois aussi qu'il faudra former les étudiants comme les enseignants à reconnaître les textes générés par IA. Les détecteurs automatiques échouent, mais des lecteurs entraînés repèrent assez bien certains signes, comme une grammaire trop parfaite, l'absence de digressions, un style trop lisse, peu d'originalité. Mais au fond, ma conviction après ces quatre sessions est que la réponse aux usages inappropriés de l'IA sera d'abord pédagogique et organisationnelle, bien plus que technologique.

→ Voir les cours que j'enseigne

Références