🕓 Temps de lecture 5 minutes

A l'heure de l'IA, il devient difficile de continuer à évaluer les apprentissages comme si les étudiants produisaient seuls, sans assistance, des textes, des analyses ou du code. La question n’est donc plus seulement de savoir si un outil d’IA a été utilisé. Elle consiste à déterminer si une production témoigne réellement des compétences de l’étudiant et de sa maîtrise des acquis d’apprentissage.

L’IA n’est peut-être pas tant une menace pour l’évaluation qu’un révélateur de ses limites. Lorsqu’un agent conversationnel peut produire une réponse satisfaisante à une tâche prévisible, décontextualisée ou essentiellement descriptive, c’est peut-être la tâche elle-même qu’il faut interroger.

Qu'est-ce qu'une évaluation robuste ?

Selon Pascal Detroz (ULiège), une évaluation robuste ne chercherait pas à fixer définitivement des savoirs, mais à accompagner des trajectoires d’apprentissage, dans leur complexité, leur lenteur, leurs bifurcations. Elle valoriserait le doute, la progression, l’erreur féconde, l’effort de réflexion plutôt que le résultat figé. L’évaluation robuste s’intéresserait ainsi autant aux processus qu’aux productions et constituerait davantage un levier d’apprentissage qu’un verdict.

Dans un contexte marqué par l’IA, cette conception prend tout son sens. Une évaluation robuste ne vise pas à interdire l’usage d’outils puissants mais à observer des compétences qui conservent leur valeur lorsque ces outils sont disponibles.

Autrement dit, une évaluation robuste n’est pas une évaluation que l’IA ne peut pas réussir. C’est une évaluation qui permet de distinguer ce qui relève de la production d’un livrable de ce qui témoigne d’une compréhension, d’un jugement et d’une capacité d’action.

Les compétences robustes

Si l’évaluation doit rester pertinente à l’ère de l’IA, encore faut-il identifier les compétences qu’elle cherche à développer et à observer. Il ne s’agit pas nécessairement de compétences que l’IA ne peut pas assister, mais de capacités qui ne peuvent pas être entièrement déléguées à un outil.

Parmi ces capacités figurent notamment l'analyse de situations complexes, l'exercice du jugement critique, la capacité à argumenter et à justifier ses choix, la résolution de problèmes en contexte, la collaboration avec d'autres acteurs, l'adaptation à des situations nouvelles, la réflexion sur sa propre pratique.

Prenons l'exemple d'un étudiant en informatique. Aujourd'hui, il peut demander à une IA de générer plusieurs centaines de lignes de code. Mais cela ne garantit toutefois ni la compréhension du code produit, ni sa pertinence dans un projet réel, ni sa maintenabilité, ni sa conformité aux besoins d'un client.

La compétence réellement robuste n'est donc pas nécessairement la capacité à écrire chaque ligne de code soi-même, mais réside davantage dans la compréhension du problème, l'évaluation des solutions possibles, l'intégration de différents éléments dans un système cohérent et la capacité à exercer un regard critique sur les propositions de l'IA.

Ce sont précisément ces compétences qui continueront à avoir de la valeur, quelle que soit la puissance des outils disponibles demain.

L'importance des situations authentiques

Les compétences robustes se manifestent particulièrement lorsque l’étudiant doit interpréter, adapter et mobiliser ses connaissances dans une situation qui ne ressemble pas à un exercice standardisé.

Plus une tâche est reliée à un contexte réel, à une expérience vécue ou à un problème concret, moins elle peut être résolue par une réponse générique. Une étude de cas locale, l’analyse d’une situation rencontrée en stage, la réalisation d’un projet pour un partenaire réel ou la résolution d’un problème propre à un contexte spécifique sollicitent davantage le jugement que la restitution.

L’enjeu n’est pas de rendre les tâches artificiellement plus difficiles. Il s’agit de leur donner une raison d’être, en demandant aux étudiants de résoudre un problème qui compte, de prendre position, de tenir compte de contraintes, de coopérer ou de produire quelque chose qui a une utilité au-delà de la note.

Du produit au raisonnement

Face à l'IA générative, nous ne pouvons plus nous contenter d'évaluer le produit final.

Une dissertation standardisée, un rapport descriptif ou un exercice de restitution de connaissances avaient déjà, avant l'apparition de l'IA, une valeur pédagogique discutable. Aujourd'hui, leurs limites deviennent simplement plus visibles. Plus une tâche est prévisible, décontextualisée ou mécanique, plus elle est facilement automatisable. À l’inverse, les activités qui mobilisent le jugement, l’interprétation, l’adaptation à un contexte particulier ou la prise de décision argumentée résistent davantage.

L’IA agit alors comme un test de résistance. Elle ne remplace pas nécessairement la compétence, mais elle oblige à préciser ce que l’on souhaite réellement observer.

Dans cette logique, le produit conserve une place importante, mais il n'est plus l'unique objet d'évaluation. Ce qui devient essentiel, c'est la manière dont l'étudiant construit sa réponse, mobilise ses connaissances et exerce son jugement. Nous passons progressivement d'une logique de restitution à une logique de démonstration de compétence.

Rendre le processus observable

Évaluer le raisonnement suppose de rendre le processus d'apprentissage observable. Lorsque l'IA peut contribuer à la rédaction d'un livrable final, il devient utile de recueillir des traces du cheminement de l'étudiant : brouillons intermédiaires, journaux de bord, portfolios, historiques de versions ou encore réflexions méta-cognitives.

L'objectif n'est pas de surveiller davantage, mais de mieux comprendre comment l'étudiant construit ses connaissances, prend ses décisions, intègre les retours qui lui sont donnés et fait évoluer son travail.

Quelques pistes pour soutenir ce processus :

  • des études de cas contextualisées qui nécessitent une adaptation à une situation spécifique ;
  • des défenses orales permettant à l'étudiant d'expliciter ses raisonnements ;
  • des portfolios documentant l'évolution des apprentissages ;
  • des journaux de bord retraçant les étapes d'un projet ;
  • des analyses critiques de productions générées par l'IA ;
  • des évaluations réalisées en plusieurs étapes avec rétroactions successives.

Ces dispositifs ne garantissent pas l’absence d’IA. Ils permettent en revanche de mieux distinguer une production isolée d’une démarche d’apprentissage réellement investie.

Faire de l'IA un objet d'apprentissage

Plutôt que de considérer l'IA uniquement comme un risque, nous pouvons choisir de l'intégrer explicitement dans les dispositifs pédagogiques.

Les futurs diplômés évolueront dans des environnements professionnels où ces outils seront largement présents. Les former à les ignorer serait probablement aussi peu pertinent que d'avoir interdit l'usage des moteurs de recherche il y a vingt ans.

Le défi n'est donc pas seulement de savoir utiliser l'IA, mais de savoir l'utiliser avec discernement.

Une activité d'évaluation pourrait ainsi demander aux étudiants de documenter les prompts utilisés, d'expliquer pourquoi certaines réponses de l'IA ont été retenues ou écartées, d'identifier les erreurs, biais ou limites des résultats obtenus, de justifier les modifications apportées aux propositions générées, de réfléchir à la valeur ajoutée de leur propre contribution.

Dans cette perspective, l’IA devient un objet d’analyse autant qu’un outil de production. Ce qui est évalué n’est pas seulement l’usage de l’outil, mais la qualité du jugement exercé sur ses productions.

Cette capacité à formuler des demandes pertinentes, vérifier les informations obtenues, détecter les biais ou les hallucinations, puis décider de ce qui mérite d’être conservé ou rejeté, devient elle-même une compétence à développer. L’objectif n’est pas de produire plus vite, mais d’apprendre à utiliser ces outils de manière critique, transparente et responsable.

Conclusion

L'arrivée de l'IA ne rend pas l’évaluation obsolète. Elle nous invite plutôt à dépasser la seule question de la fraude ou de la détection pour interroger la finalité même de ce que nous évaluons.

Les étudiants apprennent en fonction de ce qui est valorisé et mesuré. Si nous évaluons principalement la restitution d'informations, ils optimiseront leur capacité à restituer des informations. Si nous valorisons le jugement, l'analyse, l'adaptation et la réflexion critique, ce sont ces compétences qu'ils chercheront à développer.

L’IA ne signe donc pas la fin de l’évaluation mais en révèle les fragilités et nous offre l’occasion de la repenser. Peut-être même de revenir à une question fondamentale : qu’est-ce qui mérite réellement d’être appris et évalué dans un monde où les machines peuvent produire des réponses, mais où les humains demeurent responsables du sens qu’ils leur donnent ?

Pour aller plus loin

Quelques outils pour la route :

  • Outil pour cadrer l'usage de l'IAG dans les travaux écrits (HELMo) - Cet outil propose un modèle de consignes permettant aux enseignants de préciser les modalités d’utilisation de l’IA dans un travail écrit. À travers un Genially explicatif et un document modifiable, il aide à expliciter ce qui est autorisé, attendu ou non dans le recours à l’IA, tout en favorisant la transparence auprès des étudiants.
  • Mesurez la robustesse de vos évaluations à l'ère de l'IA générative (Rochane Kherbouche) - Ce site propose deux outils complémentaires pour analyser vos évaluations à l'ère de l'IA générative : Un diagnostic rapide permet d'estimer leur robustesse grâce à un questionnaire, tandis qu'un audit détaillé d'une consigne met en évidence les points forts, les points de vigilance et les pistes d'amélioration pour mieux aligner l'évaluation sur les apprentissages visés.
  • Arbre de décision sur les travaux à la maison à l'ère de l'IA (Manuela Guisset) - Cet un outil pratique accompagne les enseignants dans leurs choix concernant l’utilisation de l’intelligence artificielle par les apprenants. En quelques étapes, il permet de déterminer le niveau d’intégration de l’IA le plus adapté aux objectifs d’apprentissage et aux modalités d’évaluation.
  • Évaluation et outils d’évaluation à l’ère de l’IA (Nicolas Kohen, Technopédia - CPEONS) - Cet article propose des pistes concrètes pour adapter les pratiques d'évaluation dans un contexte où l'IA générative est largement accessible. Il présente différentes stratégies visant à renforcer la validité des évaluations, notamment en valorisant le processus de travail, les productions contextualisées, les épreuves orales et l'utilisation critique de l'IA comme objet d'apprentissage et d'évaluation.
  • Évaluer dans la robustesse (Pascal Detroz, ULiège) - Ce site collaboratif rassemble des réflexions, des ressources et des échanges autour de la pédagogie de la robustesse, une approche qui vise à mieux préparer les apprenants à faire face à l'incertitude et à la complexité. Inspiré des principes de robustesse observés dans les systèmes vivants (diversité, adaptation, coopération, droit à l'erreur, redondance, etc.), il propose des pistes de réflexion sur les méthodes pédagogiques, l'évaluation, le développement des compétences et l'évolution des institutions d'enseignement supérieur.

Un peu de lecture supplémentaire :

  • Évaluer à l’ère de l’IA : une occasion de mieux mesurer les compétences (École branchée) - Ce dossier propose une réflexion sur l'évaluation des apprentissages à l'ère de l'IA générative. Il présente des stratégies, des exemples concrets, des outils et des ressources permettant d'adapter les pratiques évaluatives tout en préservant la validité des apprentissages et le développement des compétences.
  • Comprendre l'IA en 5 minutes (HELMo) - Cet article offre une présentation claire et synthétique de l’IA et de l’IA générative et permet de comprendre les notions de base, le fonctionnement des grands modèles de langage et les principaux usages de l’IA, en particulier dans le contexte de l’enseignement supérieur.