Concevoir des examens en ligne à l’ère de l’intelligence artificielle: qu’évaluer et comment?

Cet article résume la présentation qui s’est tenue à Lausanne le 30 mai 2026 (les diapositives sont accessibles en bas de page). Dans ce résumé, les termes « intelligence artificielle » (IA) générative et « grands modèles de langage » (LLM) sont interchangeables.

Défis éducatifs

Un défi général que pose l’utilisation de l’IA, est que la fracture numérique alimente la fracture sociale. Cette fracture se creuse de différentes manières : 

1. L’accès à des versions payantes ou gratuites de LLM (ressources économiques) ; 
2. Le fait d’être entouré∙e ou non d’adultes ayant des notions de base de l’IA (ressources sociales) ;
3. Le mode d’utilisation des LLM, qui va d’un rôle de consommateur à celui de co-créateur (auto-régulation);
4. Des différences liées au genre apparaissent également, car la gent féminine a tendance à utiliser l’IA que si elle est explicitement autorisée, contrairement à la gent masculine.

Face à ces défis, le système éducatif a davantage de difficultés à réduire les inégalités sociales, en plus de la responsabilité d’intégrer les LLM aux compétences numériques.

Enseigner avec l’IA

L’IA est employée pour soutenir l’apprentissage, par exemple pour produire des fiches, des chansons ou des questions de révision. Pour les formatrices et les formateurs, l’IA peut être un outil ou carrément un partenaire dans la planification : un bénévole peut, dans le premier cas, générer du contenu ou des questions avec l’IA pour les participant∙e∙s ; dans le deuxième cas, il peut employer l’IA pour planifier ses cours en tenant compte de critères spécifiques, comme le concept Universal Design Learning ou le niveau de connaissance.
Les formatrices et formateurs peuvent également se concentrer sur la manière dont leurs élèves apprennent et raisonnent, et utiliser l’IA à cette fin. Lire les prompts générés par les élèves en est un exemple. 

Évaluer à l’ère de l’IA

Le Dr Eastes souligne que l’IA ne peut pas détecter l’IA. Autrement dit, elle ne peut pas distinguer le travail humain de celui de la machine, qu’il soit parfait ou imparfait. 
Il met en avant neuf manières d’évaluer :

1. Interdire l'utilisation d'ordinateurs pendant l'évaluation – uniquement en classe.
2. Évaluer en rendant l'IA inapplicable (évaluation orale ou surveillance technique).
3. Compléter l'évaluation écrite par une évaluation orale réflexive.
4. Accroître la complexité taxonomique des évaluations.
5. Mettre en place des évaluations nécessitant l'intégration d'éléments authentiques (tirés d’expériences vécues ou de cas d’études réels).
6. Augmenter le nombre d'étapes et d'instructions.
7. Mettre l'accent sur les valeurs d'originalité, d'apprentissage et de pensée critique.
8. Évaluer les progrès et l'approche, plutôt que le résultat seul.
9. Évaluer les compétences plutôt que les simples connaissances.

Les trois premières approches visent à évaluer sans tenir compte des LLM. Dans les trois suivantes, la formatrice ou le formateur n’évalue pas l’application des connaissances, mais évalue la capacité des élèves à évaluer des connaissances ou des démarches (voir la taxonomie révisée de Bloom). Les trois dernières approches intègrent l’IA dans les stratégies pédagogiques.

L’intervenant invite les Olympiades de la science à se concerter sur une approche : Qu’est-ce qu’elles aspirent que les participant∙e∙s apprennent ? Quels usages de l’IA sont autorisés ou interdits durant les examens en ligne ? Comment les associations peuvent-elles contrôler si les interdits ont été respectés ?  Clarifier les attentes permet d’une part de prévenir une évaluation injuste et, d’autre part, de définir ce qu’est la triche.

Enseigner à l’ère de l’IA

Dans l’enseignement, la « cohérence pédagogique » est une notion importante. Elle renvoie à la cohérence entre les objectifs d’apprentissage, les méthodes d’enseignement et les méthodes d’évaluation. Cela favorise la motivation à apprendre et l’apprentissage approfondi. Si l’IA fait partie des outils d’apprentissage et d’enseignement, les objectifs d’apprentissage et les méthodes d’évaluation doivent être adaptés. Des critères d’évaluation tels que la définition de problèmes, la collaboration entre humains et IA ou la créativité pourraient prendre davantage d’importance.

Le cas des Olympiades de la science

L’intervenant suggère de discuter de la vision des Olympiades de la science, avant d’aborder toute forme d’encadrement de l’IA. Il invite les bénévoles à explorer les trois pistes de réflexion ci-dessous, à les combiner ou à en imaginer d’autres :

1. Les Olympiades de la science préparent la relève professionnelle;
2. Les Olympiades de la science offrent un cadre dans lequel des jeunes partagent leur passion pour les sciences;
3. Les Olympiades de la science recrutent les participant∙e∙s les plus motivé∙e s, pas nécessairement les plus compétent∙e∙s (ce qui implique un changement dans le système de sélection).

Discussion et ouverture

Plusieurs bénévoles ont convenu que les Olympiades offrent une belle combinaison entre la formation de la relève professionnelle et un cadre pour partager sa passion pour les sciences. La discussion s’est portée sur la possibilité de recruter en tenant compte de la motivation, sans passer des entretiens ou de visionner des vidéos. Dans le courriel annonçant la qualification au deuxième tour aux Olympiades de philosophie, il y a un hyperlien de désinscription. Ainsi, la personne qui sait qu’elle ne soumettra pas d’essai au prochain tour peut céder sa place. Ce lien est effectivement utilisé. Les Olympiades de mathématiques, de physique et de philosophie proposent au corps enseignant la possibilité de recommander un∙e élève, qui ne s’est pas qualifié∙e pour le deuxième tour, mais qui montre de la motivation ou du potentiel, afin qu’elle ou il continue dans la compétition.

Ces possibilités ouvrent la discussion sur l’encadrement de l’IA à l’échelle de la faîtière sur l’encadrement de l’IA. Les associations souhaitent-elles définir les usages autorisés et les interdits ? La motivation est-elle un critère de sélection au premier tour ? Le comité directeur et les associations se pencheront sur la suite à donner.

Accéder aux diapositives en anglais

Liens

Louvain Learning Lab (2024). Les clés du LLL : Intégrer l’IA générative dans les stratégies pédagogiques (PDF en ligne). Université du Louvain.

Centre de soutien à l’enseignement (2020). In a nutshell: La cohérence pédagogique (PDF en ligne). Université de Lausanne.