Par Jean-François Cerisier , Université de Poitiers L’usage de l’intelligence artificielle générative est désormais massif dans les nouvelles générations étudiantes, bousculant les codes et les enjeux de l’évaluation des connaissances. Voilà qui pose un certain nombre de dilemmes aux universités. Comment peuvent-elles repenser leurs examens pour maintenir la crédibilité des diplômes ? S’il existe vraiment des innovations de rupture dans l’éducation, les usages des intelligences artificielles génératives pourraient être de celles-là. Ce n’est rien moins qu’un nouveau rapport au savoir qui s’instaure sous nos yeux. À l’université, c’est probablement l’évaluation des apprentissages et le risque de triche qui soulèvent le plus de questions. Les fraudes sont difficiles à observer. Par définition la triche est cachée et il est difficile de la différencier des utilisations légitimes des intelligences artificielles génératives. De plus, il n’existe pas à ce jo...
Par Jean-François Cerisier, Université de Poitiers
L’usage de l’intelligence artificielle générative est désormais massif dans les nouvelles générations étudiantes, bousculant les codes et les enjeux de l’évaluation des connaissances. Voilà qui pose un certain nombre de dilemmes aux universités. Comment peuvent-elles repenser leurs examens pour maintenir la crédibilité des diplômes ?
S’il existe vraiment des innovations de rupture dans l’éducation, les usages des intelligences artificielles génératives pourraient être de celles-là. Ce n’est rien moins qu’un nouveau rapport au savoir qui s’instaure sous nos yeux. À l’université, c’est probablement l’évaluation des apprentissages et le risque de triche qui soulèvent le plus de questions.
Les fraudes sont difficiles à observer. Par définition la triche est cachée et il est difficile de la différencier des utilisations légitimes des intelligences artificielles génératives. De plus, il n’existe pas à ce jour en France d’étude robuste qui permettrait de la qualifier et de la quantifier, d’autant que les plateformes de détection de plagiat s’avèrent inopérantes. Peu fiables, celles-ci produisent à la fois des faux positifs et des faux négatifs, comme le montrent l’étude de William H. Walters et celle de Philippe Dessus et Daniel Seyve.
On sait en revanche que les étudiants utilisent massivement les intelligences artificielles génératives. Une enquête du Digital Education Council, publiée en août 2024 montre que 86 % d’entre eux, dans un panel de 16 pays incluant la France, les utilisent, alors qu’une étude, plus récente, du Higher Education Policy Institute, réalisée en février 2025, estime que 92 % des étudiants britanniques y recourent dont 88 % pour des activités donnant lieu à une évaluation.
Face à ce double constat, les universités semblent assez démunies. L’effondrement de leur capacité à maintenir les formats classiques d’évaluation appelle à en repenser radicalement les finalités et les modalités afin de maintenir l’efficacité des formations et la crédibilité des diplômes.
À quoi les évaluations servent-elles ?
Dans l’éducation comme ailleurs, on définit usuellement l’évaluation comme un jugement de valeur porté sur une mesure et destiné à une prise de décision. À l’université, il s’agit donc de proposer aux étudiants des activités, spécifiques ou non, qui permettront de mesurer leurs connaissances et/ou leurs compétences. Celles-ci peuvent prendre différentes formes, dont l’épreuve écrite sur table, l’exposé oral, le mémoire de recherche ou le rapport de stage.
L’évaluation est un processus au service de deux finalités très différentes, potentiellement complémentaires mais le plus souvent confondues.
La première vise à accompagner les étudiants en leur fournissant des informations qualitatives (analyse des progrès et des difficultés, conseils pour y remédier…) et/ou quantitatives (notes) sur leurs apprentissages. Ces éléments leur permettent d’orienter et d’ajuster leurs efforts, alors qu’ils invitent le corps professoral à adapter les leurs aux besoins des étudiants. Pour ces raisons, cette forme d’évaluation est dite « formative » et joue un rôle essentiel dans la réussite des étudiantes et des étudiants.
L’autre finalité, qualifiée le plus souvent de « sommative », vise à rendre compte des connaissances et/ou compétences des étudiants, à une étape donnée d’une formation, souvent à la fin, afin d’autoriser une poursuite d’études, de délivrer un certificat ou un diplôme. Les résultats d’une évaluation sommative sont le plus souvent communiqués selon des modalités quantitatives (notes).
Quelle que soit la finalité d’une évaluation, sa qualité repose d’abord sur son alignement avec les objectifs d’apprentissage visés. Elle doit rendre compte de ce qui est attendu en termes de connaissances et/ou de compétences. Elle doit par ailleurs être fiable, c’est-à-dire mesurer ce qu’elle est censée mesurer et le faire de façon suffisamment fine. Enfin, elle doit procéder de manière équitable, en tenant compte de difficultés rencontrées par les étudiants susceptibles de masquer leurs apprentissages, comme la prise en compte de handicaps invisibles, tels que la dyslexie par exemple.
Qu’est-ce que tricher avec une intelligence artificielle générative ?
Il convient de distinguer nettement la fraude de toutes les autres situations dans lesquelles les étudiants délèguent aux intelligences artificielles génératives tout ou partie des tâches qui leur sont prescrites. Hors évaluation, l’aide attendue des intelligences artificielles génératives constitue également une problématique pédagogique d’une très grande importance mais elle n’entame pas l’intégrité du rapport aux règles universitaires.
La triche est avérée si la production de l’étudiante ou de l’étudiant s’inscrit dans une démarche d’évaluation alors que l’utilisation d’intelligences artificielles génératives a été interdite. Ainsi, la résolution d’un problème de statistique dans le cadre d’un examen de fin de semestre, en recourant de manière dissimulée à ces outils, alors que leur utilisation a été interdite par le corps professoral, relève de la triche. Recourir à la même intelligence artificielle générative comme aide à la réalisation du même problème avec l’accord et l’encadrement de l’enseignant n’en relève pas.
De fait, la triche à l’intelligence artificielle générative ruine la qualité de l’évaluation, en particulier sa fiabilité, puisque l’évaluation ne mesure plus ce qu’elle est censée mesurer. De même, cette fraude entraîne une rupture d’égalité face à l’évaluation. De façon générique, la fraude académique désigne les pratiques estudiantines interdites et/ou trompeuses destinées à obtenir un avantage en termes d’évaluation de leurs performances.
Pourquoi les étudiants fraudent-ils ?
La triche doit être rapportée à ce que représente l’évaluation pour les étudiants. Une publication scientifique récente souligne l’importance que les étudiants accordent à l’évaluation de leurs apprentissages mais aussi les critiques qu’ils formulent à l’égard d’évaluations dont ils estiment que les formes actuelles les rendent stressantes, injustes, opaques, et qu’elles manquent de rétroactions.
Cette pression évaluative s’exerce dans un contexte social et universitaire où l’individualisme, la compétition et le court-termisme sont tels qu’il ne faut pas s’étonner de la montée d’une vision utilitariste des études universitaires et donc de l’affaiblissement de l’exigence morale. Le modèle du « diamant de la fraude » (Wolfe et Hermanson, 2004) identifie les quatre facteurs principaux qui peuvent expliquer (et prédire) toute triche ; rationalisation de l’activité, opportunité de tricher, motivation et capacité perçue.
La confrontation de ce modèle à la problématique de la fraude académique est éclairante. Les quatre facteurs ont du sens dans le contexte universitaire :
La triche permet une forme de forte rationalisation de l’activité avec une maximisation des résultats et une minimisation de l’effort.
L’opportunité de tricher est importante puisque les performances des intelligences artificielles génératives permettent de répondre assez efficacement à la plupart des formats d’évaluation (répondre à des questions de cours, analyser un texte, traiter des données, coder…).
Très forte, la motivation de la triche est liée à la valeur utilitaire attribuée aux études et conduit à privilégier l’obtention d’un diplôme à l’intérêt intrinsèque des apprentissages. Elle répond aussi, de façon étonnante, à une démarche de rééquilibrage des étudiants qui estiment que, s’ils n’utilisent pas les intelligences artificielles génératives, ils sont défavorisés par rapport à ceux qui l’utilisent.
La capacité perçue, enfin, est forte, puisque les intelligences artificielles génératives sont simples à prendre en main, et que même les usages novices les plus maladroits produisent des résultats intéressants.
Que peuvent faire les universités ?
Maintenir les modalités actuelles d’évaluation n’étant pas une option, interdire efficacement l’utilisation des intelligences artificielles génératives et détecter leur utilisation a posteriori n’étant pas possible, les universités vont devoir repenser leur doctrine de l’évaluation.
Recourir plus fréquemment à l’évaluation orale, densifier la surveillance des examens, réviser les chartes des examens, sanctionner davantage les fraudes, élaborer et diffuser des chartes d’usages, concevoir des épreuves qui résistent mieux aux intelligences artificielles génératives sont des pistes importantes qu’il convient de suivre.
Elles ne sauraient pourtant régler le problème, d’autant plus qu’elles sont très coûteuses en temps, denrée rare et chère dans les universités. Une autre voie possible est que les étudiants puissent donner un sens aux évaluations qui les invitent à ne pas tricher.
Pour ce faire, l’une des pistes consiste à séparer strictement les évaluations destinées à accompagner les étudiants dans leurs parcours d’apprentissage, avec l’analyse de leurs difficultés et des pistes pour les aider à les surmonter (évaluations formatives), de celles destinées à valider formellement les étapes de leur formation, avec des notes ou des validations de compétences (les évaluations sommatives).
S’agissant des évaluations sommatives, cela permettrait de les sanctuariser pour en conserver la fiabilité. Sans exclure tout risque de triche, une diminution drastique de leur nombre permettrait d’y concentrer plus de moyens pour limiter les risques de triche.
Ainsi dégagées de leur valeur sommative, toutes les autres évaluations pourraient être conçues autour de leur finalité formative et inciter les étudiants à une sincérité de leur travail pour un meilleur accompagnement.
Il est vrai que cette organisation contrevient à la logique d’évaluation sommative continue qui s’est mise en place ces dernières années. Pas de solution miracle donc, mais un chantier important à ouvrir en n’oubliant pas d’y inclure le corps professoral et les étudiants qui sont, non seulement les premiers concernés, mais aussi les seuls à disposer d’une connaissance intime de la situation.
Jean-François Cerisier, Professeur de sciences de l'information et de la communication, Université de Poitiers
Cet article est republié à partir de The Conversation sous licence Creative Commons. Lire l’article original.