Enjeux \u00e9thiques et relationnels<\/h2>\n\n\n\nObjectivit\u00e9 et biais<\/h3>\n\n\n\n
L\u2019IA promet une \u00e9valuation plus objective<\/strong> en \u00e9liminant la variabilit\u00e9 humaine due \u00e0 la fatigue ou aux pr\u00e9f\u00e9rences personnelles. En effet, elle peut \u00ab r\u00e9duire la subjectivit\u00e9 associ\u00e9e \u00e0 la notation humaine \u00bb<\/em> et appliquer des crit\u00e8res constants pour tous (How can artificial intelligence assist teachers with formative and summative assessment? | European School Education Platform<\/a>). Par exemple, l\u2019anonymisation des copies et l\u2019usage d\u2019algorithmes calibr\u00e9s peuvent att\u00e9nuer certains biais de notation li\u00e9s \u00e0 l\u2019enseignant (AI-Assisted Grading: A Magic Wand or a Pandora’s Box? – MIT Sloan Teaching & Learning Technologies<\/a>). Cependant, cette objectivit\u00e9 n\u2019est pas garantie : des \u00e9tudes r\u00e9v\u00e8lent que les mod\u00e8les d\u2019IA peuvent reproduire ou amplifier des in\u00e9galit\u00e9s<\/strong> pr\u00e9sentes dans leurs donn\u00e9es d\u2019entra\u00eenement. Une recherche men\u00e9e par l\u2019organisme ETS a montr\u00e9 que le mod\u00e8le de langage derri\u00e8re ChatGPT \u00ab p\u00e9nalisait davantage les \u00e9l\u00e8ves am\u00e9ricano-asiatiques \u00bb<\/em> que d\u2019autres groupes dans la correction de dissertations (New Evidence Affirms Teachers Should Go Slow Using AI to Grade Essays – FutureEd<\/a>). De m\u00eame, un algorithme entra\u00een\u00e9 sur un corpus non diversifi\u00e9 risque de d\u00e9favoriser des styles d\u2019expression ou des r\u00e9f\u00e9rences culturelles moins repr\u00e9sent\u00e9s (The digital red pen: Efficiency, ethics, and AI-assisted grading – Center for Innovative Teaching and Learning<\/a>). Ainsi, l\u2019IA peut apporter une impartialit\u00e9 accrue<\/strong> si elle est bien con\u00e7ue et surveill\u00e9e, mais elle peut aussi renforcer des biais syst\u00e9miques<\/strong> si l\u2019on n\u2019y prend pas garde.<\/p>\n\n\n\n L\u2019introduction d\u2019une IA \u00e9valuatrice pose la question de la d\u00e9shumanisation<\/strong> de la relation p\u00e9dagogique. Les \u00e9l\u00e8ves accepteront-ils une note \u00ab donn\u00e9e par une machine \u00bb ? D\u2019un c\u00f4t\u00e9, si la correction est per\u00e7ue comme juste et transparente, l\u2019IA pourrait \u00eatre un tiers neutre<\/strong> \u00e9vitant d\u2019\u00e9ventuels a priori entre un enseignant et un \u00e9l\u00e8ve. D\u2019un autre c\u00f4t\u00e9, le risque est de voir diminuer les interactions personnalis\u00e9es qui motivent et engagent les \u00e9tudiants. Des \u00e9ducateurs s\u2019inqui\u00e8tent d\u2019une possible \u00ab corrosion de la relation \u00e9tudiant-enseignant si le feedback personnalis\u00e9 et nuanc\u00e9 est remplac\u00e9 par des r\u00e9ponses standardis\u00e9es de l\u2019IA \u00bb<\/em> (The digital red pen: Efficiency, ethics, and AI-assisted grading – Center for Innovative Teaching and Learning<\/a>). Le soutien empathique<\/strong> et les encouragements d\u2019un enseignant humain ne peuvent \u00eatre totalement reproduits par une machine. L\u2019id\u00e9al serait donc une compl\u00e9mentarit\u00e9<\/strong> : l\u2019IA g\u00e8re les aspects objectifs et r\u00e9p\u00e9titifs, tandis que l\u2019enseignant se concentre sur l\u2019accompagnement individuel et la dimension \u00e9motionnelle (The digital red pen: Efficiency, ethics, and AI-assisted grading – Center for Innovative Teaching and Learning<\/a>). Cette collaboration pourrait m\u00eame renforcer la relation, l\u2019enseignant disposant de plus de temps pour des \u00e9changes de qualit\u00e9.<\/p>\n\n\n\n Pour que l\u2019usage de l\u2019IA en correction soit accept\u00e9, il doit \u00eatre transparent<\/strong>. Les \u00e9l\u00e8ves (et leurs parents) ont le droit de savoir si et comment une IA a contribu\u00e9 \u00e0 l\u2019\u00e9valuation de leur travail (The digital red pen: Efficiency, ethics, and AI-assisted grading – Center for Innovative Teaching and Learning<\/a>). Expliquer le r\u00f4le de l\u2019algorithme, ses crit\u00e8res et ses limites est crucial pour instaurer la confiance. Des institutions recommandent d\u2019 \u00ab \u00eatre transparent avec les \u00e9tudiants quant \u00e0 l\u2019usage de l\u2019IA dans la correction \u00bb<\/em> (AI-Assisted Grading: A Magic Wand or a Pandora’s Box? – MIT Sloan Teaching & Learning Technologies<\/a>) afin qu\u2019ils comprennent le processus et ne le per\u00e7oivent pas comme arbitraire. Par ailleurs, la responsabilit\u00e9<\/strong> finale de la note doit \u00eatre claire : l\u2019IA ne fait qu\u2019assister, mais c\u2019est l\u2019enseignant ou l\u2019institution qui reste garant de l\u2019\u00e9valuation. Cette transparence, jointe \u00e0 la possibilit\u00e9 de contestation ou de double correction humaine en cas de doute, est essentielle pour l\u2019acceptabilit\u00e9<\/strong> sociale de l\u2019IA \u00e9valuatrice. Il faut \u00e9viter les cas extr\u00eames d\u2019une IA remise en cause par une autre IA dont les fondamentaux diff\u00e8reraient. Il faudra donc une parole d\u2019autorit\u00e9 qui sera en mesure de trancher les d\u00e9bats. Ces r\u00e8gles sont \u00e0 construire.<\/p>\n\n\n\n L\u2019usage de l\u2019IA ne sera pas identique selon qu\u2019il s\u2019agit d\u2019une \u00e9valuation formative<\/em> (pour apprendre en continu) ou sommative<\/em> (pour sanctionner les acquis en fin de parcours). En \u00e9valuation formative<\/strong>, l\u2019IA peut fournir un feedback imm\u00e9diat<\/strong> et d\u00e9taill\u00e9 sur les travaux des \u00e9l\u00e8ves, favorisant un apprentissage it\u00e9ratif. Dans l\u2019acquisition en autonomie, les temps de blocage sur des exercices sont \u00e0 l\u2019origine de la plupart des \u00e9checs. Ils ralentissent les apprentissages et force le d\u00e9couragement. C\u2019est sur ce point pr\u00e9cis que l\u2019IA aura un puissant effet sur les acquis en aidant les \u00e9l\u00e8ves \u00e0 les d\u00e9passer, comme lors de cours particuliers. L\u2019IA devient \u00e9galement un assistant. Par exemple, un \u00e9tudiant peut soumettre un brouillon de dissertation et recevoir instantan\u00e9ment des indications sur la grammaire, la coh\u00e9rence ou la structure de son texte, puis am\u00e9liorer son travail en cons\u00e9quence (AI-Assisted Grading: A Magic Wand or a Pandora’s Box? – MIT Sloan Teaching & Learning Technologies<\/a>) (The digital red pen: Efficiency, ethics, and AI-assisted grading – Center for Innovative Teaching and Learning<\/a>). Ce retour rapide cr\u00e9e un \u00ab cycle de feedback continu qui offre de nouvelles opportunit\u00e9s de pratique et d\u2019am\u00e9lioration \u00bb<\/em> (The digital red pen: Efficiency, ethics, and AI-assisted grading – Center for Innovative Teaching and Learning<\/a>), ce qui encourage l\u2019apprentissage autonome<\/strong>. Des revues de litt\u00e9rature montrent d\u2019ailleurs que la majorit\u00e9 des recherches en IA \u00e9ducative se concentre sur le formatif, notamment pour donner des r\u00e9troactions en temps r\u00e9el (How can artificial intelligence assist teachers with formative and summative assessment? | European School Education Platform<\/a>). Une \u00e9tude de 2020 a ainsi observ\u00e9 que des \u00e9tudiants ayant acc\u00e8s \u00e0 un syst\u00e8me d\u2019auto-\u00e9valuation par IA ont obtenu de meilleurs r\u00e9sultats et une meilleure compr\u00e9hension, gr\u00e2ce \u00e0 ce soutien constant (How can artificial intelligence assist teachers with formative and summative assessment? | European School Education Platform<\/a>). En revanche, pour l\u2019\u00e9valuation sommative<\/strong>, qui conclut une s\u00e9quence d\u2019apprentissage avec une note certificative, l\u2019IA doit \u00eatre utilis\u00e9e avec prudence. Elle peut servir d\u2019assistance au correcteur<\/strong> pour gagner du temps et harmoniser les notations \u2013 d\u2019ailleurs, dans l\u2019\u00e9tude pr\u00e9cit\u00e9e, l\u2019usage d\u2019un outil automatis\u00e9 a r\u00e9duit le temps de correction des enseignants et accru la pr\u00e9cision par rapport \u00e0 une correction manuelle (How can artificial intelligence assist teachers with formative and summative assessment? | European School Education Platform<\/a>). N\u00e9anmoins, du fait des enjeux de certification, les erreurs de l\u2019IA sont moins tol\u00e9rables dans le sommative : les chercheurs estiment que ChatGPT n\u2019est \u00ab pas encore assez fiable pour \u00eatre utilis\u00e9 dans un test \u00e0 enjeu \u00e9lev\u00e9 ou pour une note finale \u00bb<\/em> (PROOF POINTS: AI essay grading is already as ‘good as an overburdened’ teacher, but researchers say it needs more work<\/a>) sans supervision. En somme, l\u2019IA s\u2019av\u00e8re un excellent tuteur<\/strong> pour l\u2019\u00e9valuation formative, et un assistant potentiel<\/strong> pour l\u2019\u00e9valuation sommative, \u00e0 condition qu\u2019un humain garde un \u0153il critique dans ce second cas.<\/p>\n\n\n\n On l\u2019aura compris l\u2019\u00e9valuation sommative n\u2019est pas dans l\u2019ajustement, elle doit r\u00e9ussir \u00e0 rendre compte des performances de l\u2019\u00e9l\u00e8ve au premier coup. Les outils qui la composent doivent donc \u00eatre beaucoup plus pr\u00e9cis et le travail de l\u2019IA sans \u00e9quivoque. Leur conception repr\u00e9sente un terrain d\u2019am\u00e9lioration de la d\u00e9marche d\u2019\u00e9valuation pr\u00e9cieux dont l\u2019IA correctrice doit se nourrir.<\/p>\n\n\n\n L\u2019IA de correction, bien utilis\u00e9e, peut avoir un effet p\u00e9dagogique positif<\/strong>. En fournissant des retours plus fr\u00e9quents et plus rapides, elle aide les \u00e9l\u00e8ves \u00e0 \u201capprendre et s\u2019am\u00e9liorer de mani\u00e8re it\u00e9rative\u201d<\/em> (The digital red pen: Efficiency, ethics, and AI-assisted grading – Center for Innovative Teaching and Learning<\/a>). Cela encourage les r\u00e9visions successives, l\u2019exp\u00e9rimentation, et permet de combler rapidement les lacunes. Par exemple, un \u00e9l\u00e8ve qui re\u00e7oit imm\u00e9diatement des conseils sur un devoir peut corriger ses erreurs le jour m\u00eame, au lieu d\u2019attendre des jours ou semaines la copie corrig\u00e9e. Sur le long terme, cela peut renforcer l\u2019auto-r\u00e9gulation<\/strong> de l\u2019\u00e9l\u00e8ve, qui s\u2019habitue \u00e0 analyser et am\u00e9liorer son travail de mani\u00e8re autonome. En outre, l\u2019IA peut personnaliser ses retours : en analysant les difficult\u00e9s sp\u00e9cifiques de chaque apprenant, elle pourrait sugg\u00e9rer des ressources cibl\u00e9es, ce qui soutient une p\u00e9dagogie diff\u00e9renci\u00e9e<\/strong>. Cependant, des d\u00e9rives sont possibles. La puissance de l\u2019IA dans l\u2019assistance aux \u00e9l\u00e8ves peut cr\u00e9er une d\u00e9pendance et un aveuglement sur la r\u00e9elle ma\u00eetrise des savoirs. Une collaboration r\u00e9ussie entre l\u2019\u00e9l\u00e8ve et l\u2019IA serait la prise en compte du risque de cette illusion de ma\u00eetrise. Dans la situation actuelle, il appara\u00eet que l\u2019IA disqualifie totalement la notation des devoirs \u00e0 la maison. Les enseignants ne peuvent plus savoir s\u2019ils notent les \u00e9l\u00e8ves sur la ma\u00eetrise d\u2019une comp\u00e9tence vis\u00e9e, ou sur leur capacit\u00e9 \u00e0 masquer la production d\u2019une IA. Il faut donc tirer les le\u00e7ons de ces \u00e9volutions et changer les pratiques p\u00e9dagogiques pour que les \u00e9valuations \u00e9cartent ce nouveau risque.<\/p>\n\n\n\n Mais revenons \u00e0 la logique de correction, si l\u2019IA devient un passage oblig\u00e9 pour avoir une bonne note, certains \u00e9l\u00e8ves pourraient chercher \u00e0 \u201ccontourner\u201d<\/em> l\u2019apprentissage en optimisant leurs r\u00e9ponses pour l\u2019algorithme plut\u00f4t que pour la ma\u00eetrise r\u00e9elle des comp\u00e9tences (The digital red pen: Efficiency, ethics, and AI-assisted grading – Center for Innovative Teaching and Learning<\/a>). Par exemple, ils pourraient adopter un style format\u00e9 uniquement pour plaire \u00e0 la machine, au d\u00e9triment de leur cr\u00e9ativit\u00e9 ou de la profondeur de leur r\u00e9flexion. De plus, si l\u2019enseignant d\u00e9laisse compl\u00e8tement la correction au profit de l\u2019IA, il risque de perdre de vue les progr\u00e8s de ses \u00e9l\u00e8ves<\/strong>. Or, rep\u00e9rer les erreurs r\u00e9currentes (par exemple une s\u00e9rie de phrases mal ponctu\u00e9es dans plusieurs copies) alerte le professeur sur un point \u00e0 retravailler en classe (PROOF POINTS: AI essay grading is already as ‘good as an overburdened’ teacher, but researchers say it needs more work<\/a>). Sans ce suivi, \u00ab l\u2019enseignement de l\u2019\u00e9criture pourrait en p\u00e2tir \u00bb<\/em>, pr\u00e9vient une chercheuse, car le professeur ne verrait plus directement les erreurs pour adapter son cours (PROOF POINTS: AI essay grading is already as ‘good as an overburdened’ teacher, but researchers say it needs more work<\/a>). Il est donc crucial que l\u2019IA n\u2019interrompe pas le dialogue p\u00e9dagogique<\/strong> entre l\u2019\u00e9l\u00e8ve et l\u2019enseignant, mais au contraire le rende plus efficace en lib\u00e9rant du temps pour l\u2019analyse qualitative et la rem\u00e9diation cibl\u00e9e.<\/p>\n\n\n\n Sur le plan m\u00e9thodologique, un avantage attendu de l\u2019IA est l\u2019harmonisation<\/strong> des corrections. Un algorithme donn\u00e9, une fois param\u00e9tr\u00e9, appliquera les m\u00eames crit\u00e8res \u00e0 toutes les copies, l\u00e0 o\u00f9 deux correcteurs humains peuvent diverger. Cela peut am\u00e9liorer l\u2019\u00e9quit\u00e9<\/strong> entre \u00e9l\u00e8ves de classes ou d\u2019\u00e9tablissements diff\u00e9rents. De plus, l\u2019IA peut d\u00e9tecter des \u00e9l\u00e9ments que l\u2019\u0153il humain manquerait par fatigue ou manque de temps, comme une incoh\u00e9rence dans un raisonnement ou une omission par rapport \u00e0 un bar\u00e8me. En combinant l\u2019IA et l\u2019enseignant, on peut imaginer une double correction plus juste : l\u2019IA signale des points \u00e0 v\u00e9rifier et l\u2019humain tranche en dernier ressort. Des initiatives montrent effectivement des gains de pr\u00e9cision. Par exemple, en Chine, un syst\u00e8me de notation automatique utilis\u00e9 dans 60 000 \u00e9coles compare ses scores \u00e0 ceux d\u2019enseignants humains et apprend d\u2019eux, ce qui lui a permis d\u2019atteindre un taux de concordance de 92%<\/strong> avec les correcteurs humains lors d\u2019un test \u00e0 grande \u00e9chelle (Chinese schools are testing AI that grades papers almost as well as teachers | VentureBeat<\/a>). Un tel niveau de coh\u00e9rence sugg\u00e8re que l\u2019IA peut r\u00e9duire les disparit\u00e9s de notation. De m\u00eame, une plateforme comme Gradescope, d\u00e9velopp\u00e9e \u00e0 l\u2019Universit\u00e9 de Californie, parvient \u00e0 r\u00e9duire jusqu\u2019\u00e0 90%<\/strong> le temps consacr\u00e9 \u00e0 la correction de certains devoirs tout en maintenant la fiabilit\u00e9 des r\u00e9sultats (Chinese schools are testing AI that grades papers almost as well as teachers | VentureBeat<\/a>). Ces outils, en apportant une plus grande uniformit\u00e9, peuvent limiter l\u2019injustice per\u00e7ue<\/strong> par les \u00e9l\u00e8ves (tous sont log\u00e9s \u00e0 la m\u00eame enseigne algorithmique). Cependant, assurer l\u2019\u00e9quit\u00e9 ne se r\u00e9sume pas \u00e0 d\u00e9ployer une IA : il faut aussi v\u00e9rifier en continu que l\u2019algorithme lui-m\u00eame est juste. \u00ab Auditer r\u00e9guli\u00e8rement les syst\u00e8mes d\u2019IA quant \u00e0 leur exactitude, leur \u00e9quit\u00e9 et d\u2019\u00e9ventuels biais \u00bb<\/em> fait partie des bonnes pratiques recommand\u00e9es (AI-Assisted Grading: A Magic Wand or a Pandora’s Box? – MIT Sloan Teaching & Learning Technologies<\/a>). L\u2019\u00e9quit\u00e9, c\u2019est enfin la capacit\u00e9 \u00e0 prendre en compte la diversit\u00e9 des productions d\u2019\u00e9l\u00e8ves : une IA saura-t-elle \u00e9valuer \u00e9quitablement un \u00e9l\u00e8ve dyslexique ou non francophone ? Un enjeu m\u00e9thodologique sera d\u2019entra\u00eener et de param\u00e9trer les mod\u00e8les pour qu\u2019ils restent inclusifs<\/strong> et ne p\u00e9nalisent pas involontairement certains profils.<\/p>\n\n\n\n Dans le projet WASPL(https:\/\/www.youtube.com\/watch?v=T03t-Yee_Go) , il est montr\u00e9 de quelle mani\u00e8re il est possible d\u2019am\u00e9liorer la pr\u00e9cision des questions ouvertes en d\u00e9finissant une grille de correction par le cr\u00e9ateur de l\u2019item et en testant cette grille avec la simulation des r\u00e9ponses des \u00e9l\u00e8ves par l\u2019IA. Il est alors possible d\u2019\u00e9viter des \u00e9cueils majeurs et r\u00e9duire ainsi les temps de validation des questions. L\u2019usage de l\u2019IA se fait alors d\u00e8s la conception des questions, pour guider le cr\u00e9ateur d\u2019item dans la formulation des consignes et des grilles de correction.<\/p>\n\n\n\n Du point de vue technique, la question centrale est celle de la fiabilit\u00e9<\/strong> des mod\u00e8les d\u2019IA pour \u00e9valuer correctement des travaux complexes. Les premiers r\u00e9sultats sont prometteurs mais mitig\u00e9s. D\u2019apr\u00e8s des chercheurs, \u00ab les scores d\u2019essai de ChatGPT \u00e9taient globalement similaires \u00e0 ceux d\u2019un enseignant moyen d\u00e9bord\u00e9 \u00bb<\/em> (PROOF POINTS: AI essay grading is already as ‘good as an overburdened’ teacher, but researchers say it needs more work<\/a>). Sur un lot de copies, l\u2019IA a donn\u00e9 une note \u00e0 un point pr\u00e8s de celle d\u2019un humain dans 89% des cas<\/em> (PROOF POINTS: AI essay grading is already as ‘good as an overburdened’ teacher, but researchers say it needs more work<\/a>), ce qui indique une corr\u00e9lation substantielle. Toutefois, cette concordance a vari\u00e9 (parfois autour de 76% dans une autre s\u00e9rie d\u2019essais (PROOF POINTS: AI essay grading is already as ‘good as an overburdened’ teacher, but researchers say it needs more work<\/a>)), et surtout, l\u2019IA a montr\u00e9 des \u00e9carts syst\u00e9matiques : par exemple, elle avait tendance \u00e0 sur\u00e9valuer l\u00e9g\u00e8rement certaines copies faibles (PROOF POINTS: AI essay grading is already as ‘good as an overburdened’ teacher, but researchers say it needs more work<\/a>). Cela souligne que le mod\u00e8le statistique ne \u201ccomprend\u201d pas le contenu comme un humain et peut se tromper sur la qualit\u00e9 r\u00e9elle d\u2019un argument ou d\u2019une id\u00e9e originale. La capacit\u00e9 \u00e0 corriger des productions ouvertes<\/strong> reste un d\u00e9fi majeur. Si l\u2019IA g\u00e8re assez bien des questions semi-ouvertes (r\u00e9ponses num\u00e9riques, courtes explications factuelles), il est plus d\u00e9licat pour elle d\u2019\u00e9valuer une dissertation philosophique, une analyse litt\u00e9raire ou un projet de recherche innovant. Un cas typique : des \u00e9tudiants doivent concevoir une strat\u00e9gie d\u2019entreprise originale. \u00ab Un syst\u00e8me d\u2019IA, si sophistiqu\u00e9 soit-il, aura du mal \u00e0 saisir toutes les nuances, l\u2019originalit\u00e9 et la faisabilit\u00e9 r\u00e9elle d\u2019une telle proposition \u00bb<\/em> (AI-Assisted Grading: A Magic Wand or a Pandora’s Box? – MIT Sloan Teaching & Learning Technologies<\/a>). On peut penser que sans le jugement expert<\/strong> d\u2019un enseignant, un LLM (Large Language Model comme ChatGPT) risquerait , \u00e0 l\u2019heure o\u00f9 nous \u00e9crivons, de passer \u00e0 c\u00f4t\u00e9 de l\u2019ing\u00e9niosit\u00e9 d\u2019une r\u00e9ponse ou, au contraire, de ne pas voir ses incoh\u00e9rences subtiles. Concr\u00e8tement, sur ce type de t\u00e2ches complexes, une IA-LLM pourrait fournir un retour partiel (par exemple sur la clart\u00e9 de la r\u00e9daction), mais ne peut remplacer l\u2019\u00e9valuation holistique d\u2019un humain qui mobilise son exp\u00e9rience du terrain. Il faut prendre en compte que la fiabilit\u00e9 des algorithmes varie selon la nature des questions : tr\u00e8s bonne sur des crit\u00e8res objectifs (orthographe, calculs, faits), les IA ont leur domaine d\u2019expertise. L\u2019approche agentique est une r\u00e9ponse \u00e0 la rigidit\u00e9 d\u2019un mod\u00e8le pr\u00e9cis mais peu enclin aux sch\u00e9mas interpr\u00e9tatifs et aux nuances. Un agent IA sp\u00e9cifique doit \u00eatre mobilis\u00e9 sur son propre domaine d\u2019expertise<\/strong>. Il sera alors en mesure d\u2019aider l\u2019enseignant dans sa correction par la pr\u00e9cision de sa lecture. Le d\u00e9veloppement de tels agents requiert investissement et savoir-faire, ce besoin sp\u00e9cifique est l\u2019argument majeur qui devrait inciter les pouvoirs publics \u00e0 se doter d\u2019IA sp\u00e9cialis\u00e9es dans ces domaines essentiels. Il serait erron\u00e9 d\u2019affirm\u00e9 que la pertinence de l\u2019IA diminue d\u00e8s qu\u2019il faut interpr\u00e9ter une opinion, une cr\u00e9ativit\u00e9 ou un raisonnement transversal. Leur \u00e9volution est constante et si leur acuit\u00e9 n\u2019est pour le moment pas infaillible, il ne s\u2019agit que d\u2019une question de temps et d\u2019investissement.<\/p>\n\n\n\n Faut-il opposer l\u2019IA au correcteur humain ou imaginer leur coop\u00e9ration ? Les \u00e9tudes comparent de plus en plus leurs performances respectives. D\u2019un point de vue quantitatif, certaines IA approchent le niveau humain en coh\u00e9rence de notation, comme vu pr\u00e9c\u00e9demment. Le syst\u00e8me chinois mentionn\u00e9 plus haut, fort de ses dizaines de millions de compositions analys\u00e9es, s\u2019aligne souvent sur le jugement humain<\/strong> (Chinese schools are testing AI that grades papers almost as well as teachers | VentureBeat<\/a>). En outre, il offre des fonctions de feedback automatis\u00e9 (souligner les passages hors-sujet, sugg\u00e9rer des pistes d\u2019am\u00e9lioration) qui augmentent la valeur ajout\u00e9e de la correction <\/strong>(Chinese schools are testing AI that grades papers almost as well as teachers | VentureBeat<\/a>). Cela d\u00e9passe ce qu\u2019un humain peut raisonnablement produire lorsqu\u2019il a des centaines de copies \u00e0 rendre en peu de temps. Les arguments qui d\u00e9fendent la correction humaine semblent tomber un \u00e0 un au fil des mois. Le correcteur humain comprendrait mieux le contexte de l\u2019\u00e9valuation, sachant ce qui a \u00e9t\u00e9 enseign\u00e9 : il suffit d\u2019en informer l\u2019IA par le prompt. Le jugement d\u2019une performance cr\u00e9ative, ironique ou humoristique, d\u2019une pens\u00e9e originale peut \u00e9galement \u00eatre produit par l\u2019IA, mais il s\u2019agit comme on l\u2019a pr\u00e9cis\u00e9 plus haut d\u2019une sp\u00e9cialisation agentique particuli\u00e8re qui est techniquement envisageable, bien que de nombreux d\u00e9fis soient encore \u00e0 relever. La recherche “Laughing Heads: Can Transformers Detect What Makes a Sentence Funny?” a examin\u00e9 la capacit\u00e9 des transformeurs \u00e0 distinguer des phrases humoristiques de phrases s\u00e9rieuses. Bien que les mod\u00e8les aient atteint une pr\u00e9cision de 78 % (les humains sont \u00e0 81,6% Was that Sarcasm?: A Literature Survey on Sarcasm Detection<\/a>) sur des paires de phrases align\u00e9es, ils peinent \u00e0 identifier les \u00e9l\u00e9ments sp\u00e9cifiques rendant une phrase dr\u00f4le (arxiv.org<\/a>). On notera que les efforts de mod\u00e9ration des r\u00e9seaux sociaux par AI sont des terrains d\u2019entra\u00eenement majeur pour r\u00e9soudre les questions du jugement de l\u2019ironie et du sarcasme qui restent pour le moment en chantier.<\/p>\n\n\n\n L\u2019opposition des corrections IA vs humain a donc ses limites : l\u2019id\u00e9al semble \u00eatre un couplage<\/strong> o\u00f9 l\u2019IA fait un premier passage (pour la notation pr\u00e9liminaire et la compilation de points techniques) et l\u2019enseignant repasse derri\u00e8re pour ajuster et valider, surtout les copies aux scores extr\u00eames ou aux contenus atypiques. De cette fa\u00e7on, on b\u00e9n\u00e9ficierait du meilleur des deux : l\u2019efficacit\u00e9 de la machine et la finesse de lecture de l\u2019enseignant correcteur.<\/p>\n\n\n\n Les avanc\u00e9es en Traitement Automatique du Langage Naturel (NLP)<\/strong> sont au c\u0153ur de ces syst\u00e8mes de correction. Les mod\u00e8les d\u2019IA, en particulier les r\u00e9seaux neuronaux de type transformer<\/em>, excellent d\u00e9sormais \u00e0 analyser la syntaxe, la grammaire et m\u00eame \u00e0 r\u00e9sumer le contenu d\u2019un texte. C\u2019est ce qui leur permet de noter des essais en rep\u00e9rant arguments, exemples et structure argumentative. Cependant, le NLP a encore du mal avec la s\u00e9mantique profonde<\/strong> : comprendre l\u2019originalit\u00e9 d\u2019une th\u00e8se, l\u2019humour d\u2019une prose ou la justesse d\u2019une analogie reste tr\u00e8s complexe \u00e0 encoder. \u00c0 c\u00f4t\u00e9 du texte, l\u2019IA investit aussi l\u2019analyse d\u2019\u00e9l\u00e9ments visuels dans les copies. La vision par ordinateur<\/strong> (computer vision) \u00e9largit le champ de la correction automatis\u00e9e aux copies manuscrites, aux sch\u00e9mas, aux graphiques dessin\u00e9s par les \u00e9l\u00e8ves. Des recherches r\u00e9centes ont abouti \u00e0 des prototypes capables de traiter des feuilles d\u2019examen scann\u00e9es : l\u2019algorithme d\u00e9tecte les zones de texte manuscrit, reconna\u00eet l\u2019\u00e9criture<\/strong>, et peut en surligner les mots-cl\u00e9s pertinents pour faciliter l\u2019\u00e9valuation ([2408.12870] Can AI Assistance Aid in the Grading of Handwritten Answer Sheets?<\/a>). Lors de tests sur plusieurs centaines de copies manuscrites, ce genre de syst\u00e8me a permis aux correcteurs humains de gagner environ 30% de temps<\/strong> par copie gr\u00e2ce \u00e0 l\u2019assistance de l\u2019IA ([2408.12870] Can AI Assistance Aid in the Grading of Handwritten Answer Sheets?<\/a>). C\u2019est une piste prometteuse pour corriger non plus seulement des fichiers num\u00e9riques, mais aussi les devoirs papier classiques. De m\u00eame, l\u2019IA peut aujourd\u2019hui \u00e9valuer diagrammes ou des figures<\/strong> : par exemple, un mod\u00e8le combinant vision et NLP peut v\u00e9rifier qu\u2019un graphique fourni par un \u00e9l\u00e8ve correspond aux donn\u00e9es du probl\u00e8me, ou que le sch\u00e9ma d\u2019une exp\u00e9rience de sciences comprend bien tous les \u00e9l\u00e9ments requis. L\u2019\u00e9volution du domaine est rapide, essayer de soumettre l\u2019image d\u2019une question QCM avec les cases coch\u00e9es au stylo \u00e0 ChatGTP, vous constaterez qu\u2019il sait d\u2019ores et d\u00e9j\u00e0 corriger la question. Essayer \u00e9galement de photographier votre r\u00e9ponse manuscrite et soumettez l\u00e0 \u00e0 ChatGPT, il vous fera volontiers la correction. Enfin demander \u00e0 ChatGPT d\u2019identifier quels \u00e9l\u00e9ments d\u2019une photo sont entour\u00e9s en rouge (vous noterez la difficult\u00e9 avec la couleur des poign\u00e9es).<\/p>\n\n\n\n Voici sa r\u00e9ponse :<\/p>\n\n\n\n Les outils entour\u00e9s en rouge dans l’image sont les suivants :<\/p>\n\n\n\n L\u2019essor de l\u2019IA dans la correction des copies appelle une r\u00e9action des d\u00e9cideurs \u00e9ducatifs pour encadrer son usage. Au niveau international, des organismes ont commenc\u00e9 \u00e0 formuler des lignes directrices<\/strong>. En 2022, la Commission europ\u00e9enne a publi\u00e9 un ensemble de \u00ab lignes directrices \u00e9thiques pour les \u00e9ducateurs \u00bb<\/em> afin de clarifier les id\u00e9es re\u00e7ues et de promouvoir un usage responsable de l\u2019IA et des donn\u00e9es dans l\u2019\u00e9ducation (How can artificial intelligence assist teachers with formative and summative assessment? | European School Education Platform<\/a>). De son c\u00f4t\u00e9, l\u2019UNESCO recommande aux acteurs scolaires de se tenir inform\u00e9s des nouveaux outils d\u2019IA et \u00ab d\u2019ajuster les programmes d\u2019\u00e9tudes pour int\u00e9grer l\u2019IA lorsque les b\u00e9n\u00e9fices d\u00e9passent clairement les risques \u00bb<\/em> (How can artificial intelligence assist teachers with formative and summative assessment? | European School Education Platform<\/a>). Ces recommandations incitent les minist\u00e8res et institutions \u00e0 \u00e9laborer des politiques claires<\/strong> sur ce qui est autoris\u00e9 ou non. Par exemple, faut-il obligatoirement informer les \u00e9l\u00e8ves quand une IA est utilis\u00e9e ? Quel degr\u00e9 d\u2019autonomie laisser \u00e0 l\u2019IA dans une notation officielle ? Certaines juridictions pourraient imposer qu\u2019une note finale ne puisse \u00eatre d\u00e9livr\u00e9e par une IA seule sans validation humaine, pour garantir l\u2019\u00e9quit\u00e9 proc\u00e9durale. La r\u00e9gulation<\/strong> doit \u00e9galement traiter de la protection des donn\u00e9es<\/strong> : les copies d\u2019\u00e9l\u00e8ves \u00e9tant des donn\u00e9es personnelles, leur stockage et usage par des services d\u2019IA (souvent fournis par des entreprises priv\u00e9es) soul\u00e8vent des questions de confidentialit\u00e9. Des lois comme le RGPD en Europe s\u2019appliquent, mais des directives plus sp\u00e9cifiques pourraient voir le jour pour l\u2019\u00e9ducation. Enfin, le cadre politique doit anticiper les risques d\u2019usage d\u00e9tourn\u00e9<\/strong> de l\u2019IA : par exemple, \u00e9viter qu\u2019elle ne serve \u00e0 surveiller ind\u00fbment les \u00e9l\u00e8ves ou \u00e0 restreindre la libert\u00e9 p\u00e9dagogique des enseignants. Un \u00e9quilibre est \u00e0 trouver entre l\u2019ouverture \u00e0 l\u2019innovation et la protection des droits des \u00e9l\u00e8ves.<\/p>\n\n\n\n L\u2019arriv\u00e9e de l\u2019IA ne veut pas dire que le m\u00e9tier d\u2019enseignant sera all\u00e9g\u00e9 de toute la partie \u00e9valuation sans adaptation. Au contraire, le r\u00f4le de l\u2019enseignant<\/strong> \u00e9volue et requiert de nouvelles comp\u00e9tences. L\u2019UNESCO souligne que la formation des enseignants<\/em> et l\u2019adaptation de leurs pratiques sont une priorit\u00e9 pour \u00ab assurer une int\u00e9gration efficace de l\u2019IA \u00bb<\/em> dans l\u2019\u00e9ducation (How Can AI Shape Education? A Masterclass for Teachers on the International Day of Education | UNESCO<\/a>). Concr\u00e8tement, les enseignants doivent \u00eatre form\u00e9s \u00e0 la compr\u00e9hension du fonctionnement de ces outils (m\u00eame de fa\u00e7on non technique), \u00e0 l\u2019interpr\u00e9tation de leurs r\u00e9sultats, et aux biais potentiels. Il s\u2019agit de d\u00e9velopper un esprit critique vis-\u00e0-vis de l\u2019IA : savoir quand s\u2019y fier et quand au contraire la remettre en question, voire la tenir strictement \u00e0 distance. Par exemple, un professeur doit pouvoir analyser les suggestions de correction donn\u00e9es par l\u2019IA et d\u00e9cider de les suivre ou non selon le contexte de la copie. Cette formation concerne aussi l\u2019usage p\u00e9dagogique<\/strong> de l\u2019IA : comment s\u2019en servir pour am\u00e9liorer l\u2019apprentissage des \u00e9l\u00e8ves (par ex. en les formant \u00e0 utiliser eux-m\u00eames des outils d\u2019auto-correction), sans cr\u00e9er de d\u00e9pendance, en soulignant les dangers d\u2019une telle d\u00e9pendance. Certaines initiatives voient le jour, comme des AI literacy<\/em> pour enseignants, des modules de d\u00e9veloppement professionnel d\u00e9di\u00e9s aux outils d\u2019IA \u00e9ducative, ou l\u2019int\u00e9gration de ce sujet dans la formation initiale des ma\u00eetres. \u00c0 terme, la capacit\u00e9 \u00e0 collaborer avec une IA pourrait devenir une comp\u00e9tence professionnelle attendue chez les enseignants, au m\u00eame titre que la ma\u00eetrise des outils num\u00e9riques de base.<\/p>\n\n\n\n Un enjeu strat\u00e9gique pour les syst\u00e8mes \u00e9ducatifs est de ne pas \u00eatre de simples consommateurs passifs<\/strong> de solutions d\u2019IA d\u00e9velopp\u00e9es ailleurs, mais de participer activement \u00e0 leur conception afin qu\u2019elles r\u00e9pondent aux besoins locaux. Chaque pays ou institution a son curriculum, ses normes d\u2019\u00e9valuation, sa langue d\u2019enseignement, et il est important que les IA de correction s\u2019alignent sur ces sp\u00e9cificit\u00e9s. Par exemple, une IA con\u00e7ue aux \u00c9tats-Unis pour corriger des essais en anglais selon des standards am\u00e9ricains devra \u00eatre enti\u00e8rement adapt\u00e9e pour corriger des copies de lyc\u00e9ens fran\u00e7ais en philosophie. Cela passe par la constitution de corpus de donn\u00e9es locaux<\/strong> (copies annot\u00e9es, exemples de bonnes copies, etc.) pour entra\u00eener les mod\u00e8les. Les d\u00e9cideurs devraient encourager des programmes de recherche et d\u00e9veloppement dans ce sens. On voit d\u2019ailleurs des pays investir massivement : la Chine, avec le soutien de son gouvernement, a d\u00e9ploy\u00e9 son propre syst\u00e8me national de correction automatis\u00e9e, fruit de 10 ans de d\u00e9veloppement local (Chinese schools are testing AI that grades papers almost as well as teachers | VentureBeat<\/a>) (Chinese schools are testing AI that grades papers almost as well as teachers | VentureBeat<\/a>). Cette approche \u201cmaison\u201d lui assure une certaine souverainet\u00e9 technologique et un contr\u00f4le sur les algorithmes utilis\u00e9s. Sans n\u00e9cessairement tout d\u00e9velopper en interne, d\u2019autres syst\u00e8mes \u00e9ducatifs pourraient au moins \u00e9tablir des partenariats<\/strong> avec les fournisseurs d\u2019IA pour co-construire les outils. L\u2019id\u00e9e est d\u2019\u00e9viter une situation o\u00f9 l\u2019\u00e9ducation publique d\u00e9pendrait enti\u00e8rement de bo\u00eetes noires propri\u00e9taires dont on ne ma\u00eetrise ni le fonctionnement ni l\u2019orientation future. En d\u00e9veloppant une IA \u00e9ducative adapt\u00e9e, on peut \u00e9galement insister sur des valeurs cl\u00e9s : par exemple, programmer l\u2019IA pour valoriser la pens\u00e9e critique, l\u2019originalit\u00e9 et la cr\u00e9ativit\u00e9, et non seulement la conformit\u00e9 \u00e0 un mod\u00e8le. Enfin, cette implication directe permettrait aux institutions d\u2019imposer des exigences \u00e9thiques<\/strong> (transparence des algorithmes, explication des d\u00e9cisions de l\u2019IA, respect de la vie priv\u00e9e) dans la conception m\u00eame des outils, plut\u00f4t que de tenter a posteriori de r\u00e9guler une solution con\u00e7ue sans elles.<\/p>\n\n\n\n L\u2019utilisation de l\u2019intelligence artificielle dans la correction des copies d\u2019\u00e9l\u00e8ves se r\u00e9v\u00e8le un champ riche en promesses, mais qui doit \u00eatre abord\u00e9 avec pr\u00e9caution et discernement. Nous avons explor\u00e9 les principaux enjeux : sur le plan \u00e9thique, l\u2019IA peut am\u00e9liorer l\u2019objectivit\u00e9 tout en posant la question des biais algorithmiques et de la relation humaine dans l\u2019\u00e9ducation ; sur le plan p\u00e9dagogique, elle offre de nouvelles opportunit\u00e9s de feedback et d\u2019apprentissage autonome, \u00e0 condition de ne pas d\u00e9shumaniser le suivi des \u00e9l\u00e8ves ; techniquement, les progr\u00e8s sont d\u00e9j\u00e0 l\u00e0, les possibilit\u00e9s offertes ne sont pas saisies. On peut faire, mais on ne fait pas. Enfin, institutionnellement, son int\u00e9gration requiert des cadres clairs, de la formation et une volont\u00e9 de co-construire des outils align\u00e9s sur les valeurs \u00e9ducatives. L\u2019IA ne doit pas \u00eatre vue comme une menace pour l\u2019enseignant, mais comme un levier de transformation<\/strong> \u00e0 apprivoiser collectivement. En soulageant les t\u00e2ches fastidieuses, elle peut redonner du temps pour l\u2019essentiel : l\u2019accompagnement personnalis\u00e9 et la r\u00e9flexion p\u00e9dagogique. Le d\u00e9fi est d\u00e9sormais d\u2019engager tous les acteurs \u2013 enseignants, \u00e9l\u00e8ves, chercheurs, d\u00e9cideurs \u2013 dans une r\u00e9flexion proactive pour exp\u00e9rimenter, \u00e9valuer et affiner ces technologies en gardant pour boussole la qualit\u00e9 de l\u2019apprentissage et l\u2019\u00e9quit\u00e9. Ainsi, l\u2019IA de correction pourra \u00eatre non pas une simple automatisation<\/strong> du processus existant, mais un catalyseur d\u2019innovation p\u00e9dagogique<\/strong> au service de la r\u00e9ussite de tous les \u00e9l\u00e8ves.<\/p>\n","protected":false},"excerpt":{"rendered":" Introduction L\u2019\u00e9valuation des \u00e9l\u00e8ves est un pilier du syst\u00e8me \u00e9ducatif, mais sa mise en \u0153uvre est chronophage et parfois subjective. L\u2019intelligence artificielle (IA) suscite un int\u00e9r\u00eat croissant pour automatiser ou assister la correction des performances, qu\u2019il s\u2019agisse de devoirs, de dissertations ou d\u2019examens. Cette \u00e9volution apporte autant d\u2019espoirs (rapidit\u00e9, objectivit\u00e9, feedback instantan\u00e9) que de questions…<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_jetpack_memberships_contains_paid_content":false,"footnotes":""},"categories":[1],"tags":[],"class_list":["post-681","post","type-post","status-publish","format-standard","hentry","category-uncategorized"],"yoast_head":"\n![\"\"](\"https:\/\/i0.wp.com\/www.nist.gov\/sites\/default\/files\/images\/2022\/03\/14\/22ITL003_risk-ai-final.jpg?w=640&ssl=1\")
Relation enseignant-\u00e9l\u00e8ve<\/strong><\/h3>\n\n\n\n
Transparence et acceptabilit\u00e9<\/h3>\n\n\n\n
Enjeux p\u00e9dagogiques et m\u00e9thodologiques<\/h2>\n\n\n\n
Correction formative vs sommative<\/h3>\n\n\n\n
Impact sur l\u2019apprentissage des \u00e9l\u00e8ves<\/h3>\n\n\n\n
Pr\u00e9cision et \u00e9quit\u00e9 de l\u2019\u00e9valuation<\/h3>\n\n\n\n
L\u2019IA comme outil de guidance dans la g\u00e9n\u00e9ration des \u00e9valuations<\/h3>\n\n\n\n
Enjeux techniques et scientifiques<\/h2>\n\n\n\n
Fiabilit\u00e9 des algorithmes<\/h3>\n\n\n\n
IA vs correcteur humain<\/h3>\n\n\n\n
NLP et vision pour la correction automatis\u00e9e<\/h3>\n\n\n\n
![\"\"](\"https:\/\/i0.wp.com\/www.wiquid.fr\/wp-content\/uploads\/2025\/02\/image.jpg?resize=370%2C429&ssl=1\")
<\/figure>\n\n\n\n\n
Enjeux institutionnels et politiques<\/h2>\n\n\n\n
R\u00e9gulation et cadre \u00e9thique<\/h3>\n\n\n\n
Formation et r\u00f4le des enseignants<\/h3>\n\n\n\n
Vers une IA \u00e9ducative souveraine et adapt\u00e9e<\/h3>\n\n\n\n
Conclusion<\/h2>\n\n\n\n