Au-delà de l'IA : pourquoi la triche étudiante est une habitude bien ancrée et comment y répondre par la pédagogie

Depuis l'irruption de ChatGPT et des autres outils d'intelligence artificielle (IA) générative dans l'espace éducatif, les universités du monde entier semblent prises d'une frénésie technologique. Entre l'achat de logiciels de détection de plus en plus contestés et la réécriture à la hâte des règlements disciplinaires, l'attention s'est focalisée sur cette nouvelle « menace ». Pourtant, cette approche occulte une réalité bien plus profonde et ancienne : l'IA n'a pas créé la triche ; elle n'a fait qu'offrir un canal supplémentaire à des comportements d'évitement de l'effort déjà largement installés chez les étudiants bien avant leur entrée à l'université.

Une analyse approfondie publiée par The Conversation US met en lumière ce phénomène : de nombreux étudiants arrivent dans l'enseignement supérieur avec des habitudes de triche déjà solidement ancrées et rationalisées. Pour les équipes pédagogiques, comprendre que le problème réside dans la relation de l'étudiant à l'évaluation, et non dans l'outil technologique lui-même, est le premier pas vers une véritable transformation des pratiques.

Des habitudes de triche forgées dès le secondaire

Contrairement à l'idée reçue selon laquelle l'université serait le lieu où les étudiants découvrent les dérives de l'académisme, les recherches en psychologie de l'éducation montrent que les comportements de triche se développent massivement dès l'école secondaire. Les travaux fondateurs du chercheur Donald McCabe, menés sous l'égide de l'International Center for Academic Integrity (ICAI), révélaient déjà que plus de la moitié des élèves du secondaire admettaient avoir triché lors d'examens écrits, et qu'une proportion encore plus grande s'était livrée au plagiat ou à la collaboration non autorisée sur des devoirs de maison.

Ce passage du secondaire au supérieur s'accompagne d'un phénomène psychologique bien connu : la « neutralisation ». Les étudiants développent des mécanismes de justification pour atténuer la culpabilité liée à la triche. Parmi ces justifications, on retrouve la perception d'une charge de travail excessive, le sentiment que l'évaluation est injuste ou déconnectée de la réalité, ou encore la pression de la réussite à tout prix imposée par l'institution ou l'entourage. L'IA générative n'est alors perçue que comme un outil d'optimisation du temps face à un système jugé trop exigeant ou bureaucratique.

L'impasse de la réponse purement technologique

Face à ce constat, la tentation de répondre à la triche par la technologie est forte. Pourtant, la traque aux textes générés par IA s'avère être une impasse technique et éthique. Les détecteurs d'IA souffrent d'un taux élevé de faux positifs, pénalisant injustement les étudiants, en particulier ceux dont le français ou l'anglais n'est pas la langue maternelle, comme l'ont souligné plusieurs études universitaires récentes.

De plus, cette approche policière détruit le lien de confiance indispensable à l'apprentissage. Elle installe un climat de suspicion mutuelle où l'enseignant devient un enquêteur et l'étudiant un suspect potentiel. Le Conseil de l'Europe, à travers sa plateforme sur l'éthique, la transparence et l'intégrité dans l'éducation (ETINED), rappelle régulièrement que la répression seule ne permet pas de construire une culture de l'intégrité. Si l'on ne s'attaque pas aux causes profondes de la triche — à savoir la motivation des étudiants et la nature des évaluations —, ces derniers trouveront toujours de nouveaux moyens de contourner les contrôles.

Repenser l'évaluation : les leviers pédagogiques

Pour sortir de cette logique d'affrontement, les établissements d'enseignement supérieur doivent actionner plusieurs leviers pédagogiques majeurs. Il ne s'agit plus d'interdire l'IA, mais de repenser la manière dont nous évaluons les compétences.

1. Concevoir des évaluations authentiques et évolutives

L'évaluation traditionnelle, centrée sur la restitution de connaissances ou la rédaction de dissertations standardisées à la maison, est la plus vulnérable à la triche. Les enseignants doivent privilégier des évaluations dites « authentiques », qui placent l'étudiant dans des situations professionnelles ou de recherche réelles. De plus, évaluer le processus plutôt que le produit final s'avère particulièrement efficace. En demandant des livrables intermédiaires (notes de lecture, plans détaillés, journaux de bord, présentations orales d'étape), l'enseignant accompagne l'étudiant dans sa démarche de réflexion et rend l'usage frauduleux de l'IA quasiment impossible ou inutile.

2. Clarifier explicitement les normes et les limites

L'ambiguïté est le terreau de la triche. Les étudiants justifient souvent leurs comportements par une mauvaise compréhension des consignes. Il est crucial que chaque enseignant définisse clairement, pour chaque travail, ce qui est autorisé et ce qui ne l'est pas. L'UNESCO, dans ses directives mondiales sur l'IA générative dans l'éducation et la recherche, préconise l'établissement de chartes claires au niveau des établissements, mais aussi une discussion ouverte en classe au début de chaque semestre sur les frontières de l'usage éthique des outils numériques.

3. Développer un accompagnement méthodologique renforcé

Bien souvent, les étudiants trichent par détresse méthodologique. Face à une page blanche ou à une consigne complexe, l'IA devient une bouée de sauvetage. Renforcer l'apprentissage de la recherche documentaire, de la synthèse d'idées et de la citation des sources est indispensable. Les services d'appui à la pédagogie des universités ont un rôle clé à jouer pour former les étudiants aux compétences informationnelles fondamentales.

4. Instaurer une culture de l'honnêteté académique

L'intégrité ne doit pas être un simple paragraphe dans un règlement intérieur que personne ne lit. Elle doit faire l'objet d'un engagement actif. L'adoption de « codes d'honneur » rédigés et signés par les étudiants eux-mêmes, une pratique courante dans certaines universités nord-américaines, a prouvé son efficacité pour responsabiliser les apprenants et renforcer la pression sociale positive au sein des cohortes.

Quelles perspectives pour l'espace francophone ?

Les universités francophones, qu'elles soient en France, en Belgique, en Suisse ou au Canada, partagent ces mêmes défis. Des initiatives inspirantes émergent. Par exemple, l'Université de Montréal a développé des guides complets sur l'intégrité académique à l'ère de l'IA, mettant l'accent sur la responsabilisation de l'étudiant plutôt que sur la sanction a priori. En Belgique, l'Université de Liège propose des ressources d'auto-formation pour sensibiliser les étudiants aux dérives du plagiat tout en valorisant l'apprentissage actif.

En France, le ministère de l'Enseignement supérieur et de la Recherche a publié des recommandations invitant les établissements à adapter leurs modalités de contrôle des connaissances en intégrant l'IA comme un outil d'apprentissage plutôt qu'en tentant de l'exclure. Les universités françaises explorent de plus en plus les examens oraux, les projets de groupe à soutenance publique et les portfolios de compétences.

Conclusion

La crise de l'intégrité académique que nous traversons n'est pas une crise technologique, mais une crise de sens. L'IA générative agit comme un miroir grossissant de nos propres failles pédagogiques. En déplaçant le curseur de la surveillance policière vers l'accompagnement et la transformation des modes d'évaluation, les équipes éducatives ont l'opportunité historique de redonner de la valeur à l'effort intellectuel et de former des citoyens critiques, honnêtes et préparés aux défis de demain.