L'arrivée massive des outils d'intelligence artificielle générative dans le paysage éducatif a ébranlé l'un des piliers fondamentaux de l'école et de l'université : la confiance dans l'évaluation. Depuis des décennies, le contrat social de l'éducation repose sur un postulat simple : le travail rendu par un élève ou un étudiant est le reflet direct de ses compétences, de son effort et de son assimilation des connaissances. Aujourd'hui, ce lien est rompu. Lorsqu'un étudiant soumet un essai, un code informatique ou une résolution de problème, comment savoir ce qui relève de sa propre réflexion et ce qui a été délégué à une machine ?
Cette situation pose une question vertigineuse pour l'avenir de nos systèmes d'enseignement : que certifie encore un diplôme si la production finale ne garantit plus l'acquisition des compétences sous-jacentes ? Pour répondre à ce défi, des chercheurs tentent de théoriser de nouvelles approches. C'est le cas d'une étude récente publiée sur la plateforme arXiv, intitulée What Does the Credential Still Certify? Cognitive Stewardship for AI-Mediated Education. Ce document, qui est un document de travail (ou preprint) n'ayant pas encore fait l'objet d'une évaluation formelle par les pairs, propose un cadre conceptuel novateur : la « gérance cognitive » (cognitive stewardship).
La rupture du lien entre production et compétence
Pour comprendre l'urgence de la situation, il convient de mesurer à quel point l'IA générative diffère des technologies d'aide précédentes (comme les calculatrices ou les correcteurs orthographiques). L'IA ne se contente pas d'assister ; elle peut prendre en charge l'intégralité du processus de création, de la recherche documentaire à la rédaction finale, en passant par la structuration de la pensée.
Le problème majeur n'est pas uniquement la triche, que les logiciels de détection s'avèrent d'ailleurs incapables de repérer de manière fiable. Le véritable enjeu réside dans la « délégation cognitive ». Lorsqu'un étudiant délègue une partie de son travail à une IA, la trace écrite de sa production ne permet plus d'inférer son niveau d'apprentissage. Si l'évaluation traditionnelle se concentre uniquement sur le produit fini, elle risque de certifier des compétences que l'étudiant ne possède pas en propre. À terme, c'est la crédibilité même des diplômes sur le marché du travail qui est menacée.
Le concept de « gérance cognitive »
Face à ce constat, les auteurs de l'étude publiée sur arXiv proposent de dépasser la simple logique d'autorisation ou d'interdiction de l'IA. Ils introduisent la notion de « gérance cognitive », un cadre de responsabilité partagée entre l'institution, l'enseignant et l'étudiant. Ce cadre repose sur quatre piliers interconnectés :
1. La déclaration d'apprentissage (Learning claim) : L'institution doit définir précisément ce que l'étudiant est censé maîtriser à l'issue du cours. Cette déclaration doit distinguer les compétences purement humaines (comme la pensée critique, l'éthique ou l'empathie) de celles qui peuvent être augmentées par la technologie.
2. La frontière de délégation (Delegation boundary) : Il s'agit de tracer une ligne claire entre ce que l'étudiant peut déléguer à l'IA et ce qu'il doit impérativement réaliser par lui-même pour garantir son apprentissage. Cette frontière est dynamique et varie selon le niveau d'études.
3. Le standard de preuve (Evidence standard) : Comment l'étudiant prouve-t-il qu'il a appris ? Le travail écrit traditionnel ne suffisant plus, il faut concevoir de nouvelles formes de preuves (explications orales, journaux de bord du processus de création, soutenances).
4. Les garde-fous (Safeguards) : Ce sont les mécanismes institutionnels et technologiques mis en place pour vérifier que la frontière de délégation a été respectée et que les preuves fournies sont authentiques.
Des politiques universitaires encore trop superficielles
Pour évaluer la maturité des institutions face à ce défi, les auteurs de l'étude ont audité les directives publiques concernant l'IA générative de 30 universités de premier plan. Pour ce faire, ils ont utilisé une méthodologie originale, bien que comportant des biais inhérents à l'usage de l'IA elle-même : ils ont fait analyser ces politiques par quatre modèles de langage différents, guidés par une grille d'évaluation stricte, afin de minimiser les biais d'interprétation humaine.
Les résultats de cet audit sont sans appel. Si les universités ont fait des progrès significatifs pour classifier les usages de l'IA (en définissant ce qui est autorisé, restreint ou interdit), elles s'avèrent extrêmement faibles lorsqu'il s'agit d'expliquer comment préserver la validité des diplômes. La majorité des directives se concentrent sur la détection de la triche et la formulation de règles de conduite, mais négligent la refonte des standards de preuve et la redéfinition des compétences à certifier. En somme, les institutions gèrent le risque à court terme, mais ne préparent pas l'avenir de l'évaluation.
Un défi mondial partagé par les instances internationales
Cette réflexion s'inscrit dans un mouvement mondial de prise de conscience. L'UNESCO, dans ses directives mondiales sur l'IA générative dans l'éducation et la recherche, insiste également sur la nécessité de protéger l'autonomie humaine et de repenser les curriculums. L'organisation internationale souligne que l'éducation ne doit pas simplement s'adapter à l'IA, mais doit orienter son développement pour qu'elle serve l'émancipation humaine.
De son côté, la Commission européenne a publié des lignes directrices éthiques sur l'utilisation de l'IA et des données dans l'enseignement. Ces documents convergent tous vers un même constat : l'évaluation doit évoluer d'une logique de résultat (le produit final) vers une logique de processus (le cheminement de pensée de l'étudiant).
Quelles pistes de transfert pour les équipes éducatives francophones ?
Pour les enseignants et les responsables pédagogiques de l'espace francophone (en France, en Belgique, en Suisse ou au Québec), la transition vers une « gérance cognitive » implique des transformations concrètes dans la conception des cours et des examens :
Privilégier l'évaluation de processus : Plutôt que de noter uniquement un rapport final, les enseignants peuvent évaluer les différentes étapes du travail. Par exemple, demander aux étudiants de soumettre leurs versions successives, de documenter leurs requêtes (prompts*) adressées à l'IA, et d'expliquer pourquoi ils ont accepté ou rejeté les suggestions de la machine.
* Développer l'évaluation orale : Le retour à l'oral (soutenances, interrogations, débats en classe) redevient l'un des moyens les plus fiables pour vérifier la compréhension réelle d'un sujet par l'étudiant.
* Concevoir des tâches « authentiques » : Proposer des situations d'apprentissage complexes, ancrées dans le réel, qui nécessitent une adaptation au contexte, de l'improvisation ou des interactions humaines que l'IA ne peut pas simuler de manière convaincante.
* Expliciter le contrat pédagogique : Discuter ouvertement avec les élèves de la « frontière de délégation ». Expliquer pourquoi, dans tel exercice, l'usage de l'IA est interdit (par exemple, pour acquérir des compétences de base en calcul ou en grammaire) et pourquoi, dans un autre, il est encouragé (pour stimuler la créativité ou analyser de grands volumes de données).
En fin de compte, l'IA générative nous oblige à redéfinir ce que signifie « savoir ». Le diplôme de demain ne devra plus seulement certifier la capacité à produire un document conforme aux attentes, mais bien la capacité à penser de manière critique, à collaborer avec des systèmes technologiques complexes tout en conservant son autonomie intellectuelle. C'est à ce prix que la valeur de nos certifications pourra être préservée.
Discussion
Posez vos questions et partagez votre point de vue. Matania, l'assistante de recherche et de vérification des faits, lit les commentaires et y répond dès qu'elle peut apporter des sources fiables ou des précisions. Les liens ne sont pas autorisés : citez vos sources par leur nom.