L'avènement des grands modèles de langage (LLM) a plongé l'enseignement supérieur dans une crise existentielle profonde. Lorsque les étudiants disposent d'outils capables de rédiger des dissertations, de résoudre des équations complexes et de générer du code informatique en quelques secondes, le modèle traditionnel des devoirs à la maison s'effondre. Face à ce constat, les enseignants sont confrontés à un choix : tenter d'interdire l'invisible ou repenser de fond en comble leur ingénierie pédagogique.
Une initiative particulièrement éclairante a été menée au sein de l'Université de Washington Bothell, pour le cours d'introduction à l'intelligence artificielle (référencé CSS 382). Les détails de cette restructuration font l'objet d'un document de recherche publié sur la plateforme arXiv. Il convient de préciser d'emblée qu'il s'agit d'un preprint (une prépublication n'ayant pas encore fait l'objet d'une évaluation par les pairs) et qu'il reflète l'expérience spécifique d'une seule institution. Néanmoins, la méthodologie employée et les conclusions tirées offrent des pistes de réflexion précieuses pour l'ensemble de la communauté éducative mondiale.
Le constat : l'obsolescence des devoirs traditionnels
Le point de départ de cette refonte est un constat d'impuissance technologique : les LLM actuels sont capables de valider la quasi-totalité des travaux pratiques d'un cours d'introduction à l'IA classique. Les exercices de programmation d'algorithmes de recherche, les calculs de processus de décision markoviens ou les implémentations d'apprentissage par renforcement ne constituent plus des barrières cognitives suffisantes pour évaluer l'acquisition réelle des compétences par les étudiants.
Plutôt que de figer le programme ou de se lancer dans une course aux armements perdue d'avance avec les détecteurs de plagiat par IA (dont l'inefficacité et les biais sont aujourd'hui largement documentés), l'équipe pédagogique a choisi de transformer la menace en opportunité. L'objectif est devenu double : maintenir un socle théorique rigoureux tout en apprenant aux étudiants à maîtriser et à comprendre l'outil qui menace précisément leur évaluation.
Comprendre l'outil en le construisant de toutes pièces
La première décision majeure a consisté à modifier le contenu même du cours. Tout en conservant le cœur classique de la discipline (recherche adverse, logique, probabilités), les enseignants ont intégré un nouveau module pratique : la construction d'un grand modèle de langage à partir de zéro (from scratch).
Cette approche repose sur un principe pédagogique fort : on ne peut utiliser de manière éthique et critique un outil que si l'on en comprend l'architecture interne. En codant eux-mêmes les mécanismes d'attention et les couches de neurones de base, les étudiants démystifient l'illusion de « l'intelligence » de la machine. Ils appréhendent concrètement les limites techniques, les biais statistiques et le coût computationnel de ces technologies. L'IA n'est plus seulement un assistant pour faire ses devoirs, elle devient l'objet d'étude principal.
Une évaluation reconstruite autour de tâches « résistantes à l'automatisation »
Le changement le plus radical concerne le système d'évaluation. Les examens traditionnels sur table et les devoirs de programmation standardisés ont été purement et simplement supprimés. À la place, l'évaluation a été reconstruite autour de trois piliers conçus pour résister à la triche par IA :
1. Les exercices en classe et l'apprentissage actif : Le temps de présence en présentiel est privilégié pour des activités collaboratives, des débats et des résolutions de problèmes en temps réel, où l'enseignant peut observer directement le processus de réflexion de l'étudiant.
2. L'écriture réflexive : Les étudiants sont invités à documenter leur parcours d'apprentissage, à analyser leurs erreurs et à expliciter leurs choix méthodologiques. Cette dimension métacognitive est extrêmement difficile à simuler de manière authentique pour un LLM.
3. Le projet d'équipe défendu à l'oral : Les étudiants travaillent en groupe sur un projet complexe et doivent le soutenir lors d'une soutenance orale rigoureuse. Les questions des enseignants permettent de vérifier instantanément si le code et les concepts ont été assimilés ou simplement générés par une machine.
De plus, la politique relative à l'utilisation de l'IA a subi une inversion totale. Alors qu'elle n'était pas mentionnée dans le syllabus en 2023, son utilisation est devenue obligatoire en 2026. Les étudiants doivent apprendre à collaborer avec l'IA, à l'instar de ce qui se pratique désormais dans le monde professionnel.
La co-construction d'une « Charte des droits des étudiants »
Le cœur de cette expérience réside dans une démarche d'éthique participative. Les enseignants ont mis en place une séquence de délibération au cours de laquelle les étudiants ont débattu, rédigé et adopté une « Charte des droits des étudiants » (Student Bill of Rights) face à l'IA.
Cette charte vise à définir un nouveau contrat pédagogique à l'ère numérique. Elle aborde des questions cruciales telles que :
* Le droit à la transparence : Savoir comment et pourquoi les outils d'IA sont intégrés dans le cursus.
* La protection des données et de la propriété intellectuelle : Garantir que les travaux des étudiants ne servent pas à entraîner des modèles commerciaux sans leur consentement.
* L'équité d'accès : S'assurer que tous les étudiants disposent des mêmes versions des outils (gratuit vs payant) pour éviter de creuser les inégalités socio-économiques.
* Le droit à l'erreur et à l'apprentissage humain : Préserver des espaces d'apprentissage où l'usage de l'IA est volontairement restreint pour permettre le développement de compétences cognitives fondamentales.
Cette démarche responsabilise les apprenants en les impliquant directement dans la gouvernance de leur formation, transformant la relation verticale enseignant-enseigné en un partenariat éthique.
Quelles perspectives pour les établissements francophones ?
Cette expérimentation américaine résonne fortement avec les réflexions menées dans l'espace francophone. En France, le ministère de l'Enseignement supérieur et de la Recherche, ainsi que des instances comme le Conseil supérieur de l'éducation au Québec, incitent de plus en plus les universités à repenser leurs modalités d'évaluation.
Pour les équipes pédagogiques francophones, plusieurs enseignements sont directement transposables :
* Privilégier l'évaluation authentique : Mettre l'accent sur le processus plutôt que sur le produit final. L'évaluation de projets, les portfolios de compétences et les soutenances orales doivent prendre le pas sur les examens écrits standardisés.
* Institutionnaliser le dialogue : Plutôt que d'imposer des chartes d'intégrité académique descendantes et souvent répressives, les établissements gagneraient à co-construire des chartes d'usage de l'IA avec leurs étudiants, à l'image du modèle de l'Université de Washington Bothell.
* Former à la littératie de l'IA : Intégrer des modules de compréhension technique de l'IA, même dans les cursus non scientifiques, pour que les futurs diplômés ne soient pas de simples consommateurs passifs, mais des utilisateurs critiques et éclairés.
En définitive, la présence de l'IA générative dans les salles de classe ne doit pas être perçue comme la fin de l'évaluation, mais comme le début d'une ère pédagogique plus humaine, centrée sur l'esprit critique, la collaboration et la métacognition.
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.