Face aux « machines à réponses », que voulons-nous évaluer dorénavant ?

Ces jours-ci, je lis divers textes qui me réjouissent car, une fois passé le choc et la panique relative à la crainte de triche causés par les IAg, certains auteurs commencent à interroger de front les façons d’évaluer à l’université, voire les objets d’évaluation eux-mêmes. Mon collègue Thomas en présente justement un exemple ici. En voici deux autres…

Ainsi, un texte du professeur Santiago Schnell, mathématicien et recteur académique du Dartmouth College, circule pas mal dans les réseaux universitaires. Merci à ma collègue Annick Bourget de l’avoir partagé avec moi. D’après Schnell, la question que les IAg « posent à l’université n’est pas seulement technique. Elle est institutionnelle : que certifions-nous au juste lorsque nous disons qu’un étudiant a appris ? » (mon emphase). Selon lui, « [l]’université moderne a longtemps traité la production finie comme l’indice suffisant d’un travail intérieur… […] Or produire un résultat n’est pas former un jugement. » Il affirmera plus loin « qu’une épreuve intellectuelle est d’abord un dispositif de mise en responsabilité » (notre emphase).

« Formulé autrement, le problème n’est pas d’abord qu’un texte généré puisse ressembler à un texte d’étudiant. Il est que l’institution ait peu à peu cessé de distinguer entre un artefact verbal convaincant et une pensée véritablement éprouvée. Ce que l’IA met en crise, ce n’est donc pas seulement l’authenticité des copies ; c’est le type d’épreuve à partir duquel l’université prétend reconnaître une formation. » (nos emphases)

Schnell affirme ainsi que « [p]endant des années, les universités ont récompensé la fluidité plus que la compréhension, le poli plus que la profondeur, la performance plus que le jugement. » Il estime que « la massification universitaire, la bureaucratisation de l’évaluation et la multiplication des livrables ont, là aussi, restauré le règne du produit fini. » Pour Schnell, ni l’interdiction des IAg ni le fait d’apprendre seulement à « exploiter plus vite les outils » ne sont des solutions compatibles avec le rôle des universités. « Dans les deux cas, on présuppose que la mission de l’université consiste avant tout à produire des réponses. C’est précisément ce que l’IA nous oblige à réexaminer » (notre emphase).

« Une machine peut fournir un texte ; elle ne peut ni répondre de ce qu’elle affirme, ni porter la responsabilité d’une idée. Ce n’est pas un archaïsme pédagogique. C’est peut-être, dans l’âge des machines à réponses, la forme la plus contemporaine de l’exigence universitaire. »

Former à « séjourner dans l’incertitude »

Cette mise en responsabilité nécessite de former des esprits qui ont « séjourné assez longtemps dans l’incertitude pour sentir, presque physiquement, où se trouve le problème digne d’être posé ». Les IAg, ces « machines à réponses », « opèrent avec une virtuosité remarquable dans le domaine du déjà-dit. [Elles] synthétisent, recombinent, prolongent l’archive. [Elles] ne séjournent pas dans l’incertitude comme le fait un esprit engagé dans une enquête. [Elles] ne sentent pas, de l’intérieur, qu’un raisonnement est creux malgré sa correction apparente. […] Former des chercheurs, […][c]e n’est pas seulement leur transmettre ce qui est su ; c’est leur apprendre à habiter ce qui ne l’est pas. » (nos emphases)

Pour Schnell, l’enseignement doit donc nécessairement aller au-delà de la seule transmission d’information… « Un enseignant qui travaille lui-même à la frontière du connu [grâce à la recherche] n’apporte pas seulement un stock de contenus : il introduit les étudiants à une certaine manière d’habiter l’incertitude, de formuler une objection, d’accepter qu’une bonne question vaille davantage qu’une réponse prématurée (nos emphases). L’université commence à perdre sa raison d’être lorsqu’elle sépare trop nettement transmission, recherche et jugement. »

Le rôle de l’université serait donc de « former le jugement en mettant les esprits à l’épreuve ». Puisque « la pensée véritable se manifeste et se vérifie dans le dialogue », l’enseignement que Schnell préconise (sous forme d’un échange entre tuteur et étudiants) ne met pas à l’épreuve la mémoire ou la qualité d’un texte, mais bien « la capacité de l’étudiant à habiter son propre argument », à « reprendre l’argument en nommant cette fois l’incertitude plutôt qu’en la recouvrant ».

« Cette épreuve ne peut être simulée. Non parce que la machine manquerait d’intelligence, mais parce que l’acte dont il s’agit est, par sa nature même, celui d’une personne qui répond de ce qu’elle a dit. »

Un rôle civique

Évidemment, cette formation vise autant à former des personnes citoyennes que des personnes chercheures… « L’IA amplifiera tout à la fois le savoir et le bruit, la productivité et la manipulation, la connaissance et la désinformation. Dans un tel environnement, la compétence la plus précieuse […] est celle d’évaluer ce que l’on reçoit, de distinguer un argument d’une rhétorique, de reconnaître les signes d’une fabrication, et de changer d’avis sans humiliation lorsque les preuves l’exigent (nos emphases).

Aucune démocratie ne survit à long terme si ses citoyens confondent la fluidité d’un énoncé avec sa vérité. Or la fluidité, désormais, est gratuite. […] Les institutions qui forment des esprits capables de résister à cette saturation – qui apprennent à peser, à douter, à réviser – jouent donc un rôle civique que l’on ne peut pas sous-traiter. »

*****

Ray Schroeder est professeur émérite de l’Université de l’Illinois, de même que Senior Fellow de l’UPCEA, une association de formation professionnelle en ligne. Il est aussi un conférencier reconnu relativement à la formation en ligne.

L’inflation des notes: un vieux problème

Dans un article du Inside Higher Ed, il part du fait que les prestigieuses universités Yale et Harvard auraient récemment mis de l’avant des projets visant à diminuer le nombre de « A » dans leurs classes [notamment en intégrant la note « A+ »… Tiens, tiens…]. Schroeder se sert de cette situation pour rappeler que l’inflation des notes est un vieux problème qui remonte à bien avant l’avènement des IAg grand public: « The pressure for student enrollment in their courses, as well as the significance of student evaluations in their review process, incentivize instructors to give generous grades » (Jang cité dans Schroeder, 2026). Il ajoute à ces causes probables l’assouplissement des critères de notation pendant la pandémie, ainsi que les efforts déployés par les institutions d’enseignement supérieur pour améliorer les taux de rétention des étudiantes et étudiants.

Schroeder en conclut donc que « [t]here are multiple points of pressure that tend to inflate grading at both the institutional and individual faculty member levels. The cycle builds upon itself year by year, with incremental increases in higher grades ». Il affirme d’entrée de jeu qu’il rejette la répartition des notes selon une courbe normale (Bell Curve) et croit au contraire qu’un nombre plus important de « A » est souhaitable dans le cadre de cours « bien conçu[s], s’appuyant sur des grilles d’évaluation de qualité », afin d’atteindre des cibles d’apprentissage claires. « If viable, relevant, up-to-date learning outcomes are well assessed, then higher grades on average are commendable. »

De l’avis de Schroeder, les fondements mêmes du système actuel sont problématiques, notamment parce qu’il est extrêmement difficile à une personne enseignante qui offre plusieurs cours par semestre de donner à une trentaine de personnes étudiantes [ou plus!] l’enseignement personnalisé dont elles auraient besoin pour réussir:

The current model is loosely based on an assembly line of pouring information, knowledge and skills into the brains of students as they move together at a rigid calendar-driven pace. The hope is that they all will achieve wisdom. Yet, without adapting to the varying needs of the individual students, a significant number are almost always left behind, receiving lower scores on assessments and C, D or worse at the end of the term. (Schroeder, 2026)

Le coeur de la thèse de Schroeder est qu’il est erroné de « reproche[r] [à l’IA] de gonfler les notes attribuées aux travaux finaux et aux projets », alors que les problèmes d’évaluation datent de bien avant et résident « plutôt dans l’incapacité des enseignants à utiliser cette technologie de manière à favoriser l’apprentissage chez toutes les personnes étudiantes et à évaluer avec précision la maîtrise des contenus de cours. Il s’agit davantage d’une défaillance pédagogique en matière d’évaluation que d’un problème d’ordre technologique » [traduit avec DeepL.com, puis ajusté; notre emphase].

L’IA comme solution à cette défaillance pédagogique ?

En fait, selon Schroeder, l’IA serait au contraire l’« outil qui pourrait justement nous sortir de cette crise croissante liée à des évaluations inadéquates ». Il présente brièvement une définition de la pédagogie de la maîtrise, en affirmant que « [c]ompte tenu de la nature progressive de l’acquisition des connaissances et des compétences, nous risquons de créer une base fragile chez bon nombre des personnes étudiantes qui ne comprennent pas pleinement et ne sont pas en mesure d’appliquer correctement l’ensemble des principes, méthodes, compétences et connaissances nécessaires dans le cadre d’un cours ou d’un programme d’études » [traduit avec DeepL.com, puis ajusté]. La conséquence semble fatidique: « Some are graduated with a substandard grade point average lacking mastery of the topic and likely to see the scaffold of their learning fail them in their subsequent careers. »

Pour Schroeder, l’IA pourrait offrir l’enseignement personnalisé et répété autant de fois que nécessaire, afin de parvenir à une réelle maîtrise des contenus et compétences à intégrer: « AI can assess the wrong answers that were submitted in order to prescribe the best content and pedagogical model to employ in engaging the student. […] The instructor monitors progress and intervenes with individual students as needed. Hence, in the mastery learning model, all students effectively earn an A, however, they do not uniformly complete each class in an 18-week semester. Prior to AI, we lacked tools to efficiently assess and address the underlying shortcomings of individual students in each of the modules. »

Personnellement, je reste sceptique relativement aux promesses de la formation individualisée que permettrait l’IA, bien que je reconnaisse qu’elle pourrait permettre une certaine différenciation. Par ailleurs, cette solution de Schroeder m’apparaît simpliste. Même en faisant abstraction de la faisabilité logistique de tels cheminements à multiples vitesses, on ne peut passer sous silence le fait que la pédagogie de la maîtrise a été fortement critiquée, notamment quant au transfert limité des apprentissages réalisés dans la pratique. La difficulté de maintenir des occasions d’apprentissage par les pairs me préoccupe aussi…

Si la solution proposée ne me convainc pas, il reste que la contribution de Schroeder me semble importante au niveau du diagnostic qu’il pose: L’inflation des notes n’est pas un problème nouveau, mais il est bien davantage d’ordre systémique. L’arrivée des IAg grand public a surtout servi de révélateur des problèmes inhérents à nos modes d’évaluation… et à nos manières industrielles d’organiser l’enseignement/ apprentissage.

Sources:
Schnell, S. (13 mai 2026), « L’université à l’épreuve des machines », AOC Media [plateforme payante] Schroeder, R. (27 mai 2026), « For Whom the Bell (Curve) Tolls ? Classes That Yields Too Many A’s! », Inside Higher Ed.