Une révolution tranquille et ses dilemmes

L’utilisation massive de l’intelligence artificielle générative par les étudiants, c’est désormais une réalité qui chamboule tout le monde universitaire. C’est plus qu’un simple outil, c’est carrément un nouveau rapport au savoir qui s’installe, et qui pose une question cruciale : comment évaluer les connaissances de manière fiable aujourd’hui ?

Les universités sont confrontées à un vrai casse-tête. Si les IA comme ChatGPT sont partout, le risque de fraude explose, mettant en péril la crédibilité même des diplômes. C’est un débat complexe, et comme le souligne Jean-François Cerisier de l’Université de Poitiers dans The Conversation, il n’y a pas de réponse simple.

L’ampleur d’un phénomène caché

Le premier problème, c’est qu’on a du mal à mesurer la triche. Par définition, c’est caché, et c’est très difficile de faire la différence entre une utilisation légitime d’une IA et une fraude pure et dure. En France, on n’a même pas d’étude solide pour chiffrer le phénomène.

Et les outils de détection de plagiat ? Ils sont pratiquement inutiles face à l’IA générative. Des études, comme celles de William H. Walters ou de Philippe Dessus et Daniel Seyve, montrent qu’ils génèrent autant de faux positifs que de faux négatifs. En gros, ils se trompent dans les deux sens, ce qui n’aide vraiment pas.

Une adoption étudiante massive et incontestable

Par contre, ce qu’on sait très bien, c’est que les étudiants utilisent ces outils en masse. Une enquête du Digital Education Council en août 2024 est formelle : 86% des étudiants interrogés dans 16 pays, dont la France, y ont recours.

Et ça ne s’arrange pas. Une autre étude, plus récente celle du Higher Education Policy Institute de février 2025, indique que 92% des étudiants britanniques utilisent l’IA, et parmi eux, un énorme 88% s’en servent pour des activités qui sont notées. Face à ces chiffres, les universités ont l’air plutôt démunies, vous ne trouvez pas ?

À quoi servent vraiment les évaluations ?

Pour comprendre le problème, il faut revenir à la base : à quoi ça sert, une évaluation ? En théorie, c’est un jugement posé sur une mesure, pour prendre une décision. À la fac, ça peut prendre plein de formes : l’examen écrit classique, l’oral, le mémoire, le rapport de stage.

Mais en fait, une évaluation a deux buts très différents. Le premier, c’est d’accompagner l’étudiant. On lui donne un feedback, des conseils, une note, pour l’aider à progresser et pour que les profs adaptent leur enseignement. C’est ce qu’on appelle l’évaluation formative, et c’est hyper important pour la réussite.

Le second rôle : valider et certifier

Le second objectif, c’est tout autre. C’est l’évaluation sommative. Là, il s’agit de faire un bilan, souvent en fin de parcours, pour valider des compétences, donner un diplôme ou autoriser la suite des études. Le résultat, c’est souvent une note, un peu froide mais nécessaire.

Pour qu’une évaluation soit bonne, quelle que soit sa finalité, elle doit être alignée sur ce qu’on veut que l’étudiant apprenne. Elle doit être fiable (mesurer ce qu’elle prétend mesurer) et surtout équitable, en tenant compte des difficultés de chacun, comme la dyslexie par exemple.

Alors, c’est quoi tricher avec une IA ?

Il faut être très clair : utiliser une IA pour s’aider en dehors d’un contexte d’évaluation, c’est un débat pédagogique intéressant, mais ce n’est pas de la triche. Le vrai problème surgit quand c’est interdit par le règlement.

La fraude est avérée si un étudiant utilise en cachette ChatGPT pour résoudre un problème de stats pendant un examen alors que c’était interdit. Point. À l’inverse, utiliser le même outil avec l’accord et sous la supervision du prof pour le même exercice, ça n’en est pas. La frontière, finalement, c’est le règlement et la dissimulation.

Pourquoi les étudiants franchissent-ils le pas ?

C’est bien beau de définir la triche, mais pourquoi elle arrive ? Les études montrent que les étudiants accordent une grande importance à l’évaluation, mais ils la trouvent souvent stressante, injuste et opaque, avec un manque cruel de retours constructifs.

Cette pression s’exerce dans un contexte universitaire et social marqué par l’individualisme, la compétition et le court-termisme. Du coup, une vision purement utilitariste des études prend le dessus, et l’exigence morale s’effrite un peu. C’est presque logique, même si c’est regrettable.

Le modèle qui explique la fraude

Les chercheurs utilisent parfois le « diamant de la fraude » (Wolfe et Hermanson, 2004) pour comprendre. Ce modèle identifie quatre facteurs qui poussent à tricher : la rationalisation (« tout le monde le fait »), l’opportunité (c’est facile), la motivation (la pression de la note) et la capacité perçue (croire qu’on peut le faire sans se faire prendre).

Appliqué à l’université, ce modèle est terriblement éclairant. Chacun de ces facteurs trouve un écho très fort dans le quotidien des étudiants aujourd’hui, surtout avec des outils d’IA aussi accessibles et puissants.

Que peuvent faire les facs ? Les pistes classiques…

Rester les bras croisés n’est pas une option. Interdire purement et simplement les IA est illusoire, et les détecter après coup semble impossible. Alors les universités doivent absolument repenser leur doctrine. Certaines pistes sont sur la table : multiplier les oraux, renforcer la surveillance, durcir les chartes et les sanctions.

On peut aussi essayer de concevoir des épreuves plus « résistantes » aux IA. Ce sont des idées importantes, mais elles ont un gros défaut : elles coûtent très cher en temps et en énergie, des ressources déjà rares dans nos universités. Et franchement, est-ce que ça résoudrait vraiment le fond du problème ?

Une piste plus radicale : redonner du sens

Une autre voie, peut-être plus prometteuse, consisterait à ce que les évaluations aient assez de sens pour que les étudiants n’aient *pas envie* de tricher. Une idée forte est de séparer clairement l’évaluation formative de l’évaluation sommative.

L’idée, c’est de « sanctuariser » les évaluations sommatives, celles qui valident le diplôme. En réduisant drastiquement leur nombre, on pourrait y consacrer plus de moyens (surveillance, conception) pour limiter les risques de fraude au maximum.

Libérer l’évaluation formative

Une fois débarrassées de leur enjeu de notation finale, toutes les autres évaluations pourraient redevenir pleinement formatives. Leur but ne serait plus de noter, mais vraiment d’accompagner, d’analyser les difficultés et de proposer des pistes pour progresser.

Dans ce cadre, les étudiants auraient tout intérêt à être sincères dans leur travail, puisque l’objectif serait de les aider, pas de les juger. Ça bouscule la logique d’évaluation continue qui s’est installée partout, c’est sûr. Il n’y a pas de solution miracle, mais c’est un chantier colossal à ouvrir.

Conclusion : Un chantier collectif

Au final, le défi est immense. L’arrivée des IA génératives nous force à nous demander ce qu’on évalue vraiment, et pourquoi. Continuer comme avant n’est plus tenable. Interdire est futile. La solution devra donc être pédagogique et collective.

Il est crucial d’inclure dans cette réflexion tous les acteurs, surtout les enseignants et les étudiants. Ce sont eux qui sont sur le terrain, qui vivent ces situations au quotidien. Leurs regards intimes et leurs expériences sont indispensables pour trouver des voies nouvelles et maintenir la valeur de nos diplômes à l’ère de l’intelligence artificielle.

Selon la source : science-et-vie.com

Ce contenu a été créé avec l’aide de l’IA.