Évaluation

Sur cette page

Cette page est traduite en français. Les pages d'articles sont encore rédigées en anglais. Lire cette page en anglais

Cette page est une traduction automatique de la page anglaise, non relue par un locuteur natif.

L'évaluation — le processus de collecte et d'interprétation de preuves portant sur ce que les apprenants savent et peuvent faire, et les méthodes employées pour évaluer l'apprentissage. L'IA en éducation a fondamentalement refaçonné l'évaluation : elle alimente la notation et le scoring automatisés, génère et adapte les items d'évaluation, et soulève de profondes questions sur ce que les évaluations mesurent réellement lorsque les étudiants peuvent utiliser l'IA. L'évaluation est le concept parapluie qui organise la couverture, par la base de connaissances, de l'évaluation formative, de la notation automatisée, de l'validité et de l'mesure en éducation.

Questions à examiner

L'évaluation est définie ici comme la collecte et l'interprétation de preuves portant sur ce que les apprenants savent et peuvent faire. Avant de lire, comment finiriez-vous la phrase « une évaluation est valide si… » — et qu'est-ce qui changerait dans cette réponse si chaque étudiant pouvait secrètement utiliser l'IA pour produire son travail ?
La page affirme que la manière dont un étudiant utilise GenAI (intégration évaluative contre recours au raccourci sans esprit critique) prédisait la performance, tandis que la fréquence de son usage ne prédisait rien. Qu'est-ce que cela suggère quant à l'instinct courant de réguler l'IA en limitant son usage ?
Un apprenant peut livrer un travail de qualité professionnelle qu'il ne peut reproduire sans l'outil — rompant l'inférence entre performance et capacité sous-jacente. Avez-vous déjà vu une « compétence » être attribuée pour un travail que l'étudiant n'aurait pas pu réellement accomplir sans aide ? Qu'est-ce que cela a révélé ?
La question constructive que propose la page n'est pas « comment empêcher les étudiants d'utiliser l'IA ? », mais « comment leur permettre un usage réfléchi dans des contextes qui reflètent leur futur travail ? » À quoi ressemblerait l'évaluation dans votre domaine si tel était l'objectif ?
Le cadre DRIVE suggère d'évaluer la qualité de l'engagement d'un étudiant avec GenAI — et pas seulement l'artefact — en examinant s'il pilote stratégiquement les invites et intègre ses propres idées. Que regarderiez-vous pour distinguer une interaction avec l'IA profonde et réflexive d'une consommation de surface ?
L'évaluation médiée par l'IA se diversifie en examens oraux, portfolios et formats conversationnels, qui réduisent l'anxiété et semblent professionnellement pertinents. Quel format d'évaluation issu de votre propre expérience jugez-vous le plus « résistant à l'IA » — et la résistance est-elle la même chose que la valeur éducative ?

Introduction

L'évaluation est centrale pour l'IA en éducation pour deux raisons. Premièrement, l'IA elle-même sert à évaluer les étudiants — noter des dissertations, du code, des réponses brèves et des examens à grande échelle. Deuxièmement, l'IA dans la classe change ce que les évaluations peuvent valablement mesurer, puisque les étudiants peuvent utiliser l'IA générative pour produire un travail. Le champ couvre donc à la fois les outils qui automatisent l'évaluation et les questions de validité et d'intégrité que l'IA soulève.

Comment l'IA est employée dans l'évaluation

Évaluation automatisée : l'évaluation fondée sur l'IA couvre de multiples modalités — questions à choix multiples, réponses brèves, dissertations, code et évaluation fondée sur la performance — par la notation automatisée, la notation automatisée de dissertations et la génération automatisée de questions.
Évaluation formative : les systèmes d'IA génèrent, valident et adaptent les items d'évaluation formative à grande échelle, informant l'enseignement en cours plutôt que la seule évaluation sommative.
Analytique de l'apprentissage et mesure : l'analytique de l'apprentissage et l'mesure en éducation relient les données d'évaluation aux processus d'apprentissage, en recourant à l'théorie de la réponse à l'item, au traçage des connaissances et à la modélisation de l'apprenant pour interpréter la performance. Razavi et Powers (2026) démontrent l'estimation de la difficulté des items fondée sur les LLM comme entrée de mesure : sur 5,170 items de mathématiques et de lecture du primaire, calibrés sous le modèle de Rasch de la théorie de la réponse à l'item, les notations sans exemple de GPT-4o corrélaient de manière modérée à forte avec les difficultés réelles (r = 0.83 en mathématiques, r = 0.81 en lecture), tout en variant selon le niveau scolaire, tandis qu'une approche fondée sur les caractéristiques (caractéristiques extraites par LLM introduites dans des modèles arborescents) atteignait des corrélations allant jusqu'à r = 0.87. L'étude propose un flux de travail pratique en sept étapes pour les professionnels des tests, tout en avertissant que la généralisabilité au-delà des mathématiques et de la lecture du primaire est incertaine.
Boucles de rétroaction : l'évaluation par l'IA alimente de plus en plus des boucles de rétroaction qui referment le cycle allant de l'évaluation à l'apprentissage.
Évaluation par portfolio électronique : les portfolios électroniques rassemblent les travaux et les réflexions des étudiants au fil du temps comme forme d'évaluation fondée sur le processus et robuste face à l'IA. L'IA générative peut assister le processus de portfolio — en générant de la rétroaction, en étayant la réflexion et, avec une conception de grille appropriée, en soutenant l'évaluation — tandis que l'insistance du portfolio sur les traces de raisonnement et les brouillons résiste à la fabrication par l'IA. L'évaluation de portfolio assistée par l'IA et ChatGPT plus portfolio électronique pour l'expression orale en anglais langue étrangère montrent que l'IA peut améliorer à la fois l'expérience du portfolio et la littératie de la rétroaction de l'apprenant.
La fiabilité de la notation de questions ouvertes dépend du modèle : Pecuchova, Benko & Drlik (2025) ont évalué onze modèles d'IA générative et d'enchâssement de phrases par confrontation à deux évaluateurs experts, sur 1,885 réponses ouvertes de génie logiciel : seul GPTo1 a atteint un accord presque parfait (kappa de Fleiss 0.82), tandis que les modèles fondés sur une référence pénalisaient les réponses correctes mais formulées différemment. Parce que GPTo1 était le seul modèle jugé déployable sans supervision, tout en entraînant des coûts d'API propriétaires, les auteurs recommandent des stratégies hybrides associant des modèles avancés à des options abordables, ou une supervision humaine dans des contextes aux ressources contraintes. Une revue systématique systématique guidée par PRISMA portant sur 42 études empiriques (2023–2025) corrobore ce tableau de fiabilité conditionnelle pour l'ensemble du champ de la notation : les LLM égalent les évaluateurs humains sur les tâches fermées et à réponse brève, mais ne peuvent pas remplacer entièrement le jugement humain sur les travaux complexes, ouverts ou subjectifs, et aucun biais de notation uniforme n'est apparu — les modèles étaient parfois plus indulgents, parfois plus sévères, et évitaient souvent les scores extrêmes (Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback). Un affinement itératif de la grille peut pousser la notation par LLM de questions ouvertes vers une fiabilité quasi humaine dans des contextes médicaux à fort enjeu : Olvet et al. (2026) ont constaté qu'une fois que les enseignants avaient révisé à plusieurs reprises les grilles analytiques et holistiques sur la base d'une analyse des régularités d'erreur, GPT-4 atteignait un accord substantiel à presque parfait avec les évaluateurs enseignants sur trois des quatre questions pré-clinicat (kappa pondéré allant jusqu'à 0.94), tandis que l'item restant à grille holistique stagnait à un accord seulement modéré (κw = 0.54) — ce qui montre à la fois le gain d'une ingénierie de grille avec intervention humaine et ses limites sur les tâches synthétiques et holistiques.
Évaluation orale et de performance soutenue par l'IA. Une étude de conception en enseignement et formation techniques et professionnels éloigne l'évaluation des formats lourdement textuels vers des examens oraux interactifs soutenus par un LLM : sur quatre cohortes, 21 des 33 apprenants ont jugé la tâche vocale réaliste, et aucun n'a contredit que parler en temps réel reflétait mieux la compétence qu'un portfolio écrit, tandis que les nombres de mots pour des questions identiques variaient d'un facteur cinq à huit entre les cohortes, et que neuf apprenants ont répondu en deux à treize mots et étaient tous corrects. Le système fonctionnait hors ligne sur un seul ordinateur portable servant jusqu'à 12 apprenants simultanés, avec Mistral 7B et faster-whisper, supprimait les enregistrements après 90 jours, et laissait les jugements de notation aux évaluateurs — un exemple de conception d'évaluation avec intervention humaine pour des qualifications tournées vers le monde du travail. (Designing AI-Supported Oral Assessment in TVET)

Les défis de validité et de mesure

L'IA soulève des questions fondamentales de validité : les évaluations notées par l'IA mesurent-elles l'apprentissage des étudiants ou la compétence à rédiger des invites pour l'IA ? L'usage de l'IA par les étudiants invalide-t-il les évaluations traditionnelles ? Les défis clés incluent :

Validité de construit : la recherche sur l'éducation par les compétences montre que l'IA générative a rompu l'inférence entre performance et capacité sous-jacente — un apprenant peut livrer un travail de qualité professionnelle qu'il ne peut reproduire sans l'outil. Cela motive une reconceptualisation des compétences évaluées.
Coautorature et intégrité : la coautorature et l'intégrité propose une nouvelle source de preuve de validité, violée lorsque les étudiants soumettent des contenus générés par l'IA qu'ils ne comprennent pas, et explore les « AI Vivas » conversationnelles comme réponse.
Qualité psychométrique : l'IA consciente de la psychométrie et l'évaluation consciente de la confiance œuvrent à maintenir la notation par l'IA fiable, non biaisée et interprétable.
Évaluation des évaluateurs d'IA : l'évaluation d'une intervention d'IA en éducation fournit les méthodes et les repères de référence permettant de déterminer si les évaluateurs automatisés fonctionnent réellement — sur la fiabilité, la pédagogie et l'équité — plutôt que sur la seule exactitude phare.
Fiabilité dépendante de la qualité pour la notation par l'IA et par les pairs (2026) : en comparant la notation par ChatGPT, par les pairs et par l'enseignant des mêmes projets de groupe de l'enseignement supérieur, Usher & Faraon (2026) ont montré que l'alignement de la notation sur celle de l'enseignant est conditionné par la qualité du travail des étudiants : ChatGPT gonflait le plus les travaux de faible qualité et s'alignait mieux sur l'enseignant pour les travaux de haute qualité, tandis que les pairs s'alignaient le mieux sur les travaux plus faibles et sous-notaient les projets forts. Le constat met au défi le cadrage binaire « fiable contre peu fiable », et pointe vers des modèles de fiabilité conditionnelle, dans lesquels des évaluateurs alternatifs sont appariés à la tâche et au niveau de performance.
La notation humaine est elle-même chargée de valeurs (2026) : Luo & Dawson (2026) montrent que même la notation humaine de travaux assistés par GenAI n'est pas un acte neutre et fondé sur des critères. Des entretiens fondés sur des scénarios menés auprès de 33 enseignants d'université ont révélé des décisions de notation régies par des valeurs orientées vers la personne (honnêteté, diligence), vers la capacité (indépendance, compétence en GenAI, maîtrise disciplinaire), vers la relation (confiance) et vers la justice (équité, bienfaisance) — s'étendant au-delà du devoir, jusqu'aux conjectures de l'enseignant sur l'étudiant. L'étude recadre la question de l'évaluation, de « l'usage de GenAI est-il de la triche ? » vers « comment les jugements de valeur des enseignants façonnent-ils les notes, et ces valeurs sont-elles pertinentes pour les résultats évalués ? » — mettant au premier plan la validité et la transparence « dans les deux sens » quant à l'effet de l'usage de GenAI sur les notes.

L'intégrité et le débat sur la détection

L'IA dans l'évaluation a intensifié la conversation sur l'intégrité. Un courant se concentre sur la détection des textes générés par l'IA, tandis qu'un corpus croissant de recherche soutient que la détection est un outil limité et situationnel — non une stratégie de premier recours. Au-delà de la détection et l'évaluation responsable soutiennent que l'authenticité ne peut être imposée par le contrôle policier ; elle doit être repensée, en positionnant l'IA comme un collaborateur déclaré et en priorisant l'évaluation authentique et fondée sur le processus plutôt que la surveillance. Walton et al. (2025) fondent cela sur des preuves de la manière dont les étudiants jugent réellement leur parcours à travers l'évaluation avec GenAI : des entretiens avec retour en arrière menés auprès de 26 étudiants ont révélé un spectre de six événements de jugement — allant de l'évaluation critique des connaissances de l'IA et de l'apprentissage par ses limites, à l'adoption non critique d'idées et à la mésestimation des contributions de l'IA comme étant les leurs. Stamatoulis et al. (2026) ajoutent une contrepartie quantitative : sur 157 étudiants, la manière dont GenAI est utilisée (intégration évaluative pour soutenir la compréhension contre recours au raccourci à faible vérification) prédisait la performance, tandis que la simple fréquence d'usage ne prédisait ni la performance ni le sentiment d'efficacité personnelle académique. Ensemble, ces études recadrent la question de l'évaluation, du point de savoir si les étudiants utilisent l'IA vers celui de savoir comment ils jugent et structurent cet usage. Bassett et al. (2026) vont plus loin, soutenant que la détection ne devrait pas être utilisée du tout : sa production probabiliste ne peut être vérifiée de manière indépendante, parce que l'origine réelle des textes est inconnue, et les scores des détecteurs — seuls ou accompagnés de marqueurs linguistiques, de comparaisons de style, de la déclaration d'un LLM ou du silence de l'étudiant — ne satisfont pas au critère de la balance des probabilités qu'exigent les enquêtes d'intégrité.

Une revue PRISMA de 25 études ajoute un facteur de risque que le débat sur la détection laisse de côté : les locuteurs non natifs d'anglais ont montré une forte tendance à enfreindre l'intégrité lorsqu'ils peinaient à écrire en anglais, si bien que les attentes d'intégrité devraient être assorties d'un soutien concret à l'écriture académique, plutôt que de la seule mise en application (Balalle and Pannilage (2025)).

La refonte de l'évaluation à l'ère de l'IA

La question constructive dans la littérature de la base de connaissances sur l'évaluation n'est pas « comment empêcher les étudiants d'utiliser l'IA ? », mais « comment leur permettre de l'utiliser de manière réfléchie dans des contextes qui reflètent leur futur travail ? » Cela recadre l'évaluation autour :

De tâches authentiques et fondées sur le processus, qui rendent l'usage de l'IA visible et évalué. L'évaluation authentique — examiner la performance des étudiants sur des tâches dignes d'intérêt et réalistes — est la réponse phare au défi de l'IA : toute tâche qu'un LLM peut crédiblement simuler perd sa validité, si bien que l'authenticité doit être repensée autour d'une collaboration en temps réel, d'une contribution numérique et sociale, et d'une production de sens individuelle. Cela se relie aux cadres de conception de l'évaluation authentique, aux produits authentiques et processus authentifiés, et à l'évaluation du processus indépendante de l'outil.
D'une conception d'évaluation responsable, fondée sur des preuves de validité (Responsible Assessment in the AI Era: Key Insights from a Future-Focused Conference)
D'autorisations d'usage de l'IA au niveau de la tâche, dérivées des cibles d'évaluation : McCorkle (2025) montre le travail de conception de l'évaluation qui précède une politique d'IA — inventorier chaque tâche d'un projet, spécifier ce qui est évalué et par rapport à quel objectif, et autoriser ou interdire l'IA pour chaque tâche sur cette base (remue-méninges et curation d'images autorisés ; composition des objectifs d'apprentissage et conception de diapositives non). Le même exercice d'alignement sert aussi de contrôle de l'inférence que l'évaluation supporte, parce qu'il force l'enseignant à nommer la performance qu'une note est censée justifier (Validité de l'évaluation).
D'une évaluation qui va au-delà du mode linguistique : Jiang et al. (2026) définissent la littératie d'évaluation multimodale pour les enseignants de seconde langue comme la connaissance, la valeur et la compétence pour des tâches qui sollicitent des réponses dans les modes linguistique, visuel, auditif, gestuel et spatial. Un programme d'un an mené auprès de 30 enseignants d'anglais de Hong Kong a élevé la connaissance des stratégies d'évaluation de 3.13 à 4.15 sur 5 (η² partiel = 0.571) et la compétence à soutenir les étudiants de 3.05 à 3.98 (0.482), tandis que les trois sous-domaines de valeur restaient inchangés. L'expérience propre des enseignants a ajouté deux dimensions au cadre : le maintien de la pratique face à des priorités curriculaires concurrentes, et la mobilisation critique de GenAI (Jiang et al. (2026)).
De la coautorature et de la déclaration, comme part du contrat d'évaluation
De la production comme compétence — évaluer la capacité des apprenants à diriger les outils et à produire un travail de qualité professionnelle (Knowledge, Skills, Attitudes, Production: Competency-Based Education After Generative AI)
De l'évaluation du processus d'interaction, et pas seulement de l'artefact — le cadre DRIVE (Directive Reasoning Interaction + Visible Expertise) traite la qualité de l'engagement d'un étudiant avec GenAI comme le construit évalué. Il distingue la consommation de surface de l'interaction profonde et réflexive en examinant si les étudiants pilotent stratégiquement les invites (DRI) et intègrent et développent leurs propres idées disciplinaires à travers l'échange (VE), ancrant les critères centrés sur le processus dans des théories de l'apprentissage autodirigé et de l'engagement cognitif, dans la lignée de la hiérarchie du cadre ICAP. Cela fait de DRIVE un exemple d'évaluation authentique médiée par l'IA — une grille pour évaluer comment les apprenants font équipe avec GenAI, plutôt qu'un outil de détection.

Une proposition de cette littérature pousse au-delà de la refonte à l'intérieur du cadre actuel. El Khoury et Ma (2026) soutiennent qu'une réforme organisée autour de la prévention des fautes ou de la détection de l'usage de l'IA rétrécit l'imagination éducative au contrôle et à la conformité, et proposent à la place une évaluation joyeuse : une évaluation qui est sûre, émotionnellement réceptive, autonomisante et favorable à l'autonomie de l'étudiant, la sécurité étant la condition porteuse, parce que sans elle l'accord émotionnel devient de la performance, l'autonomisation devient de la pression et l'autonomie devient du risque. Leur cadrage inverse l'agenda de la détection — l'intégrité devient une conséquence de la conception d'une évaluation que les étudiants ont envie de pratiquer, plutôt que son point de départ — et ils positionnent les agents d'IA construits par les enseignants (GPT personnalisés, Gems, agents Copilot Studio) comme un espace de répétition à faible enjeu, où les étudiants s'entraînent avant le jugement, avec l'affirmation que l'IA organise les preuves tandis que l'enseignant les interprète.

Implications pour l'IA en éducation

L'évaluation et l'apprentissage sont inséparables : une bonne évaluation par l'IA devrait soutenir l'apprentissage (rétroaction formative) autant qu'elle l'évalue.
La validité doit être reconceptualisée : lorsque l'IA peut produire le travail des étudiants, les évaluations doivent mesurer les processus, le jugement et la production authentique, et pas seulement les productions.
L'automatisation doit être évaluée rigoureusement : les évaluateurs automatisés ont besoin d'une évaluation psychométrique et d'équité, et pas seulement d'affirmations d'exactitude.
L'intégrité se déplace de la détection vers la conception : la réponse la plus robuste à l'IA dans l'évaluation consiste à concevoir des tâches où l'usage de l'IA est attendu, déclaré et examiné de près.
Des pratiques innovantes peuvent traiter plusieurs problèmes à la fois. Mesny, Roberge-Maltais & Galy (2026) soutiennent qu'un ensemble de cinq pratiques mutuellement renforçantes — l'évaluation authentique, l'auto-évaluation et l'évaluation par les pairs, la réévaluation, la notation fondée sur les standards, et la non-notation — alignées sur le paradigme de « l'évaluation au service de l'apprentissage » peut contrer les préjudices de la notation traditionnelle, sommative et référencée à la norme (apprentissage superficiel, motivation intrinsèque érodée, stress et anxiété, iniquité, et intégrité compromise) à l'ère de l'IA générative. Ils constatent que l'adoption est inégale selon les champs — l'auto-évaluation et l'évaluation par les pairs dominent, tandis que les innovations centrées sur la notation restent marginales — et exhortent les éducateurs à s'engager plus activement et réciproquement dans l'innovation en matière d'évaluation et de notation, appuyés par une expérimentation progressive et un soutien institutionnel.
L'évaluation médiée par l'IA se diversifie. AIvaluate montre qu'un agent conversationnel augmenté par LLM a réduit l'anxiété des étudiants pendant des évaluations fondées sur la performance ; Pentland (2026) constate que les évaluations orales asynchrones offraient un engagement plus élevé et étaient perçues comme professionnellement pertinentes ; les systèmes de tutorat intelligent fondés sur les graphes recourent au suivi adaptatif de l'état de connaissances pour informer l'évaluation.

Concepts liés

Apprenants — Apprenants : le parapluie des concepts du côté de l'apprenant
Partenariats pédagogiques — Partenariats pédagogiques
L'évaluation formative — Évaluation formative : items générés, validés et adaptés par l'IA à grande échelle
Évaluation automatisée — Notation et scoring automatisés à travers les modalités d'évaluation
Évaluation authentique — Tâches authentiques fondées sur le processus et robustes face à l'IA
Validité de l'évaluation — Validité des évaluations sous l'IA générative
La mesure en éducation — Théorie de la mesure qui sous-tend l'évaluation par l'IA
Notation automatisée de dissertations — Notation automatisée de dissertations
Génération automatisée de questions — Génération automatisée de questions
Évaluation orale — Évaluation orale : formats en direct et enregistrés qui résistent à la substitution par l'IA
L'évaluation sommative — Évaluation sommative : formats résistants à l'IA (examens oraux, surveillés, à livre fermé)
Théorie de la réponse à l'item — Théorie de la réponse à l'item pour interpréter les réponses aux évaluations à l'ère de l'IA
IA psychométriquement informée — Notation par une IA consciente de la psychométrie
Analytique de l'apprentissage — Analytique reliant les données d'évaluation à l'apprentissage
La rétroaction — Boucles de rétroaction refermant le cycle de l'évaluation à l'apprentissage
Littératie en rétroaction — Littératie de la rétroaction de l'apprenant
Intégrité académique — Intégrité et débat sur la détection de l'IA
Détection de l'IA — Détection des textes générés par l'IA
Évaluation de l'IA en éducation — Méthodes et repères de référence pour évaluer les évaluateurs automatisés
Portefeuille électronique (e-portfolio) — Évaluation par portfolio électronique fondée sur le processus
Les technologies de la parole et de la voix
Évaluation par les pairs

FAQ liées

Ressources liées

idstack
Un ensemble open source de onze compétences Claude Code qui auditent un cours par rapport à la base de preuves du design pédagogique, en étiquetant chaque recommandation selon son niveau de preuve.
LESSON.md
Un format ouvert en texte brut pour des leçons d'eLearning à blocs, plus une compétence d'agent qui rédige des leçons, des évaluations et des paquets de cours entiers dans ce format.
Master Instructional Design
Une compétence Claude qui empaquète la méthode d'un concepteur pédagogique chevronné en quinze modes d'engagement et trente et un fichiers de référence à la demande couvrant tout le spectre de l'apprentissage et du développement.

Métadonnées

Niveau	Higher Ed
Technologies et techniques	L'IA générative, Analytique de l'apprentissage
Évaluation et mesure	Évaluation, Validité de l'évaluation, Évaluation automatisée, La mesure en éducation, L'évaluation formative, Évaluation orientée sur le processus
Méthodes de recherche et évaluation	Évaluation de l'IA en éducation
Fondements de l'IA dans l'éducation	Intégrité académique
Type de page	Evaluation

Source History Edit Chat