Évaluation authentique

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

L'évaluation authentique — la conception d'évaluations qui examinent la performance des étudiants sur des tâches intellectuelles dignes d'intérêt et réalistes, plutôt que sur des items de test standardisés et isolés. Née avec Wiggins (1990) comme contre-poids aux tests standardisés, l'évaluation authentique a évolué, de la réplication des tâches du lieu de travail vers un cadre multidimensionnel englobant l'authenticité professionnelle, numérique, personnelle et sociale. L'IA générative a rendu l'évaluation authentique nouvellement essentielle : toute tâche qu'un modèle de langue peut crédiblement simuler dans un contexte de travail à emporter perd sa validité comme preuve de la compétence originale de l'étudiant, si bien que les formes authentiques doivent être repensées autour de ce que l'IA ne peut crédiblement contrefaire.

Questions à examiner

• L'évaluation authentique examine la performance sur des tâches intellectuelles dignes d'intérêt et réalistes, plutôt que sur des items de test isolés. Avant de lire, supposiez-vous qu'une tâche « authentique » se contente de répliquer un scénario du monde réel ou du lieu de travail ? Cette page soutient que l'authenticité a évolué bien au-delà de la simple réplication — quelles autres formes peut-elle prendre ?
• Une affirmation centrale est que toute tâche qu'un modèle de langue peut crédiblement simuler dans un contexte de travail à emporter perd sa validité comme preuve de la compétence originale de l'étudiant. Quelle évaluation de votre propre enseignement ou de vos études jugeriez-vous désormais « contrefaisable » — et qu'est-ce qui vous le fait dire ?
• La page met en lumière un écart frappant : seulement 3 des 37 études ont traité de l'authenticité sociale — le point de savoir si l'évaluation aide les étudiants à contribuer à la transformation de la société. Pourquoi pensez-vous que la dimension sociale de l'authenticité est si négligée, et à quoi pourrait ressembler son évaluation ?
• La base de connaissances soutient que l'authenticité doit être « repensée, et non contrôlée par la police ». Lorsque les étudiants coauteurisent les grilles, choisissent quoi et comment rendre, et s'engagent dans une interaction en temps réel, l'usage de l'IA devient attendu et déclaré, plutôt que dissimulé. Comment cela déplacerait-il la relation entre l'étudiant et l'évaluateur ?
• Les examens oraux et les portfolios fondés sur le processus sont proposés comme formes authentiques résistantes à l'IA. Mais la réflexion notée et l'auto-évaluation risquent de devenir performatives — les étudiants jouant la réflexion qu'ils croient voulue. Comment concevoir une réflexion authentique plutôt qu'une performance ?
• Lorsque l'IA fournit la grille, la rétroaction et la surveillance, la page avertit que la pratique métacognitive de l'étudiant peut être déplacée. Si l'outil fait le travail d'évaluation, que reste-t-il à l'apprenant pour réellement s'exercer ou apprendre ?

Introduction

L'évaluation authentique se situe au cœur de la manière dont l'évaluation est repensée à l'ère de l'IA. Elle se relie à la validité de l'évaluation (l'évaluation mesure-t-elle ce qu'elle prétend mesurer ?), à l'évaluation formative (des tâches authentiques qui informent l'apprentissage) et à l'intégrité académique (passer de la détection à la conception de tâches où l'usage de l'IA est attendu et déclaré). C'est une réponse centrale dans la littérature de la base de connaissances sur la refonte de l'évaluation.

L'évolution de l'authenticité

• Origines dans les années 1990 — des tâches intellectuelles dignes d'intérêt : Wiggins (1990) a proposé l'évaluation authentique comme examen direct de « la performance des étudiants sur des tâches intellectuelles dignes d'intérêt », en contre-poids aux tests standardisés.
• Adoption à la fin des années 1990 — la réplication du lieu de travail : Joughin (1998) a formulé l'authenticité comme la mesure dans laquelle l'évaluation réplique la pratique professionnelle ou la vie réelle — une conception qui a dominé pendant deux décennies.
• Critique des années 2020 — au-delà de la réplication : McArthur (2023) a soutenu que l'évaluation authentique doit permettre aux étudiants d'« influencer l'avenir et de transformer la société », plutôt que de simplement répliquer les tâches existantes ; Ajjawi et al. (2024) ont élargi l'authenticité à des formes contextuelles, liées à la tâche et personnelles, qui reflètent l'expérience de l'étudiant.
• L'IA générative comme défi existentiel : Zhan, Boud & Du (2025) notent que l'IA générative rend l'authenticité par réplication du lieu de travail nouvellement vulnérable, ce qui pousse à un pivot vers la littératie numérique, la collaboration en temps réel, la contribution sociale et la production de sens individuelle, que l'IA ne peut crédiblement contrefaire.

Un modèle de conception à six dimensions

La revue de cadrage de Zhan, Boud & Du (2025) portant sur 37 études empiriques (2000–2024) propose six dimensions de conception : (1) l'authenticité dans l'évaluation (authenticité de l'évaluation, professionnelle, numérique, personnelle et sociale — avec seulement 3 études sur 37 traitant de l'authenticité sociale, une lacune critique), (2) les défis cognitifs, (3) les critères d'évaluation (les étudiants étant souvent des récipiendaires passifs plutôt que des coauteurs des grilles), (4) la rétroaction (à dominante formative, mais une rétroaction durable rare), (5) l'autonomie de l'étudiant (le choix de ce qu'il rend, comment, quand et où était rare), et (6) la collaboration sociale. Elle propose aussi un modèle cyclique de co-conception — négocier les objectifs, créer le contexte, co-concevoir les critères, planifier la rétroaction — que des outils d'IA pourraient opérationnaliser.

Dollinger et Nieminen (2026) bornent cet optimisme par le paradoxe de l'évaluation inclusive : tant le modèle des aménagements que les critiques structurelles qui recadrent l'évaluation comme handicapante laissent intacte la logique à somme nulle selon laquelle « pour qu'un étudiant réussisse, il faut qu'un autre échoue », si bien que les formes distribuées et agentiques doivent changer cette logique, et pas seulement élargir l'accès.

L'évaluation authentique à l'ère de l'IA

La littérature de la base de connaissances sur la refonte de l'évaluation soutient que l'authenticité doit être repensée, et non contrôlée par la police :

• Au-delà de la détection avance que l'authenticité ne peut être imposée par le contrôle policier ; elle doit être conçue, en positionnant l'IA comme un collaborateur déclaré plutôt que comme une application de triche, et en priorisant l'évaluation authentique et fondée sur le processus plutôt que la surveillance.

• L'évaluation responsable recadre l'évaluation autour des preuves de validité et de tâches authentiques qui reflètent le futur travail des étudiants.

• Les produits authentiques et processus authentifiés examinent comment un enseignement supérieur riche en IA peut évaluer à la fois les productions authentiques et les processus qui les ont produites.

• Un partenaire de rédaction qu'est l'IA laisse néanmoins le jugement intact. Paula et al. (2026) ont piloté un concepteur d'évaluation GPT-4.1 avec huit coordinateurs : il produisait des aperçus, des tâches, des critères, des échéanciers et des grilles utilisables, mais manquait répétitivement le contexte disciplinaire et le séquençage des sujets, et les huit coordinateurs ont refusé l'automatisation de bout en bout, situant l'academic judgment — le jugement académique — dans l'humain plutôt que dans le modèle.

• Le cadre indépendant de l'outil plaide pour évaluer les méthodes computationnelles et le processus, plutôt que les productions propres à un outil, en recourant à la soutenance orale et à la vérification.

• Une infrastructure institutionnelle pour les preuves de processus. Un cadre d'assurance qualité commandé transforme l'argument du processus en politique, en traitant les traces du processus d'apprentissage — éditions horodatées, usage des ressources, invites métacognitives — comme les preuves durables qu'une transcription ne peut montrer, et en citant des caractéristiques de processus qui expliquent plus de variance dans la performance que les seules caractéristiques de produit (Lodge et al. (2026)).

• Une évaluation orale extensible, avec une réserve sur la notation. Pentland, Lowenthal & Krier (2026) ont fait rendre des réponses enregistrées, limitées dans le temps et non révisables, notées selon des grilles intégrées, et ont constaté que les étudiants surpassaient leurs résultats aux examens à choix multiples en présentiel ; ils insistent sur le fait qu'il s'agit d'un effet de format plutôt que d'un gain d'apprentissage, avec une renotation par LLM s'accordant à l'enseignant à ICC = 0.73 et 0.60.

• Reconsidérer les examens oraux positionne l'examen oral comme une alternative authentique et peu technique, intrinsèquement résistante à l'IA — son dialogue interactif et en temps réel teste la compréhension, la pensée critique et le raisonnement (et non la mémorisation), reflète la pratique professionnelle, et empêche les étudiants d'utiliser l'IA pour générer et mémoriser des réponses. L'article propose un ensemble concret de recommandations pratiques (grilles claires, contenu standardisé, formation des évaluateurs, lignes directrices de rédaction d'invites, atténuation des biais) pour réintroduire l'évaluation orale au lycée et dans l'enseignement supérieur.

• L'évaluation par portfolio électronique est une autre forme authentique et fondée sur le processus, qui résiste à la fabrication par l'IA : Zhan, Boud & Du (2025) identifient les portfolios de contribution sociale parmi les formes authentiques les plus robustes face à l'IA générative, et Au-delà de la détection recommande des portfolios annotés et des parcours enregistrés qui sondent le raisonnement en temps réel. Ni & Lam (2026) et Laksana et al. (2026) montrent que l'IA générative peut assister le processus de portfolio — rétroaction, rédaction, réflexion — tandis que les traces de raisonnement et les brouillons du portfolio préservent l'authenticité.

• Les critères d'authenticité peuvent à eux seuls limiter l'usage de l'IA. Chen et Zou (2026) ont constaté qu'une grille exigeant des étudiants qu'ils fondent une présentation de groupe sur leur propre expérience d'enseignement de première main, et qu'ils réfléchissent à des observations de classe partagées, a conduit sept des quinze groupes d'étudiants à réduire délibérément leur usage de GenAI. Les étudiants soutenaient que l'outil ne pouvait satisfaire à l'exigence épistémique — « AI only knows that moment when you type » — parce qu'il lui manquait le savoir longitudinal et situé que possédaient leurs camarades et leur enseignant. Les deux couches comptaient : l'authenticité de la tâche et l'authenticité relationnelle qu'il y a à apporter sa propre pensée à un groupe, ce qui recadrait un usage intensif de l'IA comme le fait de profiter du travail des pairs. L'implication pour la conception est que des critères authentiques et ancrés dans l'expérience accomplissent un travail d'évaluation même sans mise en application — ils fournissent une raison de se retenir, que des déclarations de politique ne peuvent donner.

• Jumeler une tâche vulnérable à une tâche moins vulnérable. Roe, Perkins & Giray (2026) associent une tâche vulnérable à GenAI à une seconde évaluant les mêmes résultats, les programment à peu de distance l'une de l'autre pour que chacune puisse contrôler l'autre, et rendent la note interdépendante par un seuil confirmatoire ou une pondération.

Sharma (2026) soutient que la conception orientée vers l'intégrité et la conception authentique ne sont pas la même chose, et que la différence est épistémique plutôt que stylistique. L'authenticité demande si une tâche reflète une pratique du monde réel digne d'intérêt ; la conception orientée vers l'intégrité demande si les apprenants peuvent justifier leurs décisions et assumer la responsabilité par rapport aux standards disciplinaires, ce qui fait de l'intégrité un critère explicite et évaluable, intégré dans l'architecture de la tâche, plutôt qu'un sous-produit accessoire du réalisme. Les pratiques qu'il propose — pistes de décision annotées, vérification des affirmations issues de GenAI, soutenance orale et responsabilisation dialogique, différences entre brouillons avec l'historique des versions — sont reconnaissablement des formes d'évaluation authentique, mais elles sont choisies pour le jugement qu'elles rendent visible, plutôt que pour leur réalisme, ce qui constitue un utile correctif pour des tâches qui semblent authentiques et demeurent contrefaisables en substance. Sa mise en garde a aussi sa place sur cette page : exiger un raisonnement documenté privilégie les apprenants plus férus de discours réflexif, et le jugement comme preuve « demeure relationnel et situé plutôt que mécaniquement vérifiable », si bien que la conception porte sa propre charge de fiabilité interprétative.

La même question est recadrée par Thapa et Lewis (2026), qui nomment ce qu'une tâche devrait authentifier, plutôt que la question de savoir si elle semble réelle : l'authenticité épistémique, la mesure dans laquelle l'évaluation capte un engagement authentique envers l'interprétation, le jugement évaluatif, le raisonnement et la construction de savoir. Leur argument est que l'authenticité seule ne survit pas à l'IA générative, parce qu'une tâche authentique dont la preuve est un unique produit non surveillé est exposée au même problème de substitution que la dissertation qu'elle a remplacée. Rendre le raisonnement visible exige plutôt des travaux rendus par étapes, une justification réflexive, un engagement dialogique et une transparence évaluative. Ils prolongent la mise en garde ci-dessus dans la conception : des tâches réflexives et dialogiques peuvent privilégier les étudiants assurés dans l'auto-articulation académique, à moins qu'elles ne soient conçues de manière inclusive et étayées, et le travail relationnel intensifie le travail émotionnel des éducateurs dans les contextes vastes ou aux ressources contraintes.

Quand les praticiens se replient sur les formats contrôlés

La base de connaissances soutient que l'authenticité doit être conçue plutôt que contrôlée par la police, et Goldstein, Marae-Haj et Zidan (2026) fournissent les contre-preuves issues de la pratique : après une crise de confiance dans laquelle des enseignants en formation initiale ont rendu des travaux bruts générés par l'IA comme étant les leurs, les formateurs d'enseignants de sept collèges israéliens ont refondu l'évaluation autour de preuves de processus (invites, historique des versions de documents, contributions de groupe suivies) et de performance en classe — mais plusieurs ont aussi décrit un repli, en dernier recours, sur des examens surveillés et des soutenances orales anticipées sur les thèses, un participant qualifiant le retour aux examens de personnellement douloureux, quoique inévitable. Lu à l'encontre de la position « conception d'abord », le constat marque un mode d'échec plutôt qu'une solution : là où l'authenticité n'est pas repensée à l'avance, la réponse pratique à un travail rendu inévaluable est un rétablissement du contrôle — de la surveillance sous un autre nom — qui réintroduit les formats mêmes que la littérature sur l'évaluation authentique cherche à dépasser. Cela montre aussi le coût ressenti de l'alternative : les participants ont rapporté que leurs évaluations écrites à emporter ne pouvaient plus attester l'apprentissage de quelque manière que ce soit, et que la documentation du processus demandait un véritable travail à établir.

Un second mode d'échec siège à l'intérieur de la refonte elle-même : sur cinq méthodes d'enseignement des langues en ligne, les tensions liées à l'authenticité dominaient les récits des enseignants (11 sur 20), y compris la corrosion du réalisme des tâches — des activités refondues pour être résistantes à l'IA plutôt qu'authentiques (Baoyi et Khan (2026)).

Le repli porte un coût probatoire que les preuves issues des dossiers d'affaires rendent visible. Munoz et al. (2026) ont codé 1,162 allégations de faute liées à l'IA générative, et ont constaté que les types de preuve les plus solides sont produits par l'enquête ou par la surveillance, plutôt que par l'allégation, et que des preuves de processus telles que les brouillons, les entretiens de surveillance et les présentations n'apparaissent que là où ces pratiques existent déjà — si bien que, dans une évaluation non refondue, les preuves de processus que cette littérature recommande ne sont tout simplement pas disponibles, et les affaires reposent sur des catégories plus faibles. Ce qui s'y substitue est le matériau le plus faible de leur corpus : la production des détecteurs a attiré les notations probantes les plus faibles de toutes les catégories, et Hadra et al. (2026) montrent pourquoi, avec une exactitude macro de 0.69 (Originality) et 0.61 (Turnitin) sur 192 textes, un échec quasi total sur l'écriture hybride humain-IA, et une tendance à la limite de la significativité à lire erronément le travail d'étudiants d'anglais langue étrangère comme étant de l'IA. Wright (2026) ajoute la dimension de la conception des règles : des interdictions rédigées par identité de plateforme plutôt que par fonction sont sur-inclusives par accident définitionnel, si bien qu'un format contrôlé peut sanctionner un étudiant qui n'a pas fait la chose que la règle était conçue pour empêcher, ce qui pèse le plus lourdement sur les étudiants qui s'appuyaient sur des outils de transcription pour des raisons d'accessibilité. Lues ensemble, ces données montrent que le repli substitue aux preuves de processus que la conception authentique aurait générées d'emblée les preuves disponibles les moins probantes.

• Apprentissage autorégulé : l'autonomie de l'étudiant dans l'évaluation authentique (choix, autoréflexion, co-conception) reflète le cycle de l'apprentissage autorégulé (prévision → performance → autoréflexion), bien que la réflexion notée risque de devenir performative.
• Métacognition : la La métacognition est requise pour que les étudiants évaluent leur travail par rapport à des grilles co-conçues ; lorsque l'IA fournit la grille, la rétroaction et la surveillance, la pratique métacognitive de l'étudiant peut être déplacée.
• Rétroaction formative et durable : l'évaluation authentique insiste sur une rétroaction formatif et orientée vers l'avenir, qui se transfère à des contextes ultérieurs.

Implications pour l'IA en éducation

• Les types d'évaluation à l'épreuve de l'IA : les démonstrations in vivo, les portfolios de contribution sociale, les artefacts cocréés à provenance auditable, et l'interaction incarnée en temps réel sont plus résilients face à l'IA générative que les dissertations à emporter ou les questions à choix multiples.

• L'exposition est mesurable. Un diplôme de psychologie de trois ans s'est révélé passable à 90% : ChatGPT a produit une sortie adéquate sur 36 des 40 évaluations de travaux de cours, et seules les quatre tâches exigeant la présence, un artefact visuel ou les propres données de l'étudiant ont résisté (Ivory et al. (2026)).

• La co-conception à grande échelle : des outils d'IA pourraient permettre la co-conception de grilles et la cocréation par les étudiants des paramètres d'évaluation à l'échelle de la classe ou des cours en ligne ouverts et massifs — bien qu'une autonomie médiée par la machine doive être conçue avec soin.

• Traiter la lacune d'authenticité sociale : seulement 3 études sur 37 ont traité des questions sociales ; les outils d'évaluation par l'IA devraient aider les étudiants à contribuer à la transformation de la société, et pas seulement à la simuler.

• Rétroaction durable : la rétroaction par l'IA devrait être conçue pour se transférer à des contextes futurs, et pas seulement fournir des corrections momentanées et réactives.

• La mesure centrée sur le processus dispose désormais de preuves de validité. Oliveira et al. (2025) ont noté 70 dissertations notées sur la manière dont les étudiants pilotaient un dialogue avec GenAI et rendaient visibles les connaissances du cours ; ces scores de processus corrélaient à r = 0.54 avec les scores traditionnels aux dissertations, tout en récompensant le travail conceptuel par rapport à la spécification structurée de la tâche.

• L'évaluation authentique convient aux champs orientés vers la pratique. Mesny, Roberge-Maltais & Galy (2026) constatent que l'évaluation authentique convient particulièrement bien à l'enseignement de la gestion : des tâches reflétant de vrais problèmes professionnels (projets de conseil en direct, tableaux de bord accompagnés d'exposés destinés à la direction) s'alignent sur l'orientation pratique du champ et son intérêt pour l'employabilité, et peuvent soutenir des alternatives incluses et préservant l'intégrité à une évaluation centrée sur l'examen, à l'ère de l'IA générative. Dans leur revue de 58 articles issus de quatre revues d'enseignement de la gestion, cependant, l'évaluation authentique apparaissait principalement par le biais de simulations médiées par la technologie, et était souvent confondue avec l'apprentissage expérientiel — un écart terminologique qui peut obscurcir sa valeur et son adoption plus larges.

• L'authenticité n'est pas la sécurité, et l'écart est visible à l'échelle du secteur. Là où l'audit d'un diplôme unique ci-dessus a trouvé 90% des travaux de cours passables, Villanueva (2026) situe les présentations enregistrées, les projets de groupe à distance et les artefacts numériques non surveillés dans la bande de forte exposition, sur 53,915 items, parce que les données publiques ne disent rien de la manière dont la production a été surveillée.

Concepts liés

• Identité de l'apprenant — identités d'apprenant disciplinaires, professionnelles, créatives et académiques en évolution
• Portefeuille électronique (e-portfolio)
• Apprentissage par problèmes
• Évaluation
• Validité de l'évaluation
• L'évaluation formative
• Évaluation automatisée
• Intégrité académique
• Détection de l'IA
• L'apprentissage autorégulé
• La métacognition
• Évaluation de l'IA en éducation
• Enseignement supérieur
• L'IA générative
• L'IA en éducation
• La rétroaction
• L'évaluation sommative — Évaluation sommative : formats résistants à l'IA (examens oraux, surveillés, à livre fermé)
• Arts, design et enseignement des médias

Articles liés

• Preserving epistemic authenticity: process-oriented assessment in the age of generative AI — l'évaluation fondée sur le processus et l'authenticité épistémique comme ce qu'une tâche devrait authentifier

• The Integrity of Psychology Assessments in the AI Age: A Critical Examination — Ce que l'IA ne pouvait pas passer : la présence, les artefacts visuels et les propres données de l'étudiant (Ivory et al. 2026)

• The Paternalistic Filter: Epistemic Injustice and Differential Refusal in LLM-Mediated History Education for Marginalized Romanian Students — L'usage paternaliste de l'IA et l'identité des étudiants dans l'enseignement de l'histoire

• Coauthorship integrity: Reconceptualising assessment validity for the age of generative artificial intelligence

• Teaching with Generative Artificial Intelligence: Enhancing Critical Thinking and Ethical Awareness in Academic Writing

• From Classroom Design to Newsroom Practice: Assessment Intervention Designing GenAI

• Raising Ethical Awareness of GenAI Use Through Student Self-Assessment in the Transition to Higher Education

• Reimagining Success and Failure: Equitable Assessment Practices in an Age of Artificial Intelligence

• Aligning ChatGPT with E-Portfolio Assessment as EFL Learning Model: Its Effect on Students' Speaking Performance and Feedback Literacy

• Students' Perceptions of Multiliteracies Development Using AI-Assisted Portfolio Assessment

• Using Generative AI to Simulate Patient History-Taking in a Problem-Based Learning Tutorial: A Mixed-Methods Study

• Problem-Based Learning and the Structural Conditions for Productive AI Integration

• Designing for Authentic Assessment: A Scoping Review — Concevoir pour l'évaluation authentique : une revue de cadrage

• Beyond Detection: Redesigning Authentic Assessment in an AI-Mediated World — Au-delà de la détection : l'évaluation authentique

• Responsible Assessment in the AI Era: Key Insights from a Future-Focused Conference — L'évaluation responsable à l'ère de l'IA

• From authentic products to authenticated processes: a systematic conceptual review of authentic assessment in AI-rich — Produits authentiques, processus authentifiés

• A Tool-Invariant Framework for Teaching and Assessing Computational Methods in the Age of Agentic AI — Cadre indépendant de l'outil pour enseigner et évaluer les méthodes computationnelles

• Confidence Estimation in Automatic Short Answer Grading with LLMs — Notation automatisée consciente de la confiance pour les réponses brèves

• The LLM Fallacy: Misattribution in AI-Assisted Cognitive Workflows — L'erreur liée aux LLM et l'attribution erronée de la compétence

• The University AI Didn''t Replace: Rethinking Universities in the AI Era — Repenser les universités à l'ère de l'IA

• Reassessing Academic Integrity in the Age of AI: A Systematic Literature Review on AI and Academic Integrity — Multiples méthodes d'évaluation pour contrer les fautes liées à l'IA

• Reconsidering the Use of Oral Exams and Assessments: An Old Way to Move Into a New Future — Reconsidérer les examens oraux comme évaluation authentique et résistante à l'IA

• Assessment twins: An approach for strengthening assessment validity in the age of generative AI — Des jumeaux d'évaluation pour renforcer la validité de l'évaluation à l'ère de GenAI (Roe, Perkins & Giray 2026)

• Assuring quality learning in a gen AI-integrated future: The role of adaptive capabilities. TEQSA, June 2026 — Capacités adaptatives pour assurer un apprentissage de qualité dans un avenir intégrant GenAI (Lodge et al. 2026)

• Asynchronous Oral Assessments: Enhancing Integrity, Engagement, and Communication in the AI Era — Les évaluations orales asynchrones à l'ère de l'IA (Pentland 2026)

• Assessing students' DRIVE: A framework to evaluate learning through interactions with generative AI — DRIVE : évaluer l'apprentissage à travers l'interaction avec GenAI (DRI + expertise visible)

• Innovative assessment and grading practices in higher education: A critical exploration for management educators

• Students' Agency in GenAI-Mediated Group Assessment: An Ecological-Emergent Perspective — Critères d'authenticité qui ont conduit des groupes d'étudiants à réduire leur usage de GenAI

• Pioneering Teacher Educators Navigating AI Integration in Pre-Service Teacher Preparation: Strategies and Challenges — La crise de confiance liée à l'IA qui a poussé les formateurs d'enseignants à revenir vers les examens surveillés et les soutenances orales (Goldstein et al. 2026)

• Educational integrity in GenAI-augmented assessment: making judgment visible — La conception orientée vers l'intégrité distinguée de l'évaluation authentique : rendre le jugement visible (Sharma 2026)

• How strong is the evidence in generative AI-related academic misconduct allegations? A mixed-methods analysis — Ce que contiennent réellement les dossiers d'allégation de faute comme preuves, et les preuves de processus qui leur manquent (Munoz et al. 2026)

• Evaluating the accuracy and reliability of AI content detectors in academic contexts — Exactitude des détecteurs et échec sur l'écriture hybride : pourquoi la détection est une preuve de repli faible (Hadra et al. 2026)

• Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment — Interdictions d'IA sur-inclusives : la transcription n'est pas la génération (Wright 2026)

• Designing Authentic Assessments with Generative AI: A Pilot Study of Assessment Authentifire in Higher Education — Concevoir des évaluations authentiques avec l'IA générative : une étude pilote de l'authenticité de l'évaluation dans l'enseignement supérieur

• AI and higher education: teachers' perceptions of students' ethical tensions in online pedagogical methods — La corrosion du réalisme des tâches : une refonte résistante à l'IA qui érode l'authenticité dans l'enseignement des langues en ligne

• How AI-vulnerable is Australian higher education assessment? A computational audit of Group of Eight Arts and Humanities units, 2022–2026 — Les formats à authenticité affichée (présentations enregistrées, projets de groupe à distance, artefacts numériques) obtiennent des scores élevés sur 53,915 items : l'authenticité ne vérifie pas la paternariat