Base de connaissances AIEdAIEd KB
Sur cette page

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

Concepts

Surveillance à distance des examens

Création 2026-08-20 · Mise à jour 2026-10-10

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

La surveillance à distance des examens — le contrôle des épreuves lorsque les étudiants les passent loin d'un lieu physique supervisé, allant d'un surveillant humain qui observe par webcam ou depuis un centre de contrôle à des systèmes entièrement automatisés de surveillance fondés sur l'IA (AIPS) qui recourent à l'apprentissage automatique ou profond pour vérifier l'identité et signaler les comportements suspects. C'est le principal moyen de préserver la validité de l'évaluation sommative et l'intégrité académique dans l'apprentissage en ligne et à distance, où la surveillance en présentiel est souvent irréalisable — mais elle soulève de sérieuses inquiétudes quant à la confidentialité, à la surveillance académique, à l'équité, à l'impartialité et à l'érosion de la confiance, des coûts qui peuvent eux-mêmes nuire à l'environnement d'apprentissage qu'elle vise à protéger.

Questions à examiner

  • Avant de lire, lorsque vous imaginez « l'intégrité académique dans les examens en ligne », quel est votre premier réflexe sur la manière de la préserver — et ce réflexe porte-t-il sur la détection des tricheurs ou sur la construction de la confiance ? La page soutient que ces deux approches traduisent deux philosophies très différentes.
  • La surveillance à distance va d'un humain qui observe par webcam à des systèmes d'IA qui analysent les mouvements des yeux, la posture de la tête et les expressions du visage. Qu'est-ce qu'un système d'IA observe réellement lorsqu'il signale un « comportement suspect », et à quel point êtes-vous sûr que regarder ailleurs de l'écran équivaut à tricher ?
  • La page avertit que le contrôle peut être contre-productif : être observé accroît l'anxiété d'examen, et les étudiants stressés peuvent être plus enclins à tricher. Pouvez-vous penser à un moment où une pression ou une surveillance a affecté votre propre performance ? Cette expérience mine-t-elle l'argument en faveur de la surveillance ?
  • La surveillance automatisée capte l'espace de vie, le visage et la voix des étudiants, souvent sans véritable choix que de consentir. Où se situe la frontière entre une supervision d'examen raisonnable et une surveillance qui présume les étudiants coupables jusqu'à preuve de leur honnêteté — et qui devrait la tracer ?
  • La recherche montre que la surveillance peut signaler des comportements bénins comme suspects, produisant de fausses accusations, et que la précision du modèle varie selon les populations démographiques et les environnements. Si vous êtes un administrateur, comment pesez-vous l'intégrité qu'elle récupère face à l'équité et à la confiance qu'elle peut éroder ?
  • La page présente la surveillance comme un outil, non comme une solution — des alternatives existent, comme l'évaluation orale et l'évaluation fondée sur le processus. Avant de lire, quelle approche défendriez-vous pour une évaluation à enjeux élevés dans un contexte à distance, et quelle preuve vous ferait changer d'avis ?

Introduction

La surveillance à distance existe sur un spectre. La surveillance en ligne implique typiquement un surveillant humain qui contrôle un étudiant par webcam ou depuis un centre de supervision. La surveillance automatisée ou fondée sur l'IA (AIPS) remplace ou augmente l'humain par des systèmes d'apprentissage automatique et d'apprentissage profond (CNN, RNN, LSTM) qui analysent des indices visuels — mouvements des yeux, posture de la tête, expressions du visage et langage corporel — pour détecter en temps réel les comportements suspects. Les plateformes courantes comprennent ProctorU et Kryterion. Les AIPS combinent typiquement quatre fonctions : (1) l'authentification de l'identité (par exemple, vérification faciale par caméra), (2) les restrictions de navigation, (3) l'autorisation ou le contrôle à distance de l'épreuve, et (4) la production de rapports à partir des séances enregistrées.

Avantages et opportunités

  • Récupère la validité et l'intégrité dans l'évaluation en ligne. La surveillance à distance répond à un authentique problème de validité. Dans l'évaluation en ligne, l'IA générative rend le travail non surveillé peu fiable comme mesure de l'apprentissage : les mesures non assistées, surveillées et à livre fermé constituent le signal le plus fort de ce que les étudiants savent réellement (voir évaluation sommative, preuves de rétention sous surveillance). Sans une forme quelconque de supervision, les examens en ligne peuvent gonfler les notes en captant une performance assistée par l'IA plutôt qu'indépendante.
  • Extensibilité et coût. La surveillance automatisée réduit le besoin de lieux physiques dédiés et de surveillants humains, rendant le contrôle faisable à grande échelle — un avantage pour les MOOC et les grands programmes en ligne, où la surveillance traditionnelle est irréalisable sur le plan logistique et financier.
  • Accessibilité et portée. La surveillance permet aux étudiants situés dans des lieux éloignés de passer des examens de n'importe où, en supprimant les barrières géographiques et d'agenda à l'obtention des certifications.
  • Capacité de détection. Les systèmes avancés d'apprentissage automatique et profond peuvent détecter la triche (mouvements des yeux, posture de la tête, expressions du visage) de manière plus fiable que l'observation manuelle, et peuvent surveiller en continu plutôt que par intermittence.

Inconvénients, risques et préjudices

  • Préjudices à la confiance et à la relation étudiant-enseignant. Le coût le plus lourd de conséquences de la surveillance à distance est souvent relationnel. La surveillance continue communique que les étudiants sont présumés malhonnêtes, ce qui peut éroder la confiance, ronger la relation étudiant-enseignant et miner le sens d'une finalité partagée qui soutient l'intégrité académique. La surveillance comme moyen d'application peut évincer l'approche de l'intégrité fondée sur la confiance et pédagogique, qui bâtit un usage responsable.
  • Surveillance académique. La surveillance à distance est une forme de surveillance académique qui étend le contrôle institutionnel jusque dans l'environnement domestique privé de l'étudiant. Au-delà de l'examen lui-même, ces systèmes captent en continu l'espace de vie, le visage, la voix et le comportement de l'étudiant — un niveau d'examen attentif qui a peu de précédents dans l'enseignement supérieur. Les critiques soutiennent que cela normalise une culture de surveillance dans laquelle les étudiants sont présumés coupables jusqu'à preuve de leur honnêteté, remodelant la relation entre institutions et apprenants et soulevant des questions de proportionnalité : les gains d'intégrité justifient-ils de soumettre chaque étudiant à un contrôle omniprésent pour les méfaits de quelques-uns ? (confidentialité), confiance
  • Confidentialité et consentement. Les AIPS accèdent en continu à l'imagerie faciale, aux schémas vocaux, au regard et à la dynamique des frappes, souvent par une surveillance audiovisuelle persistante. Le traitement des données doit se conformer à des cadres comme le RGPD et le PDP Bill de l'Inde, et exige un consentement clair et une manipulation sécurisée des données biométriques. Les étudiants n'ont souvent guère d'autre choix que d'accepter le contrôle s'ils veulent passer un examen, ce qui soulève la question de savoir si le consentement est réellement volontaire. (confidentialité)
  • Faux positifs, fausses accusations et anxiété. Les systèmes peuvent signaler comme suspects des comportements bénins (regarder ailleurs, ajuster sa posture), ce qui érode la confiance des étudiants et produit de fausses accusations de fraude — en particulier là où les surveillants ou les candidats manquent de compétence.
  • Stress et anxiété d'examen. Passer un examen sous surveillance est en soi une source de stress et d'anxiété importants. La surveillance continue, la crainte d'être signalé à tort et la pression d'être observé peuvent accroître l'anxiété d'examen et nuire à la performance — et, selon les preuves, les étudiants stressés peuvent être plus enclins à recourir à un comportement malhonnête, ce qui signifie que le contrôle peut être contre-productif. Être observé est stressant et peut induire lui-même le comportement contraire à l'éthique qu'il vise à prévenir.
  • Le raisonnement d'intégrité n'a pas survécu au plus grand test. Sur quatre vagues et 1 760 étudiants répartis dans 105 cours, la surveillance a accru l'anxiété d'examen (β = 0,60, p < 0,001) mais n'a eu aucun effet sur la tentation de tricher, la difficulté perçue ou les notes, de sorte que le coût de la surveillance n'a pas été compensé par la dissuasion (Conijn et coll. (2022)).
  • Équité et fracture numérique. La dépendance aux appareils, l'instabilité de la connexion internet, l'éclairage et la variabilité du matériel désavantagent de manière disproportionnée les étudiants ruraux et ceux à faible bande passante ; la précision du modèle peut varier selon les populations démographiques et les environnements, risquant des signalements injustes. (fracture numérique), équité Une revue de portée de la surveillance dans l'évaluation en soins infirmiers montre que ce n'est pas un cas marginal : quatre de ses six études incluses ont rendu compte de problèmes de connectivité internet, une a rendu compte de coupures de charge en même temps que de forfaits de données limités, et l'incompatibilité des appareils, les pannes d'extensions de navigateur et les analyses d'environnement en échec étaient monnaie courante — de sorte que l'inéquité infrastructurelle, et pas seulement le biais du modèle, détermine qui peut être évalué du tout. (Under surveillance: Mapping remote proctoring practices in the assessment of nursing students — a scoping review)
  • Angles morts de détection et course aux armements. L'usurpation d'identité (photos ou vidéos masquantes), l'usage du navigateur et le copier-coller restent difficiles à détecter de manière fiable ; la précision de la détection est bornée par les limites des jeux de données, l'évaluation sur un modèle unique et les lacunes de reproductibilité. La surveillance ne résout pas entièrement l'intégrité, et peut créer un faux sentiment de sécurité.
  • La question de gouvernance. La question de savoir si la surveillance est la bonne réponse, par opposition à la refonte de l'évaluation (orale, fondée sur le processus, portefeuille), est une décision institutionnelle ouverte ; la surveillance à distance est un outil, non une solution complète. (gouvernance) L'exposition qui suit lorsque l'application tourne mal — des accusations fondées sur des scores et des journaux d'événements, la conservation et le traitement ultérieur des données captées, et des règles qui pèsent inégalement sur les étudiants handicapés ou non natifs — est cartographiée dans questions et risques juridiques.

Base de preuves

  • Une revue systématique de dix ans portant sur 80 études évaluées par des pairs (2014–2024) constate que la surveillance avancée par apprentissage automatique et profond détecte la triche de manière plus fiable que les méthodes traditionnelles, mais qu'elle est limitée par des lacunes dans les jeux de données (35% ne les ont pas entièrement divulgués), l'évaluation sur un modèle unique (40%), des problèmes de reproductibilité (30%), un rendu éthique clairsemé (25% seulement) et des métriques incohérentes (20%). Les faux positifs et faux négatifs — signaler un comportement normal comme suspect ou manquer une triche subtile — minent la fiabilité et la confiance. (Ensuring Academic Integrity through Automated Online Exam Proctoring: A Decade-Long Systematic Review)
  • Une revue compagne documente les méthodes de triche que l'IA doit contrer (usurpation d'identité par photos ou vidéos, usage du navigateur ou de l'appareil, copier-coller) et les obstacles pratiques : l'anxiété des candidats, les lacunes de compétence causant de fausses accusations, et les infrastructures (webcam, microphone, internet) qui ne sont pas universellement abordables ou disponibles. Elle rapporte qu'environ 37,8% des étudiants de l'enseignement supérieur et environ 41,8% des lycéens admettent tricher — la motivation du contrôle. (A Comprehensive Review of the Changing Landscape of Academic Dishonesty in Automated Proctoring in the Era of Artificial Intelligence)
  • Les enseignants ne voient aucun bénéfice à la surveillance d'examens passés hors de la classe. Chan et coll. (2026) ont enquêté auprès de 56 enseignants (47% de taux de réponse) d'un département de biologie après avoir codé les 38 syllabus de tous ses cours obligatoires fondamentaux, et leur ont demandé de noter chaque catégorie de travaux notés qu'ils utilisent selon sa vulnérabilité à la malhonnêteté académique (0 = minimalement à 4 = hautement vulnérable). Les examens hors de la classe, surveillés et non surveillés, ont été notés de manière identique à une médiane de 3 (modérément vulnérables), tandis que les examens en présentiel surveillés étaient la seule catégorie notée minimalement vulnérable (médiane de 0) et étaient significativement moins vulnérables que toutes les autres catégories (p_adj < 0,01). Parce que des navigateurs verrouillés étaient disponibles pour les examens hors de la classe, le résultat traduit une perception selon laquelle les outils n'ont pas réduit l'exposition — ce qui concorde avec les preuves de la revue ci-dessus, selon lesquelles la surveillance en ligne n'est efficace que de manière inégale, et avec les coûts documentés en matière d'anxiété, de confidentialité et de fausses accusations, qui rendent l'arbitrage contesté. Les enjeux sont visibles dans la comptabilité des points de la même étude : les examens hors de la classe portaient en moyenne 54,2% de la note dans les cours en présentiel qui les utilisaient et 59,2% dans les cours en ligne, où chaque offre de cours s'appuyait sur eux.
  • Une revue de portée de la surveillance à distance dans l'évaluation des étudiants en soins infirmiers cartographie un spectre de modalités plutôt qu'une pratique unique — surveillance humaine en direct (ProctorU), surveillance par extension de navigateur et IA avec webcam, microphone et signalement de comportements (Honorlock), contrôle par webcam et navigateur verrouillé (Respondus Monitor), une application mobile de surveillance déployée institutionnellement, et ordinateurs de bureau fixes de centre de test sous surveillance centrale — et soutient que la diversité traduit des disparités d'infrastructures et de capacités institutionnelles plutôt qu'une norme partagée. Six études seulement remplissaient ses critères d'inclusion (1 567 étudiants en soins infirmiers aux États-Unis, au Royaume-Uni, en Afrique australe et en Égypte), et aucune n'a été publiée avant 2021. Ce que la revue établit, c'est que la surveillance produit des perceptions de dissuasion et une lourde charge de revue pour le corps professoral : l'accord de 98 à 100% selon lequel la surveillance par webcam et les navigateurs verrouillés dissuadent la triche est auto-déclaré et provient d'un seul programme de praticiens infirmiers diplômés, les alertes IA à haut risque étaient rares, ne dépassant pas 5%, mais les alertes mineures fréquentes produisaient des faux positifs exigeant une revue coûteuse en temps, et des chargés de cours sud-africains ont rendu compte d'une malhonnêteté persistante sous contrôle actif. La seule étude comparative de performance va dans l'autre sens — une cohorte surveillée en présentiel a obtenu des scores significativement plus élevés au HESI Exit Exam et en préparation au NCLEX que la cohorte ProctorU — et la revue traite le lien entre surveillance et apprentissage plus honnête comme une question ouverte plutôt que comme un bénéfice établi. (Under surveillance: Mapping remote proctoring practices in the assessment of nursing students — a scoping review)
  • Un examen surveillé et en présentiel a tout de même produit 44,2% d'étudiants à haut risque. Dans un cours d'introduction à la programmation d'une université publique turque, 23 des 52 étudiants de première année ont été étiquetés à haut risque à partir des journaux d'examen enregistrant des événements de copie, de perte de focus et de clic droit, bien que l'examen fût surveillé et passé dans un laboratoire informatique ; la même étude prédit ce risque à partir des traces du LMS en début de semestre plutôt qu'à partir du comportement pendant l'examen. (Early Prediction of AI-Assisted Cheating Risk in Online Exams Through Learning Analytics)

Directions recommandées

  • Supervision hybride humain-IA. Assortir le signalement automatisé d'une revue humaine pour réduire les faux positifs et garder un jugement contextualisé.
  • Architecture respectueuse de la confidentialité. Le traitement en périphérie, l'anonymisation et la manipulation sur l'appareil réduisent l'invasivité de la capture continue de données.
  • Déploiement soucieux d'équité. Des jeux de données divers et géographiquement inclusifs et des modèles légers pour les environnements à faibles ressources ; des alternatives accessibles pour les étudiants dépourvus d'appareils ou de connexion fiables.
  • Éduquer avant de surveiller. Préférer le développement de l'littératie en IA et de l'usage responsable par la culture et la construction de la confiance, en réservant la surveillance aux cas à enjeux élevés qui l'exigent réellement.

Concepts liés

Articles liés

Métadonnées

NiveauHigher Ed
Apprentissage et enseignementEnseignement et apprentissage en ligne
Évaluation et mesureÉvaluation orientée sur le processus, Surveillance à distance des examens, L'évaluation sommative
Équité, éthique et usage responsableL'équité, La vie privée
Fondements de l'IA dans l'éducationIntégrité académique
SourceHistoryEditChat

Intégrer cette page

Copiez le code ci-dessous pour intégrer cette page dans un système de gestion de l'apprentissage ou un autre site. La version intégrée n'affiche que le contenu de la page : l'en-tête, la navigation et le pied de page du site sont masqués.