Comment rédiger une politique d'usage de l'IA pour un cours et la communiquer aux étudiants ?

Traduction automatique de la page anglaise, non encore relue par une personne de langue maternelle.

Vous avez un programme de cours, une fiche de travail et une salle pleine d'étudiants qui ont déjà écrit leurs propres règles privées sur l'IA générative. Ce que vous publiez doit être juste envers l'étudiant qui respecte les règles comme envers celui qui ne les respecte pas, et doit être quelque chose que vous pouvez réellement appliquer à quarante copies sans devenir ni une bonne poire ni un agent de police.

L'essentiel : écrivez moins de règles que vous n'êtes tenté d'en écrire, rattachez chacune à la chose précise que vous évaluez, désignez un seul endroit standard où les étudiants déclarent leur usage de l'IA, et faites de votre voie d'application une preuve que vous pouvez voir de vos propres yeux plutôt qu'un score de détecteur. Une politique qui s'explique fait en même temps un travail de conception de l'évaluation et un travail de communication : c'est pourquoi elle prend un après-midi et épargne un semestre de disputes.

Cette page porte sur le document au niveau du cours, pour un module, un cours ou un axe de programme. L'hypothèse retenue partout est que vous avez décidé ce que vous évaluez ; la question est comment le dire et le faire tenir.

À quoi ressemblent réellement les politiques de cours aujourd'hui

Une analyse de contenu de 116 politiques institutionnelles sur l'IA générative issues de 131 universités américaines de type R1 et de 98 programmes de cours d'informatique issus de 54 d'entre elles a montré que les institutions étaient majoritairement favorables à l'usage : 63% encouragent l'usage de l'IA générative, 41% proposent des consignes de classe détaillées, 27% le découragent, tandis que la moitié des programmes (50%) l'interdisent purement et simplement, 41% autorisent un usage partiel pour des activités précisées et 7% communiquent un encouragement. Ganguly et ses collègues (2026) appellent cela l'écart entre approche descendante et approche ascendante : 92% des programmes donnent des lignes directrices explicites, mais les enseignants écrivent des règles locales qui peuvent ne pas s'aligner sur les orientations institutionnelles, et seules 47 institutions avaient les deux niveaux détectables. La citation est le seul point sur lequel les deux niveaux s'accordent, exigée par 83% des programmes. Votre règle locale est celle que les étudiants rencontrent en premier, et être plus strict que votre institution est normal, mais c'est un engagement que vous prenez seul.

Chirikov (2026) a suivi plus de 31,000 programmes de cours dans une grande université publique de recherche du Texas, de 2021 à 2025 : la régulation est passée de quasiment zéro avant ChatGPT à 55% des cours à l'automne 2025, tandis que la part des politiques entièrement restrictives a baissé d'environ 5 points de pourcentage par an. À l'automne 2025 les enseignants restreignaient le plus souvent la rédaction et la révision (79%) ainsi que le raisonnement et la résolution de problèmes (65%), et autorisaient le plus souvent la correction et la relecture (83%), le soutien à l'étude et la synthèse (80%) et la programmation (75%) ; l'idéation était l'usage le plus contesté (46% l'autorisent, 54% la restreignent). Les mentions d'intégrité académique sont passées de 63% à 49%, tandis que les références à l'impact de l'IA sur l'apprentissage ont augmenté de 1% à 29% et les exigences d'attribution de 16% à 43%. Les enseignants passent d'un langage du type « ne trichez pas » à un langage du type « voici pourquoi cette limite protège votre apprentissage ».

Nash et Burriss (2026) ont analysé 27 politiques d'usage de l'IA en classe rédigées par de futurs enseignants de lettres : 26 sur 27 autorisaient un certain usage de l'IA, presque toujours selon des modalités, des moments et des lieux fixés par l'enseignant, et une seule l'interdisait entièrement. L'idéation était l'usage le plus largement autorisé (22 sur 27) et le plus ambigu ; 22 interdisaient, ou laissaient flou, l'usage de l'IA pour composer des phrases, des paragraphes ou des travaux ; 16 autorisaient la vérification grammaticale et la relecture tandis que 16 interdisaient de produire de longs textes par l'IA ; et 22 sur 27 n'abordaient pas du tout la lecture. L'échec récurrent était l'opérationnalisation : une politique autorisait l'IA « pour lancer votre réflexion » et déclarait « c'est là qu'il faut tracer la ligne » sans dire où. Cette ambiguïté est un défaut, pas un compromis : elle laisse les étudiants incapables de s'y conformer et vous incapable d'appliquer une norme cohérente.

Quoi écrire, et où le placer

Partez des tâches, pas de la philosophie. La méthode explicitée la plus claire est celle de McCorkle (2025), qui a remplacé une interdiction générale à laquelle les étudiants ne croyaient pas être soumis. Le problème était un défaut d'alignement, pas de la défiance : les étudiants ne se voyaient pas agir malhonnêtement. La méthode consistait à inventorier chaque tâche du projet semestriel, à se demander pour chacune « qu'est-ce que j'évalue, précisément ? », à associer chaque tâche à un usage professionnel plausible de l'IA générative, et à décider tâche par tâche, en pesant le besoin d'évaluer une compétence contre la valeur de développer une compétence professionnelle. La politique qui en résulte est délibérément irrégulière : le remue-méninges est autorisé mais pas la rédaction d'objectifs d'apprentissage précis et mesurables, la sélection d'images est autorisée mais pas la conception du message diapositive par diapositive, les scripts et la narration sont autorisés avec obligation d'évaluer la sortie de l'IA.

Sur le programme : le résumé court, à savoir les tâches, l'usage autorisé pour chacune, la manière dont la déclaration fonctionne et la conséquence d'une limite franchie. Sur la fiche de travail : l'encadré, car un résumé unique est trop grossier pour un projet complexe ; le texte de McCorkle fonctionnait parce qu'il donnait une justification adressée aux étudiants à la deuxième personne, en nommant l'évaluation qui justifie chaque restriction. En classe : dites la règle à voix haute une fois, au moment où elle s'applique pour la première fois, et rattachez-la au travail sous leurs yeux : une règle qu'un étudiant rencontre seul est une règle qu'il interprète seul.

La mécanique de la déclaration mérite son propre paragraphe de programme : les étudiants qui ont co-conçu une politique de cours par questionnement guidé ont priorisé la formation des étudiants et des enseignants, des procédures de déclaration standardisées, un soutien institutionnel plus fort et une plus grande participation aux décisions concernant l'IA (Hingle et Johri (2026)). Dites comment, où et sous quelle forme un étudiant déclare son usage de l'IA, et dites-le une seule fois. Le geste équivalent de Pisan (2026) était de faire du journal d'invites l'artefact noté : quand un modèle fait la production, l'invite et le journal d'interaction sont ce qui mérite d'être versionné.

N'écrivez que des règles que vous pouvez appliquer

Une règle exigeant une surveillance tâche par tâche, ou un jugement sur le moment où une évaluation « commence », sera appliquée de façon incohérente, et l'incohérence est elle-même un problème d'équité. Les régimes fondés sur les détecteurs entraînent un coût de surveillance qui se répartit inégalement et soulèvent des questions de surveillance à distance et de conservation des données. Le constat de Chirikov sur l'importance des variations disciplinaires et par tâche plaide pour des cadres qui accordent aux enseignants une autonomie dans leur domaine plutôt que des mandats uniformes.

Il y a ici une dimension d'équité : les politiques opaques supposent un bagage de connaissances partagé sur la paternité des textes, l'attribution et les normes du travail universitaire, si bien qu'elles pénalisent le plus les étudiants qui arrivent sans ce bagage. L'argument de McCorkle est que la transparence démonte une partie de ce programme caché et réduit le risque qu'un échec de la politique devienne une affaire disciplinaire. La version la moins coûteuse de tout cela est un nombre plus faible de règles plus précises : les tâches que vous évaluez, les usages autorisés pour chacune, la mécanique de la déclaration et la conséquence d'une limite franchie, en énonçant la raison de chaque limite.

Comment le dire pour que les étudiants s'y conforment

Les règles de déclaration ne fonctionnent pas comme mécanismes de conformité à elles seules ; supposer le contraire est l'erreur de conception la plus courante. Dans une étude à méthodes mixtes menée auprès de 409 étudiants de premier cycle, Qu et Wang (2026) ont constaté que la non-déclaration était une adaptation stratégique aux normes perçues des pairs et à une faible confiance interprétative envers les enseignants, et non une négligence morale : la déclaration perçue chez les pairs et le confort avec les enseignants étaient les meilleurs prédicteurs de la déclaration des étudiants eux-mêmes, tandis que le désengagement moral avait des effets plus faibles. Le climat relationnel est une variable que l'on peut concevoir, et les mandats seuls sont insuffisants : ce que les étudiants croient que leurs pairs font, et le fait qu'ils vous fassent confiance pour lire une déclaration équitablement, prédit leur honnêteté mieux que la sévérité de votre formulation.

Kim et ses collègues (2026) ont identifié cinq lieux distincts où vit la vraie politique d'un cours, soit l'intention de l'enseignant, la politique formelle, l'interprétation de l'étudiant, la politique personnelle de l'étudiant et la pratique de l'étudiant, avec des écarts systémiques entre eux, ainsi que 23 rationalisations en six classes que les étudiants utilisaient pour justifier l'usage de l'IA dans la rédaction académique, de « aucune victime humaine » à « indifférence de l'enseignant ». Ces rationalisations étaient ad hoc et a posteriori : les étudiants expliquaient un comportement déjà advenu plutôt que de raisonner au préalable, et c'est pourquoi une formulation plus claire et une détection plus sévère ne comblent pas l'écart à elles seules. Un participant qui voulait obéir à une règle stricte d'interdiction de l'IA continuait d'utiliser l'IA et déclarait que l'interdiction « me crée un conflit, parce que j'enfreins les règles » : l'interdiction intensifiait le conflit moral plutôt qu'elle ne prévenait l'usage. Si une règle produit de la culpabilité sans conformité, elle ne fait pas son travail ; elle érode la relation dont vous avez besoin pour la déclaration.

Surveillez ce que vous donnez en modèle : comme la plupart des travaux du cours de Pisan déclaraient l'invite utilisée pour les générer, un étudiant a lu cette transparence comme une autorisation : « la dépendance à l'IA de l'enseignant pour noter et créer des travaux rendait aussi difficile de ne pas utiliser l'IA pour les travaux de la même manière ». Donner un modèle de norme fait partie de la politique telle que les étudiants la vivent, quoi que dise le programme.

Une déclaration modèle que vous pouvez adapter :

L'usage de l'IA dans ce cours. Je veux que vous quittiez ce cours capables de faire X vous-mêmes, c'est pourquoi j'évalue X directement. Vous pouvez utiliser l'IA pour [usages autorisés] dans [liste de tâches] ; vous ne pouvez pas l'utiliser pour [usages restreints], parce que c'est ce que je note. Si vous utilisez l'IA quelque part dans votre travail, dites-moi dans [l'endroit unique désigné, par exemple une ligne de déclaration sur chaque copie] à quoi vous l'avez utilisée et collez les invites. Le déclarer ne fera jamais baisser votre note ; ne pas le déclarer le fera. Si vous n'êtes pas sûr qu'un usage soit autorisé, demandez-moi avant de rendre, pas après.

Cette dernière phrase déplace le point de décision avant le travail.

Les quatre conversations qui génèrent des conflits

L'étudiant qui a utilisé l'IA sans le dire. Traitez cela comme une question de processus, non de caractère. Mohamed et Temimi (2026) modélisent l'évaluation comme un problème d'information imparfaite : l'étudiant sait comment le travail a été produit et l'institution ne voit que l'artefact et des traces partielles. Leur modèle de régions de réponse compare trois réponses, l'absence d'usage de l'IA, l'usage déclaré et l'usage dissimulé, et demande laquelle chaque mécanisme rend la plus attractive. L'interdiction définit la limite formelle mais laisse l'usage dissimulé attractif quand les étudiants perçoivent la détection comme faible ; la surveillance augmente le coût attendu de l'usage dissimulé sans augmenter la déclaration ; les étudiants deviennent prudents sans devenir transparents. La permission avec déclaration rend le signalement honnête viable seulement quand le coût de l'honnêteté est faible. Concrètement : demandez ce que le travail était censé évaluer, demandez à l'étudiant de rendre compte de son processus, et traitez une déclaration tardive comme une information, non comme un aveu.

L'étudiant qui cite l'IA pour tout. C'est généralement un déficit de compétences déguisé en question de conformité. Les exigences d'attribution dans les programmes sont passées de 16% à 43% tandis que les mentions d'intégrité académique baissaient de 63% à 49% : le domaine demande une citation, pas un aveu. Précisez le format une fois, en un seul endroit, sur la fiche de travail plutôt que dans une note de bas de page du programme. Dites ce qui compte comme attribution adéquate dans votre discipline, et donnez un exemple traité. Lorsque le vrai problème est que l'étudiant ne peut pas encore faire le travail sous-jacent sans le modèle, la réponse est la conception de la tâche, pas la règle.

Le travail en groupe. Les tâches de groupe sont l'endroit où les cinq lieux de la politique divergent le plus vite : cinq étudiants peuvent avoir cinq interprétations différentes d'une même phrase et un seul rendu est noté. Décidez et publiez, pour chaque livrable de groupe, si l'usage de l'IA est autorisé, qui le déclare et ce qui se passe quand un membre sort de la règle, avant le début du projet et non pendant le litige. Si vous ne pouvez pas énoncer la contribution individuelle dont un membre est redevable, notez la tâche comme un travail de groupe uniquement plutôt que d'arbitrer la paternité des textes après coup.

Une déclaration que vous ne pouvez pas vérifier. Certaines déclarations seront incomplètes et certaines omissions infalsifiables. Ne construisez pas la règle autour d'une résolution que vous ne pouvez pas atteindre : Bassett et ses collègues (2026) soutiennent que la détection de l'IA ne devrait pas être utilisée du tout en éducation, pour trois raisons qui touchent directement la formulation des politiques. La sortie d'un détecteur est une estimation probabiliste qui ne peut pas être vérifiée indépendamment, parce que l'origine réelle d'un texte est inconnue, si bien que la validation repose sur un raisonnement circulaire. Les scores des détecteurs ne satisfont pas le critère de la balance des probabilités qu'exige une enquête d'intégrité. Et la dichotomie humain contre IA n'a pas de sens pour un travail créé avec l'IA plutôt que par elle. Leur conclusion est que la détection « ne protège pas l'intégrité académique ; elle la sape ». Ils signalent aussi un problème de rédaction : les règles restreignant l'usage de l'IA « en évaluation » ne précisent pas quand une évaluation commence, si bien que la recherche, la planification ou la révision assistées par IA peuvent être ou ne pas être une violation selon qui lit le texte. Nommez plutôt des preuves de processus que vous pouvez observer : un journal d'invites et d'interactions rendu avec le travail, un exercice produit en classe, une explication orale, et traitez un usage déclaré de l'IA comme un contexte. Là où votre institution utilise quand même un détecteur, les avertissements des mêmes auteurs sur le stockage, la conservation et l'exploitation commerciale des travaux des étudiants s'appliquent ; l'objection de vie privée soulevée par deux futurs enseignants est celle que vos étudiants soulèveront.

« Oui, mais... » : les trois objections que vous entendrez

« Les étudiants vont simplement le cacher. » Certains le feront, et la question de conception est de savoir quels étudiants votre règle tente. La dissuasion passe par la discrimination d'un détecteur entre usage dissimulé et travail légitime, et non par son taux de détection brut, donc quand une sensibilité accrue produit plus de nouveaux faux positifs que de nouveaux vrais positifs, une surveillance plus forte peut rendre la dissimulation relativement plus attractive : les étudiants honnêtes sont pénalisés plus vite que les utilisateurs dissimulés ne sont identifiés. Et la permission et la déclaration sont deux leviers différents : la permission déplace la limite de l'usage acceptable, la déclaration change la visibilité. Diagnostiquez où votre tâche attire le plus l'étudiant tenté de dissimuler, et concevez pour cet étudiant-là, pas pour le plus consciencieux.

« Je ne veux pas interdire des outils que je ne peux pas détecter. » Vous n'y êtes pas obligé. L'interdiction n'est qu'une des quatre réponses de conception, aux côtés de la surveillance, de l'usage autorisé avec déclaration et de la refonte. La refonte change ce que la tâche récompense, et reste cosmétique si la grille d'évaluation note encore principalement le produit final. Pisan (2026) montre les options rendues explicites et graduées par niveau : l'usage de l'IA est banni dans le cours d'introduction à la programmation, parce qu'externaliser les premières boucles supprime ce qui est enseigné ; encouragé dans les projets du cours de structures de données (Copilot autorisé) mais banni des examens sur papier ; une aide à l'étude et à la révision dans le cours de systèmes de niveau avancé ; et obligatoire dans le cours d'IA lui-même, où une limite portait l'essentiel du poids : le modèle peut écrire du code, mais les réflexions doivent être dans la voix propre de l'étudiant. L'évaluation s'est déplacée vers un travail qu'un modèle ne peut pas écrire discrètement à la place de l'étudiant, les examens ayant été entièrement supprimés.

« La politique de mon institution couvre déjà cela. » Moins que vous ne le pensez. Cet écart entre approche descendante et ascendante va dans les deux sens : 92% des programmes donnent des lignes directrices explicites tandis que les règles locales dérivent des orientations institutionnelles, et seules 47 institutions avaient les deux niveaux détectables. L'approvisionnement, les données et les cycles de révision relèvent de Comment rédiger et mettre en œuvre une politique institutionnelle d'IA ?, mais la traduction en classe vous appartient. Nash et Burriss concluent que les institutions doivent outiller les enseignants pour résister autant que pour adopter, en fournissant l'encadrement et le développement professionnel qui permettent à un enseignant de refuser un usage précis de l'IA sans être présenté comme en retard ; le technodéterminisme de leurs participants contredisait leurs propres engagements pédagogiques. Avoir une politique institutionnelle n'est pas la même chose qu'avoir une couverture pour votre jugement.

Votre première semaine : une liste d'actions

• Inventoriez les tâches notées et demandez pour chacune « qu'est-ce que j'évalue, précisément ? » avant de décider quoi que ce soit à propos de l'IA.
• Décidez tâche par tâche, et vérifiez quelle réponse rend cette décision la plus attractive pour l'étudiant le plus tenté de dissimuler.
• Ne faites pas d'un détecteur le mécanisme d'application : nommez plutôt des preuves de processus que vous pouvez observer, journaux, travail en classe, vérification orale.
• Dites comment et où les étudiants déclarent l'usage de l'IA, en un seul endroit standard, et traitez une déclaration comme un contexte plutôt qu'un aveu.
• Énoncez chaque règle sous forme de justification, en nommant l'évaluation qu'elle sert, avec des rappels sur les projets complexes.
• N'écrivez que des règles que vous pouvez appliquer de façon cohérente sur un cycle de notation, et supprimez celles que vous ne pouvez pas appliquer.

Où aller ensuite

La gouvernance, la politique de données, l'approvisionnement et les cycles de révision relèvent de Comment rédiger et mettre en œuvre une politique institutionnelle d'IA ? ; les règles institutionnelles et de district imposées relèvent d'Educational AI Policy et de AI Governance ; reconstruire la tâche elle-même pour qu'une note soutienne encore une inférence défendable relève de Comment repenser l'évaluation pour qu'une note me dise encore quelque chose de défendable sur ce que l'étudiant sait ou sait faire ?.