Quelles sont les bonnes pratiques pour enseigner l'écriture dans le contexte de l'IA ?

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

Vous révisez une consigne de travail, et la phrase sous vos yeux dit que l'IA est autorisée avec mention de son usage, ce qui n'apprend rien à l'étudiant sur la question de savoir si l'outil peut fournir l'argument. Un collègue a proposé une interdiction à l'échelle du cours, et vous soupçonnez qu'elle frappera le plus durement les scripteurs plurilingues présents dans la salle. Ou bien une série de dissertations est revenue plus lisse que la discussion de séminaire qui la précédait, et il vous faut une règle que vous pouvez défendre à la prochaine réunion de programme.

L'essentiel : nommez le travail intellectuel que le devoir existe pour produire, gardez cette étape avec l'étudiant, et confiez à l'outil des tâches qui renvoient quelque chose que l'étudiant doit juger. Une règle écrite ainsi indique à l'étudiant quelle étape elle protège.

La version courte

1. Écrivez une phrase qui nomme la pensée que le devoir évalue, et placez-la là où les étudiants la liront.

2. Faites en sorte que l'étudiant engage une thèse, une interprétation ou un brouillon avant que l'outil voie la tâche.

3. Fixez la frontière étape par étape. Autorisez l'IA là où l'étape n'est pas ce que vous évaluez, restreignez-la là où elle l'est.

4. Donnez à l'IA le fauteuil du critique, puis évaluez ce que l'étudiant fait de la réponse.

5. Conservez un texte que l'outil ne touche jamais et lisez le travail assisté à sa lumière.

6. Dites à l'avance ce que la déclaration d'usage fait à la note.

Nommez la pensée à laquelle le devoir sert

La frontière de l'IA est la seconde question, et la plupart des consignes y répondent en premier. Avant de décider ce qui est permis, terminez cette phrase : ce devoir existe pour montrer que l'étudiant sait faire X. Si X est l'argumentation, l'étudiant doit formuler et défendre la thèse. Si c'est l'interprétation disciplinaire, l'étudiant doit produire le jugement interprétatif. Si c'est le raisonnement scientifique, l'étudiant doit relier les preuves à une conclusion. Une IA qui accomplit ce travail rompt l'inférence que vous voulez tirer de la dissertation, et une prose excellente ne la répare pas. La validité de l'évaluation traite cela comme un problème de validité plutôt que de conduite, et c'est pourquoi l'enseignement de l'écriture et l'intégrité académique finissent tous deux par plaider pour des règles au niveau de la tâche plutôt que pour des interdictions au niveau du cours.

Nash et Burriss montrent avec quelle facilité la phrase tourne mal. Sur 27 enseignants d'anglais en formation initiale et leurs politiques d'IA de classe, 22 autorisaient l'IA pour l'idéation et le remue-méninges, 22 interdisaient ou laissaient flou l'usage de l'IA pour composer des phrases, des paragraphes ou des dissertations, et 22 ne disaient rien du tout sur la lecture. Ces mêmes enseignants décrivaient l'idéation et la révision comme de la « pensée » tout en plaçant la véritable pensée dans le texte écrit final. Si la pensée traverse la planification, la rédaction, la révision et l'évaluation, une politique qui ne garde que le dernier produit garde la mauvaise étape, et la lecture a besoin d'une règle aussi explicite que l'écriture.

Formulez donc la règle comme une phrase sur une étape : « Vous pouvez utiliser l'IA pour tester les objections à une thèse que vous avez déjà formulée. Vous ne pouvez pas l'utiliser pour générer la thèse ni les preuves qui la soutiennent. » Un étudiant peut agir sur cette phrase. « IA autorisée avec mention de son usage » ne lui donne rien sur quoi agir.

Faites engager l'étudiant avant que l'outil réponde

L'ordre des opérations est le choix de conception le plus utile de cette littérature. L'étude de Chen sur la sensibilité aux couches auprès de 168 étudiants de premier cycle répartis en six classes intactes distinguait quatre types de délégation : la décharge de surface, structurelle, idéationnelle et de raisonnement. La collaboration ouverte avec l'IA a produit les meilleurs textes assistés et les performances indépendantes ultérieures les plus faibles. Déléguer le raisonnement était la couche la plus négativement associée à la pensée d'ordre supérieur indépendante. Une condition encadrée, qui limitait ce que les étudiants pouvaient déléguer et les obligeait à expliquer comment ils avaient accepté, modifié ou rejeté chaque suggestion de l'IA, obtenait de meilleurs résultats en écriture indépendante, en profondeur argumentative et en révision.

Traitez l'affirmation causale avec prudence. L'étude est quasi expérimentale, avec six classes intactes et aucune répartition aléatoire des étudiants, si bien que les différences entre classes restent mêlées au traitement. La direction du résultat s'accorde avec la littérature plus large sur la décharge cognitive, ce qui justifie d'agir dessus, et la taille de l'effet n'est pas quelque chose à citer en comité.

Sur la consigne, cela coûte une ligne : l'étudiant apporte une interprétation, une hypothèse, un argument ou une analyse, et l'on demande à l'IA de l'attaquer. « Voici trois objections à mon argument » garde la pensée chez le scripteur. « Écris mon argument » ne le fait pas, quoi que l'étudiant fasse ensuite du résultat.

Traitez le premier brouillon comme l'étape coûteuse

L'assistance à différents stades cause des dommages différents. Dans une étude portant sur 253 scripteurs, toute assistance par IA réduisait le sentiment de propriété du travail, l'assistance à la rédaction le réduisait le plus, et l'assistance à la planification le réduisait le moins. Davantage de texte et d'idées apportés par l'IA allaient de pair avec une meilleure qualité de dissertation et un moindre sentiment de propriété dans la même copie (l'étude sur le sentiment de propriété de la planification à la révision). C'est cette combinaison qu'il faut anticiper : une dissertation plus forte et un sentiment de paternité plus faible arrivent ensemble, et c'est le second qui porte l'autonomie en écriture.

Si la paternité du texte compte dans votre cours, scindez les autorisations. Une IA qui guide la planification, demande quelles preuves l'étudiant possède déjà ou nomme un contre-argument qu'il a manqué est défendable presque partout. Une IA qui génère des paragraphes est difficile à défendre là où composer est la compétence visée. Là où composer n'est pas la cible, le calcul change.

Fixez la règle à chaque étape

Une séquence qui vaut la peine d'être empruntée maintient l'IA dans un rôle de conseil et place le raisonnement chez l'étudiant :

Étape	Ce que fait l'étudiant	Ce que l'IA peut faire	Trace que vous pouvez recueillir
1. Rencontrer les preuves	Lire, observer, annoter, calculer, mener l'expérience	Rien, ou seulement des éclaircissements	Notes, annotations, observations
2. Former une position	Produire une interprétation, une question, une hypothèse, une thèse	Poser des questions, contester les présupposés	Note de thèse ou d'hypothèse
3. Planifier	Décider des preuves, de l'ordre, du public, du genre	Critiquer un plan, suggérer des variantes	Plan avec justification
4. Rédiger	Produire une prose et un raisonnement substantiels	Restreinte selon l'objectif d'apprentissage	Brouillon et historique des versions
5. Réponse humaine	Donner et recevoir une rétroaction des pairs ou de l'enseignant	Rien de nécessaire	Commentaires des pairs
6. Rétroaction par IA	Demander une critique référencée aux critères	Critique, lecteur, générateur de contre-arguments, vérificateur de clarté	Transcription de la rétroaction par IA
7. Évaluer la rétroaction	Comparer les suggestions des pairs, de l'enseignant et de l'IA, accepter ou rejeter avec raisons	Sa production devient l'objet de l'évaluation	Note de décision sur la rétroaction
8. Réviser	Apporter et justifier des changements substantiels	Tester la clarté, proposer des variantes	Révision
9. Vérifier	Vérifier chaque affirmation factuelle ou dépendante d'une source	Ne peut pas vérifier sa propre production	Sources et preuves
10. Réfléchir et déclarer	Expliquer le rôle de l'IA et ce qui a changé dans sa pensée	Rien	Brève réflexion sur le processus
11. Contrôle indépendant	Expliquer ou appliquer le raisonnement sans IA	Rien	Soutenance orale, écriture rapide, nouveau cas

C'est PAIRR étendu : brouillon, rétroaction humaine, rétroaction par IA, comparaison, révision, réflexion, avec une base de référence indépendante et une frontière plus serrée autour du raisonnement. Utilisez la colonne du milieu comme devoir et la colonne de droite comme ce sur quoi une note peut reposer.

Onze lignes, c'est plus que ce dont la plupart des devoirs ont besoin. Réduisez le tableau aux étapes que vous pouvez réellement distinguer en classe : rencontrer les preuves, former une position, rédiger et réviser. Dans cette version courte, la rencontre et la position sont là où vit le construit, la rédaction est l'étape contestée, et la mise en forme ou la vérification des références peuvent être autorisées sans réserve. Écrire le tableau, c'est ainsi que vous trouvez les deux ou trois endroits où votre règle doit dire quelque chose ; une règle à trois clauses qu'un étudiant peut suivre vaut donc mieux qu'une matrice que personne ne lit.

Gardez la rétroaction humaine dans la boucle

La plus grande étude de classe citée ici est PAIRR : 654 étudiants dans dix cours d'écriture et trois cours STIM à fort contenu rédactionnel. Ils ont rédigé, réalisé une évaluation par les pairs, obtenu une rétroaction par IA fondée sur une grille, comparé et évalué les deux sources, écrit des plans de révision, révisé et réfléchi. Cinquante-huit pour cent ont préféré la combinaison de la rétroaction des pairs et de l'IA. Six pour cent ont préféré la rétroaction par IA seule. Les étudiants ont trouvé l'IA utile pour des conseils de révision généraux orientés par la grille, et les pairs ont apporté des connaissances contextuelles et la réponse d'un public authentique.

Soyez exact sur ce que l'étude établit. PAIRR a mesuré l'expérience des étudiants et leur évaluation de la rétroaction, non des gains d'apprentissage à long terme ; c'est donc une preuve solide pour une conception de la rétroaction et une preuve plus faible que l'écriture s'améliore des mois plus tard. Gardez l'étape entre pairs même quand l'étape par IA est plus rapide. Une grande partie du travail de rétroaction se fait dans la comparaison entre les deux sources, et la supprimer retire la part que les étudiants disaient apprécier.

L'outil lui-même peut être conçu pour protéger l'étape de raisonnement. Favero et al. (2026) ont construit MAIKE, un chatbot socratique qui diagnostique les arguments et pose des questions ciblées sans générer de texte de dissertation. Dans une étude en classe auprès de 65 élèves du secondaire, les utilisateurs de MAIKE ont employé plus de tours de dialogue portant sur les idées que ceux du groupe témoin (56% contre 44%) et ont alterné entre la discussion et la révision du texte ; environ 40% des élèves ont amélioré leur note de dissertation. L'étude n'a pas montré d'avantage global de note par rapport au groupe témoin ; traitez-la donc comme une démonstration de conception sur le lien entre le dialogue et la révision, et non comme la preuve que le chatbot améliore la qualité de l'écriture.

Évaluez ce que l'étudiant a fait de la rétroaction

La littératie de la rétroaction est la capacité de solliciter une rétroaction, d'en juger la qualité, de gérer sa réaction à celle-ci et de la transformer en révision. Les étudiants qui en ont le plus bénéficient bien davantage de la rétroaction par IA. Ceux qui traitent la production du modèle comme faisant autorité y gagnent moins (La qualité de la rétroaction par IA).

Un court tableau de décision rend cette capacité visible, une ligne par suggestion : la suggestion de l'IA, accepter / rejeter / modifier, pourquoi, et le critère de la grille ou l'élément de preuve derrière la décision. Quatre colonnes, aucune dissertation exigée. Cela transforme la production du modèle en matériau pour le jugement évaluatif, et vous donne quelque chose d'évaluable qui n'est pas la prose.

Décrivez une bonne ligne avec autant de soin que vous décrivez une thèse : elle nomme le critère de la grille, pointe un passage ou un élément de preuve, et explique un changement que l'étudiant a réellement opéré. Une ligne qui dit « bon point, d'accord » ne rapporte rien. Les étudiants écrivent à l'exemple qu'ils ont sous les yeux : l'exemple est donc la consigne.

Rendez la déclaration peu coûteuse et spécifique

Les étudiants dissimulent leur usage de l'IA quand les politiques sont ambiguës, punitives ou stigmatisantes, et l'honnêteté peut attirer la suspicion (Les déclarations d'usage de l'IA ; la recherche sur la rationalisation étudiante). Ce qui rend la déclaration utile sur le plan pédagogique, c'est qu'elle consigne des décisions : à quoi l'outil a servi, ce que l'étudiant lui a fourni, quelles suggestions ont compté, ce que l'étudiant a accepté ou rejeté.

Mohamed et Temimi en fournissent le mécanisme. La déclaration ne devient l'option attrayante que lorsque le coût de l'honnêteté reste faible. Les détecteurs produisent aussi de faux positifs contre des étudiants honnêtes, si bien qu'une surveillance plus lourde peut rendre la dissimulation relativement plus attrayante. Leur conseil est de concevoir pour l'étudiant le plus tenté de dissimuler et de lire un usage déclaré comme un contexte plutôt que comme un aveu.

Deux détails font l'essentiel du travail sur le formulaire. Demandez des usages précis plutôt qu'une catégorie, et indiquez quel effet une déclaration aura sur la note. Un étudiant qui ne le sait pas supposera le pire.

Quatre questions suffisent pour la plupart des devoirs : à quelle étape du travail l'outil a servi, ce que l'étudiant lui a fourni, quelles suggestions ont changé le brouillon, et lesquelles ont été rejetées et pourquoi. Cette dernière question est la plus instructive, car un rejet motivé est une preuve de jugement, alors qu'une liste de suggestions acceptées n'en est pas une.

Ajustez la règle à ce que votre discipline appelle écrire

Cours de composition et d'écriture

Les enseignants de composition ont la raison la plus forte de protéger le processus, parce que la rédaction, les décisions rhétoriques, la révision, la conscience du public et la voix sont les objectifs d'apprentissage plutôt que leur démonstration. Recueillez plusieurs échantillons indépendants en début de semestre, afin que vous et l'étudiant sachiez ce que le scripteur sait faire à ce moment-là. Introduisez l'IA comme public, critique et partenaire de révision : demandez où un lecteur perd le fil, générez des objections à une thèse, comparez un brouillon à la grille, signalez les affirmations non étayées, faites expliquer pourquoi un paragraphe semble incohérent. L'étudiant juge chaque suggestion.

Maintenez la relecture par les pairs à côté de la rétroaction par IA, puisque les pairs apportent des connaissances contextuelles et relatives au public que le modèle n'a pas, et évaluer l'écart entre les deux est en soi une formation au métier d'écrivain. Soyez prudent sur la génération par l'IA de longues portions d'un premier brouillon lorsque apprendre à composer est l'objectif, pour les raisons de propriété et de décharge exposées plus haut. Évitez les interdictions générales portant sur la grammaire, la formulation ou l'aide linguistique, qui créent des obstacles inutiles aux scripteurs plurilingues. Séparez plutôt le soutien linguistique de la paternité intellectuelle : l'aide à l'expression est acceptable, et l'étudiant reste responsable des idées, des preuves, des décisions rhétoriques et du sens. Auditez la rétroaction elle-même, car Tan et al. ont constaté qu'un texte identique recevait plus d'éloges et moins de critique substantielle lorsque les caractéristiques démographiques ou scolaires des étudiants figuraient dans l'invite, ce qui place la réduction des biais à l'intérieur de la conception de la rétroaction.

Cours de sciences humaines et de sciences sociales

L'interprétation est généralement la capacité visée ; faites donc précéder la rencontre avec l'IA de la rencontre avec la source. Les étudiants annotent le texte primaire, la source historique, l'œuvre, la pièce d'archives, l'entretien ou le passage théorique et forment une première lecture avant de consulter quoi que ce soit. Ensuite, le modèle travaille comme repoussoir : proposer une lecture alternative, dire quelles preuves contrediraient cette interprétation, nommer les présupposés de l'argument, produire une lecture depuis une perspective théorique contrastée. L'étudiant décide quelle lecture le texte soutient réellement.

Donnez comme travail disciplinaire la critique du modèle. Fournissez aux étudiants une interprétation par IA d'un poème, d'un événement, d'un argument ou d'un phénomène social et demandez ce qu'elle remarque, ce qu'elle manque, quelles preuves soutiennent ses affirmations, quelle perspective est absente, et où elle aplatit l'ambiguïté en une réponse lisse. Cela maintient le jugement interprétatif que les sciences humaines existent pour enseigner. Évaluez les décisions interprétatives et leur justification par les preuves, et utilisez une courte question d'entretien du type « Pourquoi avez-vous lu ce passage ainsi plutôt que selon l'alternative que vous avez écartée ? ». Deviner si une phrase semble écrite par une machine est une mesure plus faible, comme l'explique la page sur la détection par IA.

Cours de STIM et rapports de laboratoire

Une réserve d'abord : cette base de connaissances rassemble des preuves bien plus solides sur l'écriture académique assistée par IA en général que sur la rédaction de rapports de laboratoire en particulier. La pédagogie pratique et celle du laboratoire restent sous-documentées, y compris dans la littérature sur l'enseignement de l'ingénierie ; ce qui suit applique donc des résultats sur l'écriture, la décharge, la validité et l'ingénierie à un cadre que ces études n'ont pas testé.

Tracez la frontière autour du raisonnement scientifique plutôt qu'autour de la prose dans son ensemble. Les étudiants restent responsables des observations, des données brutes, des calculs, de l'incertitude, des figures, des choix d'analyse, des résultats et du raisonnement qui relie les preuves à l'affirmation. Une fois ces éléments établis, l'IA peut raisonnablement aider à l'organisation, à la lisibilité, aux transitions et aux conventions disciplinaires, ce qui est la même séparation entre surface et raisonnement que dans l'étude de Chen.

Un dossier de rapport pour un cours de laboratoire à l'ère de l'IA comprend le rapport, plus une sélection de données brutes, de calculs ou de sorties de cahier de laboratoire, une figure accompagnée d'une interprétation écrite par l'étudiant, et un bref énoncé montrant comment la conclusion centrale découle des preuves. Pour les rapports à fort enjeu, posez une ou deux questions complémentaires individualisées sur un graphique, un résultat anormal, un choix méthodologique ou une limite. Ne laissez pas l'aisance rédactionnelle tenir lieu de compréhension conceptuelle : une notation automatisée en physique peut sous-estimer la compréhension conceptuelle lorsque l'expression linguistique est plus faible, et cela frappe le plus durement les étudiants plurilingues (La notation automatisée des essais). Si le raisonnement et l'écriture sont tous deux des objectifs, notez-les séparément.

Cours d'ingénierie

La responsabilité professionnelle change la formulation. Une revue de 99 études empiriques sur l'enseignement de l'ingénierie a identifié la transparence, la supervision humaine, l'indépendance des étudiants, la vie privée, la paternité, l'équité et la bienfaisance comme des préoccupations éthiques récurrentes, et soutient que l'éthique de l'IA relève de la formation professionnelle et non de la seule conformité aux règles. Dans un rapport de laboratoire ou de conception, demandez aux étudiants de déclarer l'assistance reçue et de certifier qu'ils ont vérifié les calculs, les sources, les hypothèses et les affirmations ayant une incidence sur la sécurité.

Conservez un échantillon que l'outil ne touche jamais

Une performance assistée n'est pas une capacité indépendante, et il vous faut au moins une lecture de la seconde. Des conditions de retrait ponctuelles suffisent : une courte écriture sans IA, une interprétation en classe, une explication orale, un entretien, une révision spontanée, ou un problème complémentaire qui transfère le même raisonnement à un nouveau cas. Cela importe surtout quand le mémoire final pèse lourd dans la note. Cela ne signifie pas surveiller chaque devoir. Quelques échantillons bien placés vous donnent, à vous et à l'étudiant, une base de référence pour interpréter le travail assisté, ce qui est le cas propre à l'écriture de l'argument développé dans Comment repenser l'évaluation pour qu'une note me dise encore quelque chose de défendable sur ce que l'étudiant sait ou sait faire ?.

Lisez les deux pièces côte à côte et demandez si le raisonnement de la pièce assistée est aussi visible dans la pièce non assistée. Là où il l'est, la dissertation fait son travail de preuve. Là où il ne l'est pas, la note assistée mesure ce que l'outil a fourni. Cette comparaison est aussi ce que vous devez montrer à un étudiant qui conteste une note, parce qu'elle pointe un morceau de pensée précis plutôt qu'une impression sur la prose.

Décidez de ce que l'IA est autorisée à noter

Deux résultats qui semblent contradictoires sont compatibles. Des systèmes soigneusement calibrés, dotés de grilles détaillées et d'exemples, peuvent bien noter certaines tâches, et une notation LLM standard s'écarte substantiellement du jugement humain. Mathew et al. ont trouvé un accord humain-LLM faible qui varie systématiquement avec la qualité de la dissertation : les modèles surrécompensent les dissertations courtes et superficiellement lisibles, sous-récompensent les dissertations plus longues et plus fortes comportant des erreurs de surface mineures, et se regroupent vers le milieu de l'échelle. Ce profil soutient l'IA pour la rétroaction formative à faible enjeu, la rédaction de commentaires et le tri bien plus que pour une notation sommaire autonome (La notation automatisée des essais).

Les étudiants tracent eux-mêmes une ligne semblable. Dans un cours de communication technique de premier cycle où ChatGPT notait des textes manuscrits et où les étudiants en étaient informés, les 13 participants ont tous trouvé la rétroaction claire et utile pour une révision de surface. La plupart séparaient l'utilité de la rétroaction de l'autorité évaluative : ils acceptaient la critique et insistaient pour que l'enseignant décide de la note (Who Should Grade My Work? Student Perspectives on Transparent AI-Assisted Writing Assessment in Higher Education). Concevez la supervision humaine comme le point où la production de l'IA devient une note, et non comme une courtoisie offerte quand cela arrange.

Jugez les preuves avant de réécrire le plan de cours

L'argument en faveur de ces dispositifs est prometteur et pas encore assez solide pour justifier une politique universelle unique sur l'écriture avec l'IA. Une partie des meilleures preuves vient d'études de classe substantielles comme PAIRR et ses 654 étudiants. Le reste repose largement sur des quasi-expériences, de petits échantillons expérimentaux, des analyses conceptuelles et des travaux de 2025-2026 encore récents : l'étude de Chen sur l'écriture encadrée comptait 168 étudiants mais seulement six classes intactes, l'étude sur le sentiment de propriété utilisait une courte tâche d'écriture expérimentale, et une étude rapportant des gains de qualité immédiats après un entraînement avec ChatGPT ne portait que sur 21 étudiants internationaux de première année et n'établissait pas de transfert à long terme (Leveraging ChatGPT in academic writing: ChatGPT enhances students' writing quality, writing experience, and ownership). Ce que la base de connaissances sur l'IA en éducation étaye, c'est un ensemble de principes de conception, et le résultat inter-études le plus fiable qu'elle contient est de préserver l'autonomie de l'étudiant, le jugement évaluatif, la compétence indépendante, le raisonnement disciplinaire et la rétroaction humaine, tout en utilisant l'IA pour élargir l'accès à la critique, à la pratique, au soutien à la révision et à l'aide linguistique.

Ce mélange a une conséquence pratique. Changez un devoir, conservez la trace, et comparez la cohorte suivante à celle-ci sur la même mesure. Une règle que vous pouvez réviser après un semestre vaut plus qu'une politique que vous ne pouvez pas tester, et les petites études citées plus haut ne vous diront pas ce qui se passe dans votre cours.

Ce que les enseignants comprennent mal ici

Un détecteur tranchera la question de savoir si le texte est celui de l'étudiant. Non. Dans une étude de terrain clandestine, 94% des copies d'examen générées par IA sont passées inaperçues et ont obtenu de meilleurs résultats que de vrais étudiants, et une étude contrôlée a constaté que les détecteurs signalaient une édition légère et conforme par l'IA dans 38 à 80% des cas tout en manquant plus de 96% des réécritures « humanisées » (Detecting the undetectable? Reassessing academic misconduct procedures in the era of generative AI ; Why AI Detection Fails for Academic Integrity). La détection répond à une question de détection, et la validité est une autre question.

Une politique au niveau du cours est plus claire qu'une règle par devoir. Les politiques de Nash et Burriss étaient des documents de cours, et 22 sur 27 autorisaient le remue-méninges, 22 restreignaient ou brouillaient la composition, et 22 restaient muettes sur la lecture. Un document qui couvre tout tend à être précis sur l'étape qui inquiète l'enseignant et vague sur le reste.

Une meilleure prose signifie que l'enseignement de l'écriture a fonctionné. L'étude sur le sentiment de propriété a trouvé une meilleure qualité de dissertation et un moindre sentiment de propriété dans la même copie, et la condition de collaboration ouverte de Chen a produit les meilleurs textes assistés avec les performances indépendantes ultérieures les plus faibles. La qualité de la prose est une mesure de produit. Ce à quoi le cours sert est une mesure de capacité.

Un accès illimité et une bonne invite suffisent. Les étudiants qui traitent la rétroaction par IA comme faisant autorité en tirent moins que ceux dont la littératie de la rétroaction est développée. L'accès à la critique et la capacité d'utiliser la critique sont deux atouts distincts.

Interdire l'IA protège le processus d'écriture. Une interdiction répond à une question qui varie selon l'étape, et elle crée des obstacles pour les scripteurs plurilingues qui ont besoin d'un soutien linguistique sans rapport avec la paternité du texte. Une séparation praticable passe entre l'expression et la responsabilité intellectuelle.

Les objections que vous entendrez

« Je n'ai pas le temps de lire une trace de plus. » Alors réduisez la trace : quatre colonnes de tableau de décision, ou cinq minutes d'écriture en classe comme échantillon indépendant. Le corpus ne rapporte aucune donnée sur le temps de correction de ces dispositifs ; l'argument de la charge de travail doit donc être testé sur un devoir plutôt que supposé à partir de cette page.

« Mes étudiants utiliseront l'IA quoi que dise la règle. » Ils l'utiliseront, et la question de conception est de savoir quelle réponse votre devoir rend la plus facile. Une déclaration qui ne coûte rien et une grille qui récompense le processus font de la déclaration le chemin le moins cher. Ce mécanisme vient de la modélisation et non d'un essai contrôlé d'une politique de déclaration : traitez donc la prédiction comme raisonnable et non confirmée.

« Une interdiction est plus simple, et elle protège le processus. » Plus simple, oui. Les politiques citées plus haut montrent comment une règle unique au niveau du cours glisse vers le silence sur les étapes qui comptent, et les restrictions linguistiques générales frappent les étudiants qui en ont le plus besoin.

« La relecture par les pairs est superflue maintenant que l'IA répond en quelques secondes. » Cinquante-huit pour cent des étudiants de PAIRR préféraient la combinaison et 6% préféraient l'IA seule, et la raison qu'ils donnaient était les connaissances contextuelles et relatives au public apportées par les pairs. Cela mesure l'expérience, donc cela porte moins loin qu'un résultat sur les gains d'apprentissage ne le ferait.

« Le modèle note cette tâche aussi bien que moi. » Des systèmes calibrés avec des grilles détaillées et des exemples traités peuvent bien noter certaines tâches. Une notation générique, non, et Mathew et al. montrent que le désaccord suit la qualité de la dissertation au lieu de se disperser au hasard, ce qui est le type d'erreur le plus difficile à remarquer. Testez l'outil sur votre propre corpus corrigé avant qu'il touche une note.

« Cela pénalise les étudiants dont l'anglais académique est plus faible. » Cela le peut, si la règle traite l'expression et la paternité comme une seule chose. Séparez-les, et auditez la rétroaction par IA pour le schéma constaté par Tan et al., où un texte identique recevait plus d'éloges et moins de critique substantielle dès que des caractéristiques démographiques ou scolaires figuraient dans l'invite. Le corpus documente ce biais. Il ne rapporte pas de correctif testé ; votre propre comparaison est donc la vérification.

À faire cette semaine

1. Écrivez la phrase de capacité pour votre prochain devoir majeur et inscrivez-la sur la consigne.

2. Ajoutez une ligne exigeant la thèse, l'interprétation ou le brouillon de l'étudiant avant tout usage de l'IA, et précisez ce que vous recueillerez.

3. Marquez chaque étape de ce devoir comme porteuse ou non du construit, et réécrivez la règle sur l'IA pour qu'elle autorise l'outil là où l'étape n'est pas évaluée.

4. Ajoutez au barème un tableau de décision sur la rétroaction à quatre colonnes, avec des points associés.

5. Programmez un court texte qu'aucun outil ne touchera, et décidez dès maintenant à quel devoir il appartient.

Où aller ensuite

Le versant évaluation de cet argument, y compris la conception d'étapes authentifiées, se trouve dans Comment repenser l'évaluation pour qu'une note me dise encore quelque chose de défendable sur ce que l'étudiant sait ou sait faire ?. Pour le document de politique que les étudiants lisent réellement, voyez Comment rédiger une politique d'usage de l'IA pour un cours et la communiquer aux étudiants ?, et pour les outils de rétroaction eux-mêmes, Qualité de la rétroaction par IA. Comment apprendre aux étudiants à vérifier les productions de l'IA ? traite de ce que les étudiants doivent vérifier quand le modèle fournit une affirmation ou une source, et la page de concept Coach not crutch: Evidence that AI can improve writing skill despite reducing effort énonce la frontière à laquelle cette page ne cesse de revenir.