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.

Cette FAQ s'adresse aux enseignants qui doivent décider, cours par cours et devoir par devoir, ce que l'IA devrait être autorisée à faire dans l'écriture des étudiants. Elle s'appuie sur la base de connaissances AI in Education, en particulier sur ses synthèses consacrées à l'écriture et à l'IA, au Cognitive Offloading, à l'AI Feedback Quality, à la Feedback Literacy et à l'Academic Integrity.

La recherche converge vers un principe constant :

Utiliser l'IA pour accroître la rétroaction, la réflexion, la critique et la révision, et non pour supprimer le travail intellectuel que l'écriture est censée développer.

Ce principe importe parce que l'écriture n'est pas la production d'un texte soigné, mais un processus cognitif, rhétorique et social. L'IA peut améliorer le produit tout en affaiblissant les processus de raisonnement, d'auctorialité, d'évaluation des sources et de révision que votre devoir existe pour enseigner. Tout ce qui suit est une manière d'appliquer cette distinction.

Huit pratiques fondées sur la recherche pour les enseignants

1. Décider d'abord quel travail intellectuel les étudiants doivent conserver, puis fixer la frontière de l'IA. Avant de décider si l'IA est « autorisée », nommez le construit que le devoir développe ou évalue. Si l'objectif est l'argumentation, les étudiants doivent formuler et défendre des thèses. S'il s'agit de l'interprétation propre à une discipline, ils doivent porter des jugements interprétatifs. S'il s'agit du raisonnement scientifique, ils doivent relier les preuves aux conclusions. Un usage de l'IA qui remplace ce travail mine la validité du devoir, même lorsque la prose produite est excellente : le produit ne justifie plus l'inférence que vous voulez en tirer. C'est la logique centrale de l'enseignement de l'écriture et de l'intégrité académique, et c'est pourquoi des règles au niveau de la tâche valent mieux que des interdictions au niveau du cours.

Nash et Burriss montrent combien cette frontière est difficile à tracer correctement. Chez 27 enseignants d'anglais en formation initiale, les politiques d'IA de classe révèlent que 22 autorisaient l'IA pour l'idéation et le remue-méninges, que 22 interdisaient ou laissaient flou l'usage de l'IA pour composer des phrases, des paragraphes ou des travaux, et que 22 ne disaient rien du tout sur la lecture. La contradiction que les auteurs mettent au jour est instructive : ces mêmes enseignants qualifiaient l'idéation et la révision de « pensée » tout en ne situant la vraie pensée que dans le texte écrit final. Si la pensée est distribuée entre la planification, la rédaction, la révision et l'évaluation, comme le soutient la recherche sur la composition sur laquelle l'article s'appuie, alors une politique qui ne protège que le produit final protège la mauvaise étape, et la lecture mérite le même traitement explicite que l'écriture.

2. Préférer « l'étudiant réfléchit, l'IA répond » à « l'IA écrit, l'étudiant retouche ». C'est le principe le plus opérationnel du corpus. L'étude sensible aux couches de Chen portant sur 168 étudiants de premier cycle répartis dans six classes intactes a distingué l'externalisation de surface, structurelle, d'idées et de raisonnement : une collaboration ouverte avec l'IA produisait la meilleure écriture assistée par l'IA mais la plus faible performance autonome ultérieure, et déléguer le raisonnement était le plus négativement associé à la pensée d'ordre supérieur autonome. Une condition délimitée qui restreignait la délégation et exigeait des étudiants qu'ils expliquent comment ils avaient accepté, modifié ou rejeté les suggestions de l'IA obtenait de meilleurs résultats en écriture autonome, en profondeur argumentative et en révision. L'étude est quasi expérimentale et ne porte que sur six classes intactes, il faut donc traiter l'affirmation causale avec prudence, mais le schéma s'accorde avec la littérature plus large sur l'externalisation.

Une règle pratique en découle : exigez que les étudiants établissent leur propre interprétation, hypothèse, argument ou analyse avant de demander à l'IA de les critiquer ou de les développer. On peut demander à l'IA : « Voici trois objections à mon argument. » On devrait rarement lui demander : « Écris mon argument à ma place. »

3. Être particulièrement prudent avec les premiers brouillons générés par l'IA. Dans une étude portant sur 253 scripteurs, toute assistance de l'IA réduisait le sentiment de propriété, mais l'assistance à la rédaction le réduisait le plus tandis que 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 mais un sentiment de propriété plus faible (l'étude sur la propriété, de la planification à la révision). Le compromis est réel : on peut obtenir une meilleure dissertation et un sentiment d'auctorialité plus faible dans la même copie. Si préserver l'auctorialité compte dans votre cours, séparez l'IA qui stimule la planification de l'IA qui génère des paragraphes ; la première est défendable presque partout, la seconde rarement lorsque composer est la compétence visée.

4. Utiliser l'IA comme un partenaire de rétroaction parmi d'autres, et garder la rétroaction humaine dans le dispositif. Les données de classe les plus solides ici sont celles de PAIRR, qui a impliqué 654 étudiants dans dix cours d'écriture et trois cours STIM à forte composante rédactionnelle : les étudiants rédigeaient un brouillon, réalisaient une évaluation par les pairs, obtenaient une rétroaction de l'IA fondée sur une grille d'évaluation, comparaient et évaluaient les deux sources, établissaient des plans de révision, révisaient et réfléchissaient. Cinquante-huit pour cent préféraient la rétroaction combinée des pairs et de l'IA, contre seulement 6 pour cent qui préféraient la rétroaction de l'IA seule. Les étudiants trouvaient l'IA utile pour des conseils de révision généraux orientés par la grille, tandis que les pairs apportaient une connaissance du contexte et une réponse d'audience authentique. Soyez précis sur ce que cela montre : PAIRR mesurait l'expérience et l'évaluation de la rétroaction par les étudiants, et 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 pour une amélioration durable de l'écriture.

5. Apprendre aux étudiants à évaluer la rétroaction, et pas seulement à la solliciter. Avoir accès à une bonne rétroaction ne suffit pas. Les étudiants ont besoin d'une littératie de la rétroaction : la capacité de solliciter une rétroaction, de juger sa qualité, de gérer leur réaction et de la transformer en révision. Les étudiants dotés d'une littératie de la rétroaction plus élevée bénéficient bien davantage de la rétroaction de l'IA, tandis que ceux qui la traitent comme faisant autorité en tirent moins (AI Feedback Quality). Un élément utile du devoir est un court tableau de décision sur la rétroaction : suggestion de l'IA → accepter / rejeter / modifier → pourquoi → le critère de la grille ou la preuve qui soutient la décision. Cela transforme la production de l'IA en matériau pour le jugement plutôt qu'en instructions à suivre, et vous donne quelque chose à noter qui n'est pas la prose elle-même.

6. Garder une partie de l'écriture et du raisonnement observable de façon autonome. Une performance assistée par l'IA n'est pas une capacité autonome. Conservez des conditions de retrait occasionnelles : une brève écriture sans IA, une interprétation en classe, une explication orale, un entretien, une révision spontanée ou un problème de suivi qui exige de transférer le même raisonnement à un nouveau cas. Cela compte surtout lorsque le travail final porte un poids important dans la note. Cela ne signifie pas transformer chaque devoir en examen surveillé ; quelques échantillons autonomes placés stratégiquement donnent à vous comme à l'étudiant une base pour interpréter le travail assisté (Cognitive Offloading ; l'étude de Chen). C'est le cas propre à l'écriture de l'argument général sur la refonte de l'évaluation 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 ?.

7. Utiliser la divulgation comme réflexion, et non comme un piège. La divulgation n'est pas neutre : les étudiants dissimulent leur usage de l'IA lorsque les politiques sont ambiguës, punitives ou stigmatisantes, et l'honnêteté peut même attirer les soupçons. La divulgation fonctionne pédagogiquement lorsqu'elle rend le processus décisionnel visible : à quoi l'IA a servi, ce qui lui a été fourni, quelles suggestions ont compté, et ce que l'étudiant a finalement accepté ou rejeté (AI Use and Disclosure Statements ; la recherche sur la rationalisation des étudiants). Un accompagnement propre à la tâche vaut mieux qu'une règle générale « IA autorisée » ou « IA interdite », car la bonne frontière diffère entre le remue-méninges, le développement d'un argument, la retouche de phrases, le travail sur les sources et la composition finale. Indiquez comment la divulgation influencera la notation, sinon les étudiants supposeront le pire.

La modélisation de la conception de l'évaluation proposée par Mohamed et Temimi en fournit le mécanisme : la divulgation ne devient l'option attrayante que lorsque le coût de l'honnêteté reste faible, et comme les faux positifs d'un détecteur retombent aussi sur des étudiants honnêtes, 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 élément de contexte plutôt que comme un aveu.

8. Ne pas traiter le jugement générique d'un Large Language Models (LLMs) comme un substitut au vôtre, en particulier en évaluation sommative. Deux résultats apparemment contradictoires sont compatibles : des systèmes soigneusement calibrés avec des grilles détaillées et des exemples peuvent bien noter certaines tâches, tandis qu'une notation par LLM sans réglage préalable diverge nettement du jugement humain. Mathew et al. ont trouvé un faible accord entre humains et LLM, qui varie systématiquement avec la qualité de la dissertation : les LLM surrécompensent les dissertations courtes et superficiellement lisibles et sous-récompensent les dissertations plus longues et plus solides comportant de petites erreurs de surface, en se concentrant vers le milieu de l'échelle. L'IA est donc bien plus facile à justifier pour une rétroaction formative à faibles enjeux, la rédaction de commentaires ou le tri que comme correcteur final autonome (Automated Essay Scoring).

Les étudiants tracent eux-mêmes une version de cette frontière. Dans un cours de communication technique de premier cycle où ChatGPT notait des écrits manuscrits et où les étudiants en étaient informés, les 13 participants ont tous trouvé la rétroaction claire et utile pour une révision de surface, mais la plupart séparaient l'utilité de la rétroaction de l'autorité évaluative, acceptant la critique tout en insistant pour que l'enseignant décide de la note (Who Should Grade My Work? Student Perspectives on Transparent AI-Assisted Writing Assessment in Higher Education). Ce schéma à deux jugements plaide pour concevoir la supervision humaine comme le point où la production de l'IA devient une note, plutôt que de la traiter comme une courtoisie facultative.

Un flux de travail par défaut que vous pouvez adopter ou adapter

Une séquence d'écriture robuste à l'ère de l'IA garde le raisonnement du côté de l'étudiant et place l'IA dans un rôle de consultant :

Il s'agit essentiellement de PAIRR étendu : brouillon, puis rétroaction humaine, puis rétroaction de l'IA, puis comparaison critique, puis révision, puis réflexion, avec une base autonome et des frontières plus claires autour du raisonnement.

Conseils propres aux disciplines

Cours de composition et d'écriture

Les enseignants de composition ont la raison la plus forte de protéger le processus d'écriture lui-même, car la rédaction, la prise de décision rhétorique, la révision, la conscience de l'audience et le développement d'une voix ne sont pas seulement des façons de montrer l'apprentissage : ils sont les objectifs d'apprentissage. Enseignez l'usage de l'IA de façon progressive plutôt que binaire. En début de semestre, recueillez plusieurs échantillons autonomes pour que vous et l'étudiant sachiez ce que le scripteur sait faire à ce moment. Introduisez ensuite l'IA principalement comme audience, critique et partenaire de révision : demandez-lui d'identifier où un lecteur perd le fil, de générer des objections à une thèse, de comparer un brouillon à la grille d'évaluation, de signaler les affirmations non étayées ou d'expliquer pourquoi un paragraphe semble incohérent. Les étudiants jugent eux-mêmes les suggestions.

Maintenez l'évaluation par les pairs même lorsque la rétroaction de l'IA est disponible : les pairs apportent une connaissance du contexte et de l'audience que l'IA n'a pas, et évaluer la différence entre les deux est en soi une formation de scripteur. Soyez prudent quant à la génération par l'IA de longs passages d'un premier brouillon lorsque apprendre à composer est l'objectif, comme l'indiquent à la fois les données sur la propriété et celles sur l'externalisation citées plus haut. En même temps, évitez les interdictions générales portant sur la grammaire, la formulation ou l'aide linguistique : elles créent des barrières inutiles pour les scripteurs multilingues. La meilleure approche consiste à séparer le soutien linguistique de l'auctorialité intellectuelle : les étudiants peuvent recevoir de l'aide pour l'expression tout en restant responsables des idées, des preuves, des décisions rhétoriques et du sens. Sachez que la rétroaction de l'IA n'est pas neutre sur le plan linguistique : Tan et al. ont constaté qu'une écriture identique recevait davantage d'éloges et moins de critique substantielle lorsque des attributs démographiques ou éducatifs des étudiants étaient inclus dans l'invite, de sorte que l'audit des biais a sa place dans votre conception de la rétroaction.

Cours de sciences humaines et de sciences sociales

L'interprétation est souvent la capacité visée ici, faites donc précéder la rencontre avec l'IA par la rencontre avec la source. Les étudiants devraient annoter le texte primaire, la source historique, l'œuvre d'art, la pièce d'archive, l'entretien ou le passage théorique et formuler une interprétation initiale avant de consulter l'IA. Ensuite, l'IA devient pédagogiquement utile comme repoussoir : « Propose une lecture alternative » ; « Quelles preuves remettraient en cause mon interprétation ? » ; « Quels présupposés mon argument mobilise-t-il ? » ; « Génère une interprétation à partir d'une perspective théorique contrastée. » L'étudiant décide quelle lecture le texte réel justifie.

Les devoirs peuvent aussi faire de la critique de l'IA elle-même une partie de l'apprentissage disciplinaire : donnez aux étudiants une interprétation par IA d'un poème, d'un événement, d'un argument ou d'un phénomène social et demandez-leur ce qu'elle remarque, ce qu'elle manque, quelles preuves soutiennent ses affirmations, quelle perspective est absente et où elle aplatit une ambiguïté en une réponse lisse. Cela préserve le jugement interprétatif que les sciences humaines enseignent au lieu de traiter un LLM comme un oracle. Évaluez les décisions interprétatives et la justification par les preuves plutôt que le soin de la forme : une brève question d'entretien telle que « Pourquoi avez-vous lu ce passage ainsi plutôt que selon l'alternative que vous avez rejetée ? » est une bien meilleure preuve de compréhension que de deviner si une phrase « semble générée par une IA » (AI detection).

Cours de STIM et rapports de laboratoire

Une réserve d'abord : la base de connaissances contient des données bien plus solides sur l'écriture académique assistée par l'IA en général que sur l'IA dans la rédaction de rapports de laboratoire en particulier ; la Pedagogies and Teaching Strategies pratique et la pédagogie de laboratoire restent sous-couvertes, y compris dans la littérature sur l'formation en ingénierie. Les conseils ci-dessous constituent une application raisonnée des données sur l'écriture, l'externalisation, la validité et l'ingénierie, et non une conclusion tirée d'une vaste littérature sur les rapports de laboratoire.

Tracez la frontière de l'IA autour du raisonnement scientifique plutôt que 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 reliant affirmations et preuves. Une fois ces éléments en place, l'IA peut raisonnablement aider à l'organisation, à la lisibilité, aux transitions et aux conventions disciplinaires, selon la même distinction entre surface et raisonnement que précédemment (l'étude de Chen).

Un bon ensemble de rapport de laboratoire à l'ère de l'IA comprend donc 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 de la façon dont la conclusion centrale découle des preuves. Pour les rapports à forts enjeux, posez une ou deux questions de suivi individualisées sur un graphique, un résultat anormal, un choix méthodologique ou une limite. Ne laissez pas la fluidité de l'écriture tenir lieu de compréhension conceptuelle : la base de connaissances rapporte qu'une notation automatisée en physique peut sous-estimer la compréhension conceptuelle lorsque l'expression linguistique est plus faible, ce qui pénalise le plus les étudiants multilingues (Automated Essay Scoring). Si le raisonnement scientifique et l'écriture scientifique sont tous deux des objectifs, notez-les séparément.

Les cours d'ingénierie ajoutent une responsabilité professionnelle. Une revue de 99 études empiriques en formation d'ingénieurs a identifié la transparence, la supervision humaine, l'autonomie des étudiants, la vie privée, l'auctorialité, l'équité et la bienfaisance comme des préoccupations éthiques récurrentes, et a soutenu que l'éthique de l'IA relève de la formation professionnelle plutôt que du simple respect des règles. Dans un rapport de laboratoire ou de conception, demandez aux étudiants non seulement de divulguer l'assistance de l'IA, mais aussi de certifier qu'ils ont vérifié les calculs, les sources, les présupposés et les affirmations relatives à la sécurité.

Ce qu'il faut cesser de faire

• Exiger une prose soignée en ignorant le processus. Cela rend le produit progressivement plus difficile à interpréter comme preuve d'apprentissage.
• Compter sur les détecteurs d'IA. La détection traite la détection, et non l'apprentissage ou la validité de l'évaluation, et son bilan probatoire est faible : dans une étude de terrain clandestine, 94% des copies d'examen générées par l'IA sont passées inaperçues et ont obtenu de meilleurs résultats que de vrais étudiants, tandis qu'une étude contrôlée a montré que des détecteurs signalaient une retouche légère conforme de l'IA dans 38–80% 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).
• Donner un accès illimité à l'IA sans enseigner l'évaluation de la rétroaction. Cela présuppose la littératie de la rétroaction que beaucoup d'étudiants n'ont pas encore développée.
• Substituer la rétroaction de l'IA aux interactions avec les pairs et l'enseignant. Cela supprime l'information contextuelle et relationnelle que les étudiants disent constamment apprécier.
• Écrire « IA autorisée » et s'en tenir là. Les étudiants lisent raisonnablement cela comme couvrant tout, de la correction orthographique à la génération de l'argument central. Des attentes au niveau de la tâche sont plus claires et font de la divulgation moins un jeu de devinettes (AI Use and Disclosure Statements).

Une règle rapide pour décider ce que l'IA peut faire

Pour chaque tâche, posez trois questions :

En pratique : si l'objectif est l'argumentation, l'IA peut contester un argument mais ne devrait pas en fournir un de façon routinière. Si l'objectif est l'interprétation historique, l'IA peut proposer une lecture concurrente que l'étudiant critique. Si l'objectif est la communication d'un rapport de laboratoire, l'IA peut améliorer la prose après que l'étudiant a fait l'analyse et le raisonnement. C'est la frontière du coach plutôt que de la béquille en pratique.

Quelle est la solidité des données probantes ?

Prometteuses, mais pas encore assez solides pour justifier une politique unique et universelle d'écriture avec l'IA. Une partie des meilleures données provient d'études substantielles menées en classe authentique, comme PAIRR et ses 654 étudiants. D'autres résultats reposent sur des quasi-expériences, de petits échantillons expérimentaux, des analyses conceptuelles et des travaux émergents de 2025–2026 : l'étude de Chen sur l'écriture délimitée portait sur 168 étudiants mais seulement six classes intactes ; l'étude sur la 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).

Traitez le consensus comme des principes de conception plutôt que comme des prescriptions établies. Le constat le plus fiable à travers les études est de préserver l'agentivité des étudiants, le jugement évaluatif, la compétence autonome, le raisonnement disciplinaire et la rétroaction humaine, tout en utilisant l'IA pour élargir la disponibilité de la critique, de la pratique, du soutien à la révision et de l'aide linguistique.

La version courte pour un syllabus ou un atelier d'enseignants : les étudiants font d'abord le travail intellectuel ; l'IA principalement questionne, critique, explique et soutient la révision ; les étudiants évaluent au lieu de simplement appliquer sa production ; et l'évaluation comprend assez d'éléments de processus ou de preuves autonomes pour montrer ce que l'étudiant sait réellement faire.