L’enquête de Dartmouth sur l’IA révèle un écart entre l’usage étudiant et les soupçons envers les pairs

Dartmouth a publié les résultats d’une enquête montrant que 8 % des étudiants américains interrogés copient du texte généré par l’IA en le modifiant peu, tandis que 50 % pensent que leurs pairs le font. L’enquête de Dartmouth sur l’IA, annoncée le 30 octobre, met en lumière un écart important entre les comportements déclarés et les attentes sur les campus. Elle soulève également une question difficile : comment les universités doivent-elles protéger l’apprentissage lorsque les étudiants se méfient de la manière dont les autres réalisent leurs devoirs ?

Ces résultats mettent sous pression les établissements qui promeuvent les compétences liées à l’IA tout en cherchant à préserver une évaluation significative. Les étudiants peuvent apprécier les explications d’un chatbot tout en craignant que leurs camarades obtiennent des crédits pour un travail qu’ils n’ont jamais compris. Ces positions ne sont pas contradictoires. Le conflit porte sur la question de savoir si l’assistance soutient réellement l’apprentissage qu’un devoir est censé mesurer.

Les recherches menées par Hamsa Bastani, de Wharton, offrent un repère utile : de meilleures performances avec l’aide de l’IA ne démontrent pas automatiquement un meilleur apprentissage autonome. La contribution de Dartmouth est différente. Son enquête documente les expériences et les croyances des étudiants, y compris la suspicion entourant le travail des autres. Ensemble, ces perspectives suggèrent que les universités ont besoin d’éléments probants tant sur les capacités humaines que sur la confiance dans les règles académiques.

Ce que l’enquête de Dartmouth sur l’IA a réellement révélé

La principale conclusion est un écart entre ce que les étudiants disent d’eux-mêmes et ce qu’ils pensent des autres.

Les résultats de Dartmouth sur l’IA étudiante s’appuient sur 1 003 étudiants américains et 1 533 étudiants de Dartmouth. L’échantillon national a été pondéré ; les résultats de Dartmouth ne l’ont pas été. Les étudiants actuels de premier cycle à Dartmouth et les nouveaux arrivants constituaient des groupes distincts.

À l’échelle nationale, 11 % ont déclaré utiliser l’IA pour trouver des réponses à des séries de problèmes, contre 49 % qui pensaient que leurs pairs le faisaient. Par ailleurs, 70 % ont estimé que l’IA avait rendu les travaux à réaliser chez soi injustes, et 39 % ont ressenti une pression à l’utiliser parce que leurs pairs le faisaient.

Ces réponses décrivent un environnement dans lequel la compétition perçue mérite autant d’attention que l’usage réel des outils. Un étudiant qui décide de demander une réponse voit le devoir immédiat. Ce même étudiant imagine aussi la manière dont ses camarades travaillent, ce que les enseignants peuvent détecter et quels raccourcis procurent un avantage.

Cela crée un problème institutionnel avant même que quiconque n’établisse la fréquence réelle des manquements. Si les étudiants pensent que les efforts ordinaires les désavantagent, la politique écrite d’une université a une force de persuasion limitée. Les règles doivent être suffisamment claires et crédibles pour que les étudiants estiment qu’il vaut toujours la peine de les respecter.

L’enquête n’établit pas que les camarades trichent aux taux imaginés par les répondants. De même, le faible niveau de copie autodéclarée ne prouve pas que les manquements sont rares. La différence entre ces affirmations est importante, car chacune, si elle est surestimée, conduit à une réponse trop confiante.

Traiter les estimations concernant les pairs comme des comportements vérifiés reviendrait à transformer la suspicion en preuve. Traiter les déclarations des étudiants comme un bilan complet écarterait la possibilité que les répondants se présentent sous un jour favorable. Aucune de ces interprétations ne donne aux enseignants une base fiable pour décider quels devoirs mesurent encore la compréhension individuelle.

L’interprétation la plus défendable est plus restreinte. Les étudiants signalent un décalage substantiel entre leur propre conduite et celle qu’ils attribuent aux autres. Les universités ont désormais une raison d’examiner directement ce décalage, au lieu de supposer qu’une politique générale sur l’IA le résout.

Une réponse institutionnelle utile distinguerait plusieurs questions. Quelle assistance est autorisée ? Quelle assistance les étudiants utilisent-ils réellement ? Quelle assistance pensent-ils que leurs camarades utilisent ? Le travail qui en résulte démontre-t-il la compétence visée ?

Ces questions se recoupent, mais répondre à l’une ne tranche pas les autres. Un devoir peut respecter une politique tout en révélant peu de choses sur le raisonnement autonome. Un étudiant peut aussi soupçonner une injustice dans un cours où la plupart de ses camarades respectent les règles.

L’actualité concerne donc plus que l’adoption des chatbots. Dartmouth a fait de la crédibilité de l’évaluation un élément mesurable du débat sur l’IA sur les campus. Cela oriente l’attention vers les conditions dans lesquelles les étudiants estiment que leur travail reçoit une évaluation équitable.

Les universités font face à un problème de crédibilité de l’évaluation

Les universités sont poussées à expliquer ce que représente une note lorsque les étudiants ont accès à différents types d’assistance.

La note d’une dissertation peut refléter la qualité de l’argumentation, la maîtrise de l’écriture, le jugement en matière de recherche ou une combinaison de ces capacités. L’IA complique ce lien lorsque la contribution autorisée reste floue. Un rendu soigné peut laisser l’enseignant incertain quant aux décisions réellement prises par l’étudiant.

Le problème devient plus aigu lorsque les étudiants pensent que leurs camarades travaillent selon une norme pratique différente. Une règle peut interdire la prose générée tout en autorisant les retours sur un brouillon. Sans exemples concrets, les étudiants doivent déterminer où s’arrête le retour et où commence le remplacement.

Prenons un devoir d’écriture hypothétique. Un étudiant demande à un chatbot d’identifier des transitions faibles, puis révise de manière autonome. Un autre accepte une argumentation réécrite et n’apporte que des modifications superficielles. Tous deux pourraient décrire leur activité comme de l’édition, bien que leur contribution intellectuelle diffère.

Cette ambiguïté confère aux enseignants une responsabilité précise : relier l’assistance autorisée à l’objectif du devoir. Si l’objectif est de construire une argumentation, en externaliser la structure modifie les preuves de l’apprentissage. Si l’objectif est d’évaluer des arguments concurrents, comparer des alternatives générées peut servir la tâche.

Il s’agit d’un enjeu de conception de l’évaluation, et non d’une question à laquelle une liste universelle d’outils approuvés peut répondre. Le même chatbot peut soutenir des comportements différents. Nommer une application n’explique guère si un usage particulier préserve le travail que les étudiants doivent pratiquer.

Une réponse crédible rendrait ces limites visibles avant la remise du travail. Les étudiants devraient comprendre ce qu’ils doivent produire de manière autonome, quelle assistance ils peuvent déclarer et comment les enseignants évaluent cette assistance. Sans cela, l’application des règles risque de devenir un débat sur les interprétations une fois le travail terminé.

La transparence doit aussi avoir des limites pratiques. Exiger des étudiants qu’ils documentent chaque interaction pourrait créer une charge administrative sans clarifier l’apprentissage. Les éléments pertinents sont ceux qui aident l’enseignant à évaluer la compétence visée, comme le raisonnement, la sélection des sources, la révision ou l’explication.

Par exemple, un enseignant évaluant le jugement en matière de recherche pourrait demander aux étudiants d’expliquer pourquoi ils ont écarté une source apparemment pertinente. Un enseignant évaluant la compréhension mathématique pourrait demander une solution modifiée dans une nouvelle condition. Il s’agit de réponses possibles, non d’interventions validées par l’enquête de Dartmouth.

Leur valeur dépend de leur adéquation avec le cours. Une exigence qui éclaire le raisonnement dans une discipline peut devenir un obstacle inutile dans une autre. Les universités ont donc besoin d’un cadre commun qui laisse aux enseignants la possibilité de définir des preuves significatives.

L’équité ne se limite pas non plus à détecter les comportements interdits. Les étudiants qui respectent les règles doivent avoir confiance dans le fait que leurs efforts restent pertinents. Une politique qui ne décrit que les sanctions ne répond pas à la question de savoir comment l’apprentissage légitime est reconnu.

La pression immédiate pèse sur les enseignants, les responsables de département et les administrateurs académiques. Ils doivent traduire les engagements généraux en faveur d’une IA responsable en devoirs que les étudiants peuvent interpréter de façon cohérente. Sans cette traduction, l’accès s’élargit tandis que les attentes restent incertaines.

C’est pourquoi l’enquête de Dartmouth sur l’IA compte au-delà de Dartmouth. Ses résultats rendent explicite une tension familière en classe : un système d’évaluation dépend en partie du fait que les étudiants croient que les autres participants sont soumis à des attentes compréhensibles.

L’assistance par IA peut améliorer le travail tout en laissant l’apprentissage en suspens

Une meilleure réponse et un étudiant mieux préparé sont deux résultats différents, et l’IA éducative doit tenir compte des deux.

Cette distinction explique pourquoi les expériences favorables des étudiants avec l’IA ne résolvent pas les inquiétudes concernant le développement des compétences. Une explication peut sembler claire. Un brouillon peut devenir plus facile à lire. Un problème peut aboutir à la bonne réponse. Aucune de ces observations ne démontre à elle seule ce que l’étudiant peut reproduire de manière autonome.

Une expérience sur l’apprentissage des mathématiques publiée dans PNAS a examiné cette distinction à l’aide d’interfaces basées sur GPT-4. Les chercheurs ont comparé une interface de chat généraliste, un tuteur doté de garde-fous conçus avec l’apport d’enseignants, et un groupe témoin sans assistance par IA.

L’interface généraliste a amélioré les performances lors d’exercices réalisés avec assistance, mais ses utilisateurs ont ensuite obtenu de moins bons résultats sans accès à l’outil. Les garde-fous du tuteur ont largement atténué ce préjudice. L’étude portait sur les mathématiques au lycée ; elle n’établit donc pas les résultats dans l’ensemble des matières universitaires.

Sa pertinence tient au choix de mesure. Évaluer les performances après le retrait de l’assistance pose une question différente de celle consistant à évaluer un travail réalisé avec l’outil. Les universités doivent savoir quel résultat un produit éducatif affirme améliorer.

Cette distinction aide également à comprendre les approches concurrentes des produits. Un assistant généraliste peut répondre directement à une demande de réponse finalisée. Une interface axée sur l’apprentissage peut plutôt guider l’utilisateur à travers les étapes intermédiaires du raisonnement. Aucun intitulé d’interface ne garantit le résultat éducatif.

Un tuteur peut donner des indices qui restent trop révélateurs. Un assistant généraliste peut favoriser une pratique utile lorsqu’un étudiant pose des questions rigoureuses. Le comportement du produit, les choix de l’étudiant, la conception du devoir et l’évaluation ultérieure influencent tous la signification d’une interaction particulière.

La même tension apparaît dans des recherches sur l’assistance à la demande décrites par des chercheurs de l’INSEAD et de l’Université de Pennsylvanie. Leur expérience d’entraînement aux échecs a observé un apprentissage plus faible lorsque les participants pouvaient demander une aide supplémentaire de l’IA à tout moment.

Les chercheurs soutiennent qu’une assistance pratique peut remplacer l’effort productif, même lorsque les apprenants reconnaissent leur dépendance. Ce résultat invite à la prudence avant d’assimiler le contrôle par l’utilisateur à un bénéfice éducatif. Il n’établit pas que toute aide demandée nuit à l’apprentissage.

Pour un acheteur universitaire, l’implication pratique est une norme d’évaluation plus exigeante. La satisfaction, l’utilisation fréquente et les devoirs terminés peuvent montrer que les étudiants trouvent un outil utile. Ils ne permettent pas de savoir si les étudiants développent les capacités que l’établissement entend enseigner.

Une évaluation pourrait donc inclure des tâches réalisées après le retrait de l’assistant. Elle pourrait aussi examiner si les étudiants expliquent leurs erreurs, appliquent des idées dans des situations inhabituelles ou identifient des conclusions non étayées. Ces mesures évalueraient les capacités plus directement que la seule qualité d’un rendu soigné.

Le défi s’étend au travail de connaissance. Un employé peut achever un rapport avec assistance tout en restant incapable d’en défendre les hypothèses. Un développeur peut accepter une correction suggérée sans comprendre pourquoi elle fonctionne. Il s’agit de risques illustratifs, et non de résultats mesurés par Dartmouth.

Pour les étudiants, l’enjeu concerne la relation entre la commodité immédiate et l’autonomie future. L’assistance est précieuse lorsqu’elle les aide à aborder un travail qu’ils comprennent de mieux en mieux. Elle devient plus difficile à défendre sur le plan éducatif lorsque le produit fini dissimule une compréhension inchangée.

C’est le compromis central de l’article. Les universités souhaitent que les étudiants acquièrent de l’expérience avec l’IA tout en préservant la pratique qui développe le jugement. Les éléments disponibles plaident pour une conception et une évaluation rigoureuses plutôt que pour une confiance fondée sur l’apparence d’un travail achevé.

L’écart de perception n’est pas un taux de fraude vérifié

L’enquête justifie les inquiétudes relatives à la confiance, mais elle ne permet pas de déterminer la prévalence exacte des usages interdits de l’IA.

Le document de travail issu de l’enquête de Dartmouth examine des explications concurrentes de cet écart. Les répondants peuvent sous-déclarer leur propre comportement, surestimer celui de leurs pairs ou se souvenir d’exemples particulièrement frappants. Ces possibilités peuvent coexister.

Les auteurs indiquent que même en doublant les taux déclarés par les répondants eux-mêmes, des écarts subsistent pour de nombreux usages. Cet exercice teste la sensibilité à la sous-déclaration. Il n’établit pas le bon ajustement et ne révèle pas un taux de manquement observé de manière indépendante.

Cette distinction évite une conclusion séduisante mais non étayée : les étudiants se tromperaient tout simplement au sujet de tout le monde. L’enquête fournit des raisons de mettre en doute les estimations concernant les pairs. Elle ne fournit pas de registre externe montrant précisément quels étudiants ont utilisé quelle assistance pour quels devoirs.

La conclusion inverse n’est pas davantage étayée. Des estimations élevées concernant les pairs ne démontrent pas que les établissements font face à des manquements aux niveaux estimés. Les répondants peuvent décrire différents groupes de référence ou interpréter différemment un même comportement.

Il faut également distinguer l’usage de l’IA d’une infraction. Le fait de rédiger, d’éditer ou de recevoir une solution enfreint une règle selon le devoir concerné. Une réponse comportementale ne devient une preuve de manquement que lorsqu’elle est reliée aux attentes applicables.

Ces limites n’effacent pas les résultats. Elles définissent ce que les données peuvent étayer. Une enquête peut documenter les inquiétudes, la pression perçue et les comportements déclarés sans vérifier indépendamment chacune des activités décrites par les répondants.

Cela rend la communication délicate. Une université qui tente de corriger des perceptions exagérées devrait expliquer l’incertitude en parallèle des chiffres. Présenter les déclarations personnelles comme des vérités établies pourrait entamer sa crédibilité auprès des étudiants qui ont constaté des infractions évidentes.

Dans le même temps, communiquer uniquement des estimations alarmantes concernant les pairs risque d’amplifier la pression concurrentielle que l’établissement souhaite réduire. Les étudiants pourraient interpréter le message comme la confirmation que l’assistance interdite est courante et nécessaire.

Le document décrit également des différences entre groupes d’étudiants et disciplines. Ces comparaisons ne devraient pas se transformer en un simple classement des étudiants selon leur usage responsable de l’IA. Les disciplines attribuent des tâches différentes, et les répondants ont des attentes différentes quant à ce qui constitue une assistance utile.

Une complication supplémentaire concerne les résultats. La conviction des étudiants que l’IA nuit à l’écriture exprime une préoccupation importante, mais ne mesure pas un déclin de la capacité rédactionnelle. Leur confiance dans le fait que l’IA améliore la compréhension exige également une évaluation distincte.

Un établissement peut prendre ces deux convictions au sérieux sans présenter l’une ou l’autre comme un résultat expérimental. L’étape suivante appropriée consiste à identifier où le bénéfice ou la préoccupation rapportés apparaissent dans les cours réels, puis à examiner les apprentissages concernés.

C’est là que l’enquête de Dartmouth sur l’IA apporte sa contribution la plus claire. Elle identifie des questions qui méritent d’être testées et des expériences auxquelles il faut répondre. Sa valeur diminuerait si un titre commode transformait ces résultats en certitudes sur la fraude, la perte d’apprentissage ou le comportement universel des étudiants.

Le déploiement de l’IA à Dartmouth rend les attentes pédagogiques plus urgentes

Fournir un accès à l’IA crée la responsabilité d’expliquer comment les étudiants doivent utiliser cet accès dans le cadre de leur formation.

Le partenariat de Dartmouth autour de l’IA, annoncé le 3 décembre 2025, comprend Claude for Education d’Anthropic et Amazon Bedrock. L’université décrit un accès destiné aux étudiants, au corps enseignant et au personnel, ainsi qu’une collaboration sur des applications académiques.

Cet engagement institutionnel confère une importance pratique à l’enquête. Dartmouth étudie l’expérience des étudiants tout en intégrant l’IA à la vie du campus. L’accès et l’évaluation éducative doivent donc relever de la même discussion.

Un outil soutenu par une université n’a pas la même implication qu’une application qu’un étudiant découvre de manière indépendante. Les étudiants peuvent raisonnablement se tourner vers l’établissement pour obtenir des orientations sur un usage approprié. La disponibilité seule ne peut pas communiquer les limites d’un devoir individuel.

Les enseignants ont également besoin de savoir clairement ce que signifie l’aval institutionnel. Une licence de campus n’établit pas que chaque cours devrait adopter le produit. De même, la restriction imposée par un enseignant ne signifie pas que le partenariat plus large de l’université manque de valeur.

La décision importante concerne l’objectif d’apprentissage. Un assistant qui aide à organiser un projet de recherche peut servir un devoir avancé. Cette même assistance peut contourner une compétence organisationnelle qu’un cours d’introduction exige précisément des étudiants qu’ils développent.

Cela exerce une pression à la fois sur les responsables universitaires et les fournisseurs. Les établissements doivent expliquer comment l’adoption soutient leurs engagements pédagogiques. Les fournisseurs qui recherchent un déploiement académique doivent montrer comment le comportement de leur produit correspond aux tâches que les enseignants assignent réellement.

L’enquête ne compare pas Claude à ChatGPT et ne classe pas les assistants éducatifs. Le partenariat de Dartmouth devrait donc être traité comme un contexte de déploiement, plutôt que comme une preuve qu’un modèle particulier résout les préoccupations exprimées par les étudiants.

De même, la comparaison entre GPT Base et GPT Tutor dans l’expérience de mathématiques concerne l’interface et la conception pédagogique dans le cadre de cette étude. Elle n’établit pas un classement commercial actuel. La comparaison pertinente porte sur les formes d’assistance et leurs conséquences mesurées.

Pour les achats au niveau du campus, cela suggère un ensemble utile de questions. Les enseignants peuvent-ils configurer l’assistance en fonction de l’objectif d’un devoir ? Les étudiants peuvent-ils distinguer des suggestions de preuves vérifiées ? Un établissement peut-il évaluer une performance indépendante sans faire de l’engagement envers le produit sa principale mesure de réussite ?

Ces questions comptent parce que les objectifs institutionnels peuvent diverger des préférences immédiates des utilisateurs. Un étudiant soumis à la pression d’une échéance peut préférer une réponse complète. Un cours conçu pour développer le raisonnement peut exiger que l’étudiant progresse dans l’incertitude avant de recevoir cette réponse.

Le défi consiste à rendre cet objectif pédagogique compréhensible. Une friction sans explication peut sembler arbitraire. Un lien explicite entre une restriction et une compétence donne aux étudiants une idée plus claire de ce que le cours attend d’eux.

Le même principe s’applique à la gestion des connaissances personnelles : organiser des documents et les comprendre sont des tâches liées mais distinctes. Un système d’étude utile devrait rendre les preuves à l’appui accessibles tout en laissant une place au jugement de l’apprenant.

Le déploiement de Dartmouth rend donc les orientations plus urgentes. Les étudiants ont besoin de savoir quand l’assistance les aide à s’exercer, quand elle modifie ce que leur travail remis démontre, et comment les enseignants évalueront cette différence.

Ce qu’il faut surveiller après la publication de l’enquête

Les prochaines données utiles relieront les décisions universitaires, l’apprentissage démontré et les attentes des employeurs.

Le premier indicateur sera de savoir si Dartmouth traduit ses résultats en orientations académiques précises. Son annonce de l’enquête indique qu’un rapport de la direction du corps enseignant sur les recommandations en matière d’enseignement et de recherche est à venir.

Au cours des prochains mois, la question utile sera de savoir à quel point ces orientations deviendront concrètes. Des exemples liés aux dissertations, aux séries d’exercices, aux projets de recherche et aux révisions montreraient comment les principes institutionnels atteignent les cours ordinaires. De simples déclarations générales laisseraient une grande part de l’effort d’interprétation aux étudiants.

Cet indicateur renforcerait l’argument selon lequel l’enquête éclaire la pratique pédagogique si les recommandations définissent des attentes observables. Il l’affaiblirait si la réponse se concentrait sur des encouragements généraux sans expliquer les limites de l’évaluation.

Le deuxième indicateur sera de savoir si les évaluations sur le campus distinguent les productions assistées des capacités indépendantes. Cela exigerait davantage que de rapporter la participation ou de recueillir des réactions favorables. Des données issues de tâches réalisées de manière indépendante aideraient à traiter directement la question de l’apprentissage.

De telles évaluations exigent une interprétation rigoureuse. Une évaluation devrait correspondre à ce qu’enseigne un cours, et les résultats devraient rester spécifiques à la population et à la tâche étudiées. Une intervention réussie dans un contexte justifierait des tests supplémentaires plutôt qu’une affirmation universelle.

Cet indicateur renforcerait la confiance dans un déploiement de l’IA si les étudiants conservaient ou transféraient les compétences visées. Des travaux assistés plus solides sans éléments indépendants correspondants laisseraient la question centrale en suspens.

Le troisième indicateur est la recherche de Dartmouth auprès des employeurs. L’université indique interroger des employeurs sur les emplois de début de carrière, l’évolution des responsabilités et les compétences requises. Ce travail peut aider à comparer les attentes des étudiants avec les exigences décrites par les organisations.

Les réponses des employeurs devraient néanmoins être examinées avec attention. Les préférences exprimées diffèrent des décisions d’embauche observées, et l’enthousiasme pour les compétences liées à l’IA n’explique pas quelles capacités comptent. Des exemples détaillés de travail, de supervision et d’évaluation seraient plus instructifs que des approbations générales.

Ces résultats renforceraient l’argument en faveur de la préparation à l’emploi si les employeurs identifient des capacités précises que les universités peuvent enseigner et évaluer. Un décalage donnerait aux établissements une raison de revoir la manière dont ils décrivent les bénéfices d’une formation à l’IA.

Aucun de ces indicateurs n’exige de prétendre qu’une autre enquête auprès des étudiants est imminente. Dartmouth identifie août 2027 comme la date de la prochaine enquête étudiante. Les évolutions à plus court terme concernent les orientations institutionnelles, les pratiques d’évaluation et le travail déjà en cours auprès des employeurs.

Pour les lecteurs qui suivent l’enquête de Dartmouth sur l’IA, la prochaine démarche utile consiste à se demander quelles données modifieraient l’approche d’un établissement. Les étudiants peuvent demander quelles parties d’un devoir doivent démontrer un jugement indépendant. Les enseignants peuvent expliquer comment l’assistance autorisée se rattache à cet objectif. Les employeurs peuvent décrire le raisonnement qu’ils attendent des nouvelles recrues qu’elles défendent, notamment lorsqu’une réponse générée par l’IA semble plausible. Les équipes produit peuvent évaluer si les utilisateurs conservent la capacité que leurs outils prétendent soutenir. Suivez ces décisions concrètes à mesure que la réponse se développe. Lorsqu’un établissement affirme que l’IA prépare les étudiants au travail, que mesurera-t-il pour montrer qu’ils peuvent encore expliquer, questionner et appliquer ce qu’ils produisent ?