top of page

Les orientations de l’Office for Students sur l’évaluation par l’IA mettent les travaux écrits sous pression

il y a 43 minutes
14 min de lecture
Illustrative photograph. Photo: Matheus Bertelli / Pexels.

L’Office for Students pousse les universités anglaises à développer les évaluations sans IA tout en continuant à enseigner aux étudiants comment utiliser l’intelligence artificielle. Publiées le 11 novembre, les orientations de l’Office for Students sur l’évaluation par l’IA mettent en lumière un écart grandissant : un travail écrit soigné ne démontre pas nécessairement la compréhension d’un étudiant.

Le conflit central porte sur ce qu’une université peut établir à partir d’un travail rendu. Une dissertation peut satisfaire aux critères de notation tout en révélant peu de choses sur le raisonnement indépendant de son auteur. À l’inverse, utiliser l’IA pendant la préparation ne signifie pas automatiquement qu’un étudiant a évité d’apprendre ou enfreint les règles d’évaluation.

Une précédente expérience de l’Université de Reading a mis en évidence la difficulté à identifier les travaux produits par l’IA au moyen d’une correction ordinaire. Le régulateur anglais confie désormais aux établissements la responsabilité de concevoir des évaluations capables d’établir les acquis des étudiants. Cela accentue la pression sur les universités, les fournisseurs de logiciels d’évaluation et les étudiants confrontés à des attentes incohérentes.

Les orientations de l’Office for Students sur l’évaluation par l’IA ciblent les preuves d’apprentissage

L’intervention du régulateur interroge les éléments probants qui sous-tendent une note, tout en laissant place aux évaluations autorisant l’IA.

L’OfS a publié sa recherche institutionnelle sur l’IA avec Advance HE le 11 novembre. Mené entre juin et septembre 2026, le projet a donné lieu à des échanges avec plus de 300 étudiants et membres du personnel dans plus de 120 établissements.

Ses conclusions décrivent des inquiétudes concernant les devoirs non surveillés que l’IA peut réaliser sans que les étudiants démontrent les connaissances visées. Les participants ont également évoqué des usages bénéfiques pour les études et l’incertitude entourant les politiques d’évaluation. Ces témoignages mettent en évidence des problèmes institutionnels ; ils n’établissent pas un taux national de fraude.

L’expression largement relayée « presque impossible » reflète l’inquiétude d’un membre du personnel concernant l’évaluation des étudiants dans certains domaines. Considérer cette déclaration comme une conclusion universelle effacerait des nuances importantes. Le rapport n’établit ni que chaque dissertation est générée par l’IA, ni que chaque note de travail écrit est dépourvue de valeur.

Les orientations d’application relatives à l’évaluation qui les accompagnent expliquent comment s’appliquent les conditions de qualité existantes. B1 concerne l’expérience académique, B2 traite des ressources et de l’accompagnement, et B4 couvre l’évaluation et la crédibilité des diplômes.

Les orientations soutiennent le recours à des évaluations sécurisées lorsque cela est nécessaire. Celles-ci empêchent l’utilisation de l’IA et comprennent les examens, présentations, épreuves orales, performances et tâches pratiques. Elles autorisent également l’IA lorsque l’évaluation mesure toujours les résultats d’apprentissage visés.

Cette distinction modifie la question institutionnelle. Une université ne peut pas régler le problème en se déclarant simplement favorable à l’IA ou attachée à l’intégrité académique. Elle doit pouvoir expliquer de manière défendable ce que chaque évaluation établit au sujet de l’étudiant.

Prenons l’exemple d’un devoir d’économie demandant aux étudiants d’évaluer une proposition de politique publique. Une dissertation finale convaincante peut témoigner d’une argumentation solide, ou refléter une aide importante. Sans éléments supplémentaires, le correcteur reste dans l’incertitude quant à la contribution de l’étudiant.

Changer la police de caractères, ajouter une déclaration ou rappeler aux étudiants les règles relatives aux fautes académiques ne résout pas cette incertitude. Ces mesures communiquent des attentes, mais n’améliorent pas nécessairement les preuves étayant la note.

Une évaluation qui demande aux étudiants d’expliquer leurs hypothèses crée une base de jugement différente. L’enseignant peut examiner pourquoi un modèle a été choisi, quelles preuves sont pertinentes et comment des explications concurrentes ont été écartées.

L’importance pratique des orientations de l’Office for Students sur l’évaluation par l’IA va donc au-delà du format d’un examen. Leur exigence centrale est que les établissements relient le travail qu’ils notent aux capacités qu’ils affirment certifier.

Ce lien explique également pourquoi les travaux écrits restent au cœur du débat. Les projets de longue durée peuvent révéler la recherche, la révision et un raisonnement soutenu. Le défi consiste à préserver ces atouts tout en établissant à qui appartient la compréhension représentée par le travail final.

Les universités doivent défendre ce que leurs notes certifient réellement

La pression immédiate pèse sur les établissements qui délivrent des diplômes, y compris ceux dont les politiques sont claires mais dont les preuves de réussite des étudiants restent faibles.

L’OfS a lié la qualité de l’évaluation à ses responsabilités réglementaires. Dans son annonce sur l’évaluation par l’IA, il identifie des réponses possibles aux défaillances institutionnelles, notamment des conditions imposées, des sanctions financières et des restrictions de financement.

Il s’agit d’outils réglementaires, non d’éléments prouvant qu’une université a déjà reçu une sanction à la suite de ce rapport. La distinction importe, car un avertissement fixe des attentes sans établir de résultat d’exécution.

Josh Fleming, directeur de la stratégie et de la mise en œuvre de l’OfS, a appelé à un recours accru aux évaluations sans IA. Kathryn Harrison-Graves, directrice générale adjointe d’Advance HE, a souligné l’importance d’une orientation institutionnelle, de consignes cohérentes et de ressources destinées au personnel et aux étudiants.

Ces positions traitent différentes facettes du même problème. Une évaluation contrôlée peut renforcer la confiance dans la performance individuelle. La coordination institutionnelle aide à déterminer où cette approche doit s’appliquer et si les départements peuvent la mettre en œuvre de manière cohérente.

Pour les dirigeants universitaires, la pression qui en résulte dépasse les équipes chargées des fautes académiques. La conception des évaluations affecte les effectifs, les emplois du temps, la disponibilité des salles, l’accessibilité et le lien entre les objectifs des cours et les diplômes finaux.

Une épreuve orale exige une personne qualifiée pour poser des questions de relance utiles. Une tâche pratique requiert des conditions adaptées et une notation cohérente. Un devoir révisé exige que les enseignants s’accordent sur ce qui constitue un raisonnement réussi.

Il s’agit de considérations de mise en œuvre plutôt que de coûts mesurés dans le rapport. Elles expliquent pourquoi adopter une nouvelle politique d’évaluation est plus facile que démontrer qu’elle fonctionne dans l’ensemble d’une université.

Pour les enseignants, ce changement transforme aussi le rôle de la correction. La lecture d’une réponse finale reste nécessaire, mais la confiance repose de plus en plus sur les éléments recueillis autour de cette réponse.

Un enseignant peut comparer un projet avec l’explication donnée par l’étudiant de sa décision centrale. Un autre peut évaluer une tâche appliquée au cours d’une séance surveillée. Aucune de ces approches ne garantit l’équité sans critères appropriés.

Pour les étudiants, la prévisibilité devient essentielle. Un cours qui encourage l’exploration soutenue par l’IA pendant l’enseignement doit expliquer les limites applicables aux travaux évalués. Sinon, les étudiants doivent déduire les règles à partir de commentaires épars et d’exemples incohérents.

Cette incertitude crée des difficultés même lorsque chacun entend respecter les règles. L’aide à la grammaire, à la recherche de sources, au développement d’arguments et à la rédaction complète correspond à des contributions différentes. Une simple instruction invitant à utiliser l’IA de manière responsable laisse ces différences sans réponse.

Les employeurs ont également un intérêt dans cette question, même si le rapport n’établit pas comment les pratiques de recrutement évolueront. Un diplôme véhicule une affirmation sur les capacités d’un diplômé. L’incertitude liée à l’évaluation affaiblit l’utilité de cette affirmation.

La distinction pertinente oppose la production d’un résultat acceptable à la possession du jugement nécessaire pour l’évaluer. De nombreuses tâches professionnelles impliquent les deux. Les universités sont poussées à montrer quelle capacité représente une note donnée.

Pour les fournisseurs de technologies, l’implication est similaire. Les fonctionnalités qui accélèrent la production de devoirs ne renforcent pas automatiquement les preuves éducatives. L’utilité d’un produit pour les études et son adéquation à l’évaluation exigent des jugements distincts.

La maîtrise de l’IA et la compétence indépendante exigent des preuves différentes

Un étudiant peut apprendre à travailler efficacement avec l’IA tout en devant démontrer sa compréhension sans elle.

L’apparente contradiction dans la position du régulateur disparaît lorsque les objectifs d’évaluation sont explicités. Utiliser un outil avec compétence et comprendre un sujet de manière indépendante sont des capacités liées, mais elles exigent des preuves différentes.

Un cours de programmation illustratif rend cette distinction concrète. Un étudiant peut utiliser l’IA pour suggérer du code, puis en examiner le comportement et identifier une faille de sécurité. Cet exercice peut évaluer son jugement à l’égard d’un résultat généré.

Une tâche distincte peut demander à l’étudiant de suivre l’exécution d’un programme simple sans assistance. Son objectif serait d’établir une compréhension fondamentale. La réussite de l’exercice assisté par l’IA n’établirait pas automatiquement la réussite de la tâche indépendante.

Aucune de ces tâches ne doit représenter l’intégralité du cours. Ensemble, elles peuvent répondre à des questions qu’un programme final soigné laisse en suspens.

Des éléments antérieurs montrent pourquoi cette distinction mérite attention. Dans une expérience d’infiltration d’examens menée en 2024, des chercheurs de l’Université de Reading ont soumis des réponses générées par l’IA à des examens de psychologie de premier cycle.

L’université a indiqué que 94 % de ces réponses n’avaient pas été détectées et que les soumissions générées avaient obtenu, en moyenne, des notes plus élevées que les réponses de vrais étudiants. L’expérience portait sur un système d’examen particulier et un contexte disciplinaire précis.

Elle n’établit pas un taux de détection actuel à l’échelle des universités. Elle montre toutefois pourquoi une notation ordinaire ne peut pas automatiquement établir l’auteur d’un travail ni une compréhension indépendante.

L’expérience de Reading et l’intervention de l’OfS abordent le problème sous des angles différents. L’expérience vérifiait si des réponses soumises passeraient à travers un système existant. Le régulateur demande aux établissements de rendre leurs systèmes d’évaluation défendables.

Ce changement favorise des distinctions plus claires entre différents types de réussite. Un rapport assisté par l’IA peut démontrer l’évaluation, la vérification et un usage responsable des outils. Une explication indépendante peut établir si l’étudiant comprend le raisonnement qui la sous-tend.

La tension devient plus forte lorsque l’évaluation récompense l’apparence de l’expertise. Une écriture fluide, des références ordonnées et des conclusions assurées peuvent être des qualités utiles. Elles deviennent trompeuses lorsque les correcteurs les considèrent comme des preuves suffisantes de connaissances disciplinaires.

Un modèle peut produire une explication plausible que son utilisateur est incapable de défendre. Un étudiant peut aussi produire une prose maladroite tout en comprenant le problème sous-jacent. L’évaluation doit distinguer ces possibilités sans présumer de l’une ou de l’autre.

La même distinction importe aux travailleurs du savoir en dehors de l’éducation. Un résumé généré par l’IA peut aider quelqu’un à examiner des informations, mais accepter sa conclusion exige d’en vérifier les preuves.

Pour les lecteurs qui s’intéressent à la gestion des connaissances personnelles, le lien est concret : des contenus organisés favorisent la compréhension lorsque les personnes peuvent examiner leurs origines et leur raisonnement.

Cette observation n’établit pas qu’un logiciel particulier améliore les notes ou vérifie la paternité d’un travail. Elle met en évidence un problème commun aux études et au travail professionnel : avoir accès à l’information et disposer d’une compréhension fiable sont deux accomplissements différents.

L’interprétation la plus solide de l’approche du régulateur préserve donc ces deux attentes. Les diplômés doivent comprendre leur discipline et développer leur jugement concernant l’IA. Un système d’évaluation doit révéler ces capacités plutôt que les réduire à un document final unique.

Le retour aux examens laisse des questions importantes sans réponse

Une évaluation davantage encadrée peut renforcer la confiance dans la performance individuelle sans résoudre toutes les questions d’équité ou de valeur éducative.

Un examen surveillé limite les possibilités d’aide extérieure. Il n’établit pas automatiquement que la tâche mesure la capacité la plus pertinente.

Prenons l’exemple d’un cours de méthodes de recherche. Un test chronométré peut évaluer la capacité des étudiants à reconnaître les faiblesses d’un protocole d’étude. Un projet mené sur la durée peut montrer s’ils savent formuler une question et réviser une approche.

Ces deux formes de preuves peuvent avoir leur importance. Remplacer entièrement le projet modifierait ce que le cours mesure, même si ce remplacement rendait l’utilisation non autorisée de l’IA plus difficile.

C’est l’objection sceptique la plus forte à un retour généralisé aux examens. Les universités ont besoin d’éléments montrant que les évaluations révisées préservent les acquis d’apprentissage qu’elles entendent certifier.

La sécurité et la validité exigent donc un examen distinct. La sécurité concerne les conditions dans lesquelles un étudiant réalise la tâche. La validité concerne la capacité de la tâche à mesurer les connaissances ou compétences visées.

Un établissement peut renforcer l’une tout en négligeant l’autre. Un test de mémorisation étroitement contrôlé offre peu d’éléments sur des capacités exigeant une investigation prolongée. Un projet ambitieux à réaliser chez soi peut laisser incertaine la contribution indépendante de l’étudiant.

Le problème de conception consiste à équilibrer ces limites. Affirmer que les examens traditionnels résolvent l’évaluation à l’ère de l’IA simplifierait excessivement la question. Affirmer que l’usage de l’IA en entreprise rend l’évaluation indépendante inutile constituerait un saut tout aussi peu étayé.

L’accessibilité ajoute une autre contrainte. Les recommandations de l’OfS reconnaissent les aménagements raisonnables pour les étudiants en situation de handicap et mettent en garde contre une importance disproportionnée accordée aux résultats des outils de détection de l’IA.

Ces garanties sont importantes, car ni un changement de style d’écriture ni le score d’un détecteur n’expliquent comment un étudiant a réalisé un devoir. Une accusation comme un jugement d’évaluation nécessitent des éléments de preuve appropriés.

Une université devrait également distinguer l’assistance de la substitution. Un étudiant qui utilise un soutien autorisé tout en élaborant une argumentation se trouve dans une situation différente de celle d’une personne qui remet un travail qu’elle ne peut pas expliquer.

La frontière dépend en partie du devoir. Une assistance acceptable dans un exercice de langue peut compromettre l’objectif d’une tâche conçue pour évaluer une rédaction sans aide. Les règles institutionnelles générales doivent prendre un sens propre à chaque évaluation.

Il existe aussi un risque de transférer trop loin la charge de la preuve sur les étudiants. Exiger des traces détaillées de chaque action de rédaction pourrait générer de la documentation sans établir la compréhension.

Un historique d’activité complet nécessiterait toujours une interprétation. Il pourrait montrer qu’un étudiant a interagi avec un outil, mais cette interaction seule ne révélerait pas si un apprentissage a eu lieu.

Ce sont des raisons d’évaluer soigneusement la refonte, et non de préserver chaque devoir existant. Les établissements doivent expliquer la contribution de chaque composante à un jugement crédible.

La question non résolue est donc plus large que celle du retour des examens. Les recommandations de l’Office for Students sur l’évaluation liée à l’IA laissent aux universités la responsabilité de montrer que la combinaison qu’elles ont choisie mesure les acquis de manière équitable.

Son efficacité dépendra des preuves issues de la mise en œuvre. Un guide révisé peut énoncer des attentes plus fortes ; seul le fonctionnement de l’évaluation peut montrer si ces attentes se vérifient.

L’adoption par les étudiants rend les hypothèses générales peu fiables

L’usage généralisé de l’IA établit l’ampleur du défi de l’évaluation, tout en laissant sans réponse les comportements individuels et les résultats d’apprentissage.

L’enquête étudiante sur l’IA de HEPI, publiée en mars 2026, apporte un contexte utile. Menée par Savanta en décembre 2025, elle a recueilli les réponses de 1 054 étudiants britanniques de premier cycle à temps plein.

L’enquête a révélé que 95 % des répondants déclaraient utiliser l’IA d’une manière ou d’une autre, tandis que 94 % déclaraient utiliser l’IA générative pour les aider dans des travaux évalués. Par ailleurs, 12 % ont déclaré intégrer directement du texte généré par l’IA dans des travaux évalués.

Ces catégories mesurent des comportements différents. L’aide apportée aux travaux évalués couvre davantage d’activités que l’insertion de texte généré. Aucun de ces chiffres, pris isolément, n’établit une faute au regard des règles institutionnelles d’un étudiant.

L’enquête a également montré que 65 % estimaient que l’évaluation avait considérablement évolué en réponse à l’IA. Elle apporte donc un contexte sur l’adaptation institutionnelle déjà en cours, parallèlement aux préoccupations soulevées par la recherche de novembre.

Ces résultats fragilisent une division simpliste entre utilisateurs de l’IA et apprenants indépendants. Un étudiant peut utiliser l’IA tout en s’engageant profondément dans le contenu. Un autre peut utiliser des outils similaires pour éviter de s’y engager.

La différence éducative réside dans le travail que l’étudiant accomplit encore. Demander une explication peut ouvrir une enquête productive. Accepter cette explication sans la vérifier peut mettre fin prématurément à cette enquête.

Un devoir d’histoire illustratif montre comment des actions semblables peuvent produire des résultats différents. Un étudiant peut demander à l’IA de suggérer des interprétations, puis les comparer à des documents primaires.

Un autre peut remettre l’interprétation suggérée sans examiner ses preuves. L’interaction initiale avec l’outil semble similaire, mais la base qui justifie la note diffère.

C’est pourquoi les statistiques d’adoption ne peuvent pas trancher la conception de l’évaluation. Elles indiquent dans quelle mesure les établissements rencontrent l’IA, tout en fournissant peu d’informations sur ce qu’un étudiant particulier a appris.

La même prudence s’applique aux témoignages d’étudiants qui terminent rapidement leurs devoirs. Ces récits mettent en évidence une préoccupation crédible qui mérite d’être examinée. Ils ne mesurent pas la fréquence de ce comportement dans l’ensemble du secteur.

Les établissements ont donc besoin de preuves provenant de leurs propres cours. À quels endroits les réponses remises laissent-elles la compréhension incertaine ? Quels éléments de l’évaluation lèvent cette incertitude ? Quels changements préservent des occasions utiles de recherche et de révision ?

Ces questions comptent aussi pour l’évaluation des produits d’IA. Un fournisseur peut démontrer que son logiciel génère des questions d’étude ou résume des documents. Cette démonstration n’établirait pas une amélioration de la performance indépendante.

Les acheteurs du secteur éducatif devraient distinguer l’activité du produit de la réussite éducative. L’usage fréquent, des résultats attrayants et la satisfaction des étudiants peuvent éclairer les décisions, mais ils répondent à des questions différentes de celles portant sur l’apprentissage démontré.

Pour les étudiants, l’implication pratique est une relation plus claire entre préparation et preuve. L’IA peut participer à la préparation lorsqu’elle est autorisée. L’évaluation doit toujours établir les capacités que le cours promet de développer.

Pour les universités, cela signifie abandonner les hypothèses générales dans les deux sens. Un usage répandu ne prouve pas une triche répandue, et une politique favorable à l’IA ne prouve pas que l’évaluation demeure crédible.

Suivre les changements d’évaluation, les preuves réglementaires et le soutien au personnel

Le prochain test consistera à déterminer si les universités peuvent montrer que les évaluations repensées révèlent l’apprentissage plus clairement que leurs dispositifs précédents.

Au cours des prochains mois, le premier signal à surveiller est un changement propre à chaque évaluation. Les établissements devraient décrire quelles tâches exigent une performance indépendante, lesquelles autorisent l’IA et ce que chaque composante établit.

Une annonce générale sur une IA responsable fournirait peu d’éléments attestant des progrès. Des devoirs révisés, des critères clairs et des explications sur leur objectif offriraient une base de jugement plus solide.

Ce signal renforcerait les arguments en faveur d’une adaptation efficace si les universités préservent des travaux de cours significatifs tout en répondant à l’incertitude concernant la contribution des étudiants. Une simple hausse du nombre d’examens laisserait la question éducative ouverte.

Le deuxième signal concerne la manière dont le régulateur évalue les preuves institutionnelles. Ses prochaines étapes réglementaires publiées indiquent qu’il utilisera les outils existants plutôt que d’introduire de nouvelles réglementations.

L’OfS identifie également des attentes dans le cadre d’une future approche proposée de la qualité. Ces attentes doivent rester distinctes d’un calendrier final de mise en œuvre ou d’une conclusion annoncée en matière de contrôle.

Il faut surveiller l’apparition d’exemples plus clairs de ce que constituent des preuves adéquates. Les établissements doivent comprendre comment les évaluations démontrent la réussite, plutôt que d’inférer la conformité selon qu’un format particulier paraît traditionnel.

Un contrôle fondé sur les preuves renforcerait l’intervention. Mettre l’accent sur des restrictions visibles sans examiner l’apprentissage affaiblirait l’argument selon lequel ces changements protègent la qualité des qualifications.

Le troisième signal est le soutien pratique au personnel. Advance HE a annoncé une Change Academy consacrée à l’IA pour les établissements membres au début de 2027.

Son importance dépendra de la capacité de la planification institutionnelle à atteindre la conception des cours et les pratiques d’enseignement. Des principes communs deviennent utiles lorsque les enseignants peuvent les appliquer à de vrais devoirs et les expliquer aux étudiants.

Le soutien devrait aussi relier les attentes au sein d’un cours. Les étudiants doivent comprendre pourquoi l’assistance est encouragée dans une tâche et restreinte dans une autre. La cohérence naît d’un objectif éducatif clair, plutôt que de règles identiques partout.

Les recommandations de l’Office for Students sur l’évaluation liée à l’IA méritent l’attention parce qu’elles relient la politique en matière d’IA à la crédibilité des notes. Leur réussite reste une question empirique : les évaluations révisées apportent-elles de meilleures preuves de la réussite des étudiants ?

Pour les étudiants, les enseignants et les acheteurs du secteur éducatif, l’étape suivante consiste à examiner les détails des évaluations derrière les annonces. Demandez ce qu’une tâche établit de manière indépendante, ce qu’elle établit avec assistance et comment ces jugements se rejoignent.

Préservez les distinctions utiles lorsque vous lisez des statistiques d’adoption ou évaluez de nouveaux outils. L’assistance par l’IA, les travaux générés, la faute académique et un apprentissage insuffisant décrivent des choses différentes. Une réponse crédible nécessite des preuves pour chacune d’elles.

À mesure que les universités révisent leurs approches, lisez les règles relatives aux devoirs en parallèle des critères de notation. Que l’étudiant doit-il comprendre suffisamment pour l’expliquer, le vérifier ou l’exécuter, et où l’évaluation le montre-t-elle réellement ?

 
 

Commencez pour Gratuit

Un premier assistant IA local avec gestion des connaissances personnelles

Pour une meilleure expérience IA,

remio ne supporte que Windows 10+ (x64) et M-Chip Macs actuellement.

Votre partenaire IA au travail
Faites-en plus avec remio

Planifiez. Créez. Livrez.
Tout au même endroit.

bottom of page