L’arrivée massive de l’intelligence artificielle dans les amphithéâtres et les bibliothèques universitaires bouleverse profondément les méthodes d’apprentissage. Entre fascination et inquiétude, enseignants comme étudiants cherchent encore leurs marques. Face à ces usages qui se généralisent, une question s’impose : comment garantir la valeur d’un diplôme dans un monde où un outil peut rédiger une dissertation en quelques secondes ?
L’IA générative, un tournant majeur pour l’enseignement supérieur
Pour de nombreux spécialistes de l’éducation, l’essor des outils d’IA générative constitue l’une des évolutions les plus disruptives depuis l’arrivée d’Internet dans les universités. Non seulement ces technologies transforment notre rapport au savoir, mais elles brouillent aussi les frontières entre aide légitime et fraude académique.
Les études disponibles montrent une adoption impressionnante : selon le Digital Education Council, 86 % des étudiants répartis dans 16 pays utilisent régulièrement une IA dans leur parcours. Au Royaume-Uni, le Higher Education Policy Institute estime même que 92 % des étudiants y ont recours, dont la majorité dans le cadre de travaux notés. En revanche, aucune enquête solide ne permet aujourd’hui d’évaluer précisément l’étendue de la triche, les outils de détection s’avérant trop peu fiables pour constituer une preuve.
À quoi sert réellement l’évaluation universitaire ?
Pour comprendre pourquoi la triche devient un enjeu si sensible, il faut revenir à la fonction même de l’évaluation. À l’université, elle remplit deux grandes missions :
- Accompagner la progression : on parle d’évaluation formative, qui sert à identifier les difficultés, orienter les efforts, fournir un retour personnalisé.
- Valider les acquis : l’évaluation sommative, celle qui attribue des notes et ouvre la voie à un diplôme ou à une poursuite d’études.
Ces deux fonctions reposent sur des principes essentiels : fiabilité, équité, et alignement avec les objectifs pédagogiques. Or, dès lors qu’un étudiant délègue une partie de son travail à une IA dans un contexte où cela est interdit, ces principes vacillent.
Quand peut-on parler de triche avec l’IA ?
Les experts soulignent une distinction essentielle : tout usage d’une IA n’est pas une fraude. L’infraction apparaît lorsqu’un étudiant utilise un outil d’IA dans une situation d’évaluation où cela est explicitement interdit.
Un exemple simple :
– Utiliser une IA pour résoudre un exercice de statistiques pendant un examen surveillé = fraude.
– Demander à une IA une explication pour comprendre ce même exercice dans un contexte d’apprentissage = usage acceptable, à condition qu’il soit encadré.
La fraude, dans ce cas, détruit la pertinence de l’évaluation : l’enseignant n’évalue plus les compétences de l’étudiant, mais celles de l’outil.
Pourquoi les étudiants se tournent-ils vers la triche ?
Les recherches en sciences de l’éducation montrent que le rapport des étudiants à l’évaluation est parfois teinté de stress et de frustration. Beaucoup jugent les examens trop opaques, trop stressants, ou insuffisamment accompagnés de retours constructifs.
Le modèle du « diamant de la fraude » (Wolfe & Hermanson) est souvent cité pour expliquer cette dynamique. La triche apparaît lorsque quatre facteurs convergent :
- rationalisation : gagner du temps et maximiser les résultats,
- opportunité : l’IA sait presque tout faire,
- motivation : l’obtention du diplôme prime sur l’apprentissage profond,
- sentiment de capacité : ces outils sont simples et accessibles.
Le raisonnement est parfois brutal : « Si je n’utilise pas une IA alors que d’autres le font, je suis désavantagé. »
Comment les universités peuvent-elles réagir ?
Les institutions se retrouvent à la croisée des chemins. Les outils de détection sont trop peu fiables pour servir de preuve, et interdire complètement l’IA serait à la fois irréaliste et contre-productif.
Plusieurs pistes sont pourtant envisagées :
- multiplier les évaluations orales, plus difficiles à tricher,
- renforcer les conditions d’examen,
- repenser les chartes universitaires autour des usages de l’IA,
- concevoir des épreuves exigeant une réflexion personnelle difficilement automatisable.
Mais ces solutions sont coûteuses en temps et en ressources, un luxe que toutes les universités ne peuvent s’offrir.
Vers une nouvelle philosophie de l’évaluation ?
Les spécialistes de la pédagogie proposent une approche plus structurelle : distinguer clairement les évaluations formatives et les évaluations sommatives.
L’idée ?
– Les premières deviendraient des espaces d’apprentissage où les étudiants pourraient utiliser l’IA de manière transparente, pour progresser réellement.
– Les secondes seraient réduites en nombre, mieux surveillées et protégées, afin d’assurer la valeur du diplôme.
Cette refonte exige un dialogue constant entre étudiants et enseignants. Après tout, ce sont eux qui vivent au quotidien les conséquences de ces mutations rapides.
