Développé dans le cadre de ses travaux à l’Université de Lausanne, le modèle PRAX-IA articule quatre dimensions de compétences à mobiliser dans les usages pédagogiques de l’IA :

    Technique : comprendre le fonctionnement des IA génératives, leurs limites, leur logique probabiliste.
    Pratique : savoir choisir les bons outils, les utiliser à bon escient, et intégrer leurs apports dans une démarche réflexive.
    Critique : exercer son esprit critique sur les contenus générés, valider les sources, détecter les biais.
    Éthique : respecter les cadres juridiques, la transparence, la responsabilité, et la sobriété numérique.

Ce référentiel permet aux enseignants de cartographier les compétences visées dans leurs évaluations, et d’identifier celles qui peuvent être partiellement déléguées à l’IA, et celles qui doivent rester humaines.

évaluation et IAG

Cet outil propose une démarche réflexive permettant d’attester de la cohérence et de la rigueur des évaluations proposées dans un cours, ainsi que de leur résilience aux outils d’IAg.

évaluation de l'information

Ces cinq questions ne sont pas des problèmes à régler par des ajustements techniques. Elles signalent une inadéquation entre les formes héritées de l’évaluation et les exigences d’une formation confrontée à la transformation numérique du travail. Les réponses existent. Elles supposent de reformuler les questions.

Le concept d’étayage est crucial. L’IA générative ne fonctionne que si vous construisez l’architecture intellectuelle qui l’encadre. Cela signifie en pratique :

    Savoir décomposer un problème complexe en sous-étapes.
    Identifier précisément où l’IAg peut intervenir (et où elle ne le peut pas).
    Vérifier systématiquement chaque sortie avec rigueur.
    Intégrer les résultats dans une structure cohérente que vous contrôlez.

Ces compétences ne s’improvisent pas. Elles s’acquièrent par l’apprentissage approfondi, l’erreur, la correction et la pratique répétée. Déléguer votre réflexion à une machine sans construire cet étayage revient à abandonner le développement de votre propre intelligence structurante.

Face à Einstein et à ses successeurs inévitables, plusieurs pistes émergent dans le débat académique.

La première, et peut-être la plus efficace à court terme, est le retrait des écrans dans certains cours. Kirschenbaum note que les collègues qui ont fait ce choix témoignent d'une réaction positive des étudiants : « Ils comprennent le raisonnement. Ils apprécient l'opportunité d'être libérés des téléphones et des écrans pour se concentrer et engager un dialogue significatif avec d'autres personnes. » Mais cette solution ne peut être universelle — elle exclut précisément les étudiants en formation à distance dont Mills défend les intérêts.

La deuxième piste, préconisée par des enseignants comme Nicholas DiMaggio, doctorant à la Booth School of Business de l'Université de Chicago, est de repenser radicalement la conception des cours pour s'appuyer sur des formats que les agents IA ne peuvent pas facilement imiter : examens oraux, travaux en présentiel, évaluations par étapes avec « points de contrôle » obligatoires nécessitant une preuve d'identité et d'engagement humain. L'analogie avec la cybersécurité de Mills prend ici tout son sens : il faut concevoir des systèmes résilients plutôt que de tenter de bloquer chaque outil au fil de son émergence.

La troisième piste — la plus ambitieuse — serait une réforme de fond du rapport de l'enseignement supérieur à la valeur intrinsèque de l'apprentissage. Canvas et ses équivalents n'ont pas répondu aux demandes de commentaires des journalistes à ce sujet. Ce silence est lui-même éloquent : les plateformes EdTech ont construit leur modèle économique sur la marchandisation du contenu éducatif, et ont peu d'incitations à remettre en question ce modèle.

De la compréhension du concept d'évancipation à l'appropriation des référentiels, l'entretien explore comment transformer l'acte d'évaluer en un choix personnel dans un processus participatif et dans une démarche de professionnalisation qui valorise tant l'émancipation collective qu'individuelle.

Sur cette base, les apports de cet ouvrage se déploient selon quatre plans. Le premier, politique, se focalise sur le décryptage, la restauration et l’affirmation du lien entre recherche en éducation et action publique, au travers de l’évaluation. Les enjeux de ce lien ouvrent le deuxième plan, méthodologique, qui l’opérationnalise au travers des modalités et perspectives de la recherche participative. Il est complété par les conséquences et les défis concernant, troisième plan, la posture du chercheur-évaluateur engagé dans ce type de démarche. Le quatrième plan, épistémologique, réaffirme que la recherche participative fournit une contribution effective au développement des savoirs scientifiques en se préoccupant, avec rigueur et exigence, de ses résultats.

Thème :  Pour un droit à l’erreur

Nous rapportons une étude rigoureuse et aveugle dans laquelle nous avons injecté des soumissions écrites à 100% d'IA dans le système d'examens dans cinq modules de premier cycle, toutes les années d'études, pour un baccalauréat en psychologie dans une université britannique réputée. Nous avons constaté que 94% de nos soumissions d’IA n’étaient pas détectées. Les notes attribuées à nos soumissions d'IA étaient en moyenne une demi-limite de note supérieure à celle obtenue par les vrais étudiants.

Des travaux explorent actuellement d’autres formes d’évaluation. En sciences humaines et sociales, plusieurs pistes s’ouvrent. Par exemple, cela consiste à valoriser des productions plus difficiles à automatiser, telles que la restitution d’enquêtes de terrain, les observations in situ, ou encore les productions qui mobilisent leur « expérience incarnée ». Une telle orientation implique un déplacement épistémologique : l’expérience, articulée à la théorie, participe à une construction collective du sens et à une éducation fondée sur l’engagement.