Feedback et notation alimentés par l'IA dans l'enseignement supérieur

La façon dont nous évaluons l'apprentissage des étudiants et leur fournissons des commentaires évolue. À mesure que les classes se diversifient et que l'apprentissage se fait à la fois en ligne et en présentiel, les approches d'évaluation traditionnelles ne sont plus adaptées. Dans le même temps, les technologies émergentes telles que l'intelligence artificielle (IA) ouvrent la porte à de nouvelles possibilités passionnantes.

Imaginez être en mesure de fournir à chaque étudiant un feedback personnalisé en temps opportun sans tripler votre charge de travail ou détecter les difficultés d'apprentissage à un stade précoce, avant qu'elles n'aient un impact sur les résultats. L'IA rend cela possible. Grâce à l'IA, les éducateurs trouvent de nouveaux moyens d'améliorer l'enseignement et de se concentrer davantage sur ce qui compte le plus : l'expérience d'apprentissage des élèves.

Cette transformation soulève des questions. Comment s'assurer que l'IA est utilisée de manière éthique et responsable ? Et comment les institutions peuvent-elles apporter le soutien dont les professeurs ont besoin ?

Ce guide vous aidera, ainsi que votre établissement, à explorer ces questions et bien d'autres encore.

Le chapitre 1 prépare le terrain en examinant les exigences de l'évaluation moderne, ainsi que les défis liés à la fourniture de commentaires et à la notation.

Le chapitre 2 explore les avantages du feedback et de la notation assistés par l'IA et explique comment utiliser l'IA pour fournir un feedback et une évaluation de qualité.

Le chapitre 3 explore l'avenir du feedback et de la notation de l'IA, ainsi que la manière dont les institutions peuvent répondre aux préoccupations éthiques associées.

Notre objectif est de démystifier l'IA et de proposer une feuille de route fiable, fondée sur la pédagogie, soutenue par la recherche et façonnée par les besoins réels des éducateurs et des étudiants. L'avenir de l'évaluation ne consiste pas à remplacer les humains par des machines. Il s'agit d'utiliser des outils intelligents pour permettre aux professeurs de mieux aider les étudiants à apprendre.

Chapitre 1 : Évaluation et feedback à l'ère de l'IA

L'évaluation et le feedback sont essentiels aux expériences d'apprentissage. Il est important que les étudiants reçoivent des commentaires et des notes de qualité qui les encouragent à atteindre les résultats d'apprentissage. Cependant, que signifient exactement le feedback et la notation de qualité ?

Des recherches portant sur les points de vue des étudiants sur l'efficacité de la rétroaction ont révélé que les apprenants valorisent les commentaires « opportuns, axés sur la croissance, interactifs, spécifiques et personnalisés » (Holt et al., 2024)

Ce besoin, associé à la transformation numérique et à l'intégration de technologies d'IA génératives, a conduit les institutions à transformer la façon dont elles définissent le feedback et la notation de la qualité. Un feedback et une notation efficaces doivent (Knight & Ferrell, 2022) :

• Répondez aux besoins personnalisés des apprenants, quels que soient leurs antécédents, leurs domaines et leurs styles d'apprentissage.
• Soyez évolutif en fonction de la taille et des modalités des classes sans nécessiter davantage de ressources humaines.
• Générez des analyses d'apprentissage complètes et robustes qui peuvent améliorer la conception des programmes
• Travaillez en douceur au sein des LMS
• Gérez efficacement la charge de travail du personnel et des apprenants en ayant la bonne évaluation, au bon moment, soutenue par des processus métier efficaces
• Favoriser l'apprentissage actif et l'engagement tout au long du processus d'apprentissage, améliorant ainsi les résultats des élèves
• Favoriser l'employabilité des apprenants grâce à des tâches d'évaluation authentiques qui renforcent les compétences de la vie réelle

Le respect de ces exigences est essentiel à la réussite des élèves. Cependant, il n'est pas facile de créer et de mettre en œuvre un processus de feedback et de notation de qualité. Les institutions et le personnel se heurtent à plusieurs obstacles lorsqu'il s'agit de réaliser des évaluations efficaces.

Les défis du feedback et de la notation modernes

‍Efficacité réduite en raison des coupes budgétaires : Les institutions du monde entier sont confrontées licenciements et coupes budgétaires, ce qui a amené les membres du corps professoral à assumer davantage de responsabilités tout en ne recevant que peu ou pas de soutien. Étant donné que moins de professeurs doivent accueillir plus d'étudiants, il est beaucoup plus difficile d'apporter une attention individuelle à chacun, en particulier en ce qui concerne le feedback et la notation (Er et al., 2021).

‍Investissement en temps et charge de travail administrative : Le « Rapport de recherche sur la charge de travail des enseignants 2024 » révèle que le feedback et la notation sont les tâches les plus chronophages de la semaine de travail d'un enseignant en dehors de l'enseignement en classe (Hulme et al., 2024). Les professeurs consacrent environ 5 heures par semaine au feedback et à la notation uniquement, ce qui représente 140 heures sur une année scolaire de 28 semaines, comme l'ont fait remarquer les éducateurs dans cet article. Un tel investissement de temps, associé à la nécessité d'individualiser l'évaluation, les différences spécifiques aux cours, les exigences en matière de rapports, le volume de devoirs et le travail administratif connexe, font du feedback et de la notation une tâche plus exigeante.

‍Qualité du feedback incohérente : Compte tenu de l'augmentation de la taille des classes et du temps limité des enseignants, il est extrêmement difficile pour les professeurs de fournir un feedback de qualité constante à tous les étudiants sur chaque devoir. Il en résulte que certains étudiants ne reçoivent que des commentaires partiels, une attention inégale étant accordée à chaque critère de rubrique ou peu de conseils pour une amélioration concrète. En outre, les commentaires et la notation peuvent ne pas correspondre parfaitement aux objectifs du cours, ce qui rend plus difficile pour les étudiants d'appliquer les suggestions basées sur le contexte.

‍Manque d'implication des étudiants dans le processus de feedback : Les étudiants ne sont pas motivés à s'engager dans l'apprentissage car ils ne comprennent pas comment leur apprentissage sera mesuré et ne voient pas l'intérêt de recevoir des commentaires et de les noter (Jin et al., 2022 ; Winstone, 2019).

‍Absence de mécanisme de suivi : Il existe un manque de mécanismes permettant de suivre l'engagement des étudiants grâce au feedback et à l'impact du feedback sur l'apprentissage des étudiants (Jin et al., 2022 ; Winstone, 2019).

‍Subjectivité et biais dans la notation : La notation implique souvent un jugement subjectif, qui peut être influencé par des facteurs tels que des préjugés personnels ou l'interprétation des critères d'évaluation par l'évaluateur. Cela peut entraîner des incohérences dans les évaluations et des perceptions d'injustice chez les élèves (Malouff et Thorsteinsson, 2016).

Difficulté de standardisation : Dans les grandes classes, différents évaluateurs (par exemple, les assistants d'enseignement) peuvent avoir des normes et des pratiques de notation différentes, ce qui entraîne des incohérences dans la manière dont le travail des étudiants est évalué.

Désalignement avec les objectifs de feedback : La notation peut diminuer la capacité des élèves à tirer des leçons des commentaires, car ils ont tendance à se concentrer sur la note lettre/numérique et non sur la rétroaction qui l'accompagne (Schinske et Tanner, 2017).

Bien que le feedback et la notation puissent être longs et difficiles, investir dans la bonne technologie peut contribuer à rationaliser le processus et à faire gagner un temps précieux aux institutions. Parmi les technologies émergentes, l'IA se distingue, car elle présente un grand potentiel pour aider les facultés à améliorer le processus de feedback et de notation.

« Elle (l'IA) a le potentiel d'améliorer la rapidité, la cohérence et la précision des commentaires destinés aux éducateurs qui évaluent les devoirs des élèves. » — Rohim Mohammed, maître de conférences à l'University College Birmingham

‍

Chapitre 2 : Feedback et notation alimentés par l'IA : un outil qui change la donne

Les progrès du traitement du langage naturel (NLP) et de l'apprentissage automatique ont montré des capacités prometteuses en matière de feedback et de notation (Rad et al., 2023).

L'IA peut automatiser et personnaliser les commentaires des professeurs pour les étudiants, renforçant ainsi l'engagement des étudiants (Kasneci et al., 2023) et conduisant à de meilleurs résultats pour les étudiants (Zhai, 2022). L'IA peut également être utilisée pour analyser les performances des étudiants et fournir rapidement des commentaires personnalisés, permettant ainsi aux établissements d'économiser du temps et des ressources (Rahman & Watanobe, 2023). La combinaison de la PNL et de l'apprentissage automatique peut améliorer considérablement la capacité de l'IA à interpréter les réponses textuelles, permettant ainsi une évaluation et une notation plus précises des travaux des étudiants (Baidoo-Anu & Ansah, 2023).

Vous trouverez ci-dessous un résumé des principaux avantages du feedback et de la notation basés sur l'IA.

Fournir des commentaires cohérents et personnalisés :

Un système d'IA peut fournir des commentaires adaptés aux besoins d'apprentissage spécifiques de chaque élève. Par exemple, un étudiant peut bénéficier de conseils sur la grammaire, tandis qu'un autre peut avoir besoin de soutien pour acquérir des compétences plus complexes, telles que la construction de structures d'argumentation efficaces.

Réduire la charge de travail des enseignants et gagner du temps : 

La capacité de l'IA à traiter et à générer des commentaires personnalisés et opportuns à grande échelle au sein de grandes cohortes d'étudiants peut permettre aux professeurs de se concentrer davantage sur d'autres activités pédagogiques telles que la planification des leçons, le soutien aux étudiants, la recherche pédagogique et le développement professionnel, qui ont toutes une influence sur l'amélioration de l'apprentissage des étudiants (Venter et al., 2024). Les systèmes de notation basés sur l'IA contribuent également à réduire la charge de travail des enseignants en augmentation de la vitesse de marquage de 80 %.

En outre, les plateformes de feedback et de notation basées sur l'IA aident à détecter les domaines dans lesquels les étudiants ont besoin d'un soutien supplémentaire, permettant ainsi aux éducateurs de procéder à des ajustements et à des interventions en temps opportun (Ghanaprakasam & Lourdusamy, 2024).

Améliorer les résultats d'apprentissage :

Le feedback alimenté par l'IA pourrait améliorer de manière significative les performances d'apprentissage et l'engagement des étudiants ayant un niveau de motivation modéré (Huang et al., 2023). Le fait de recevoir des conseils personnalisés accroît l'engagement des étudiants, les encourage à s'approprier leur processus d'apprentissage et à cultiver un état d'esprit de croissance, améliorant ainsi les résultats d'apprentissage (Kopp, 2023).

Favoriser l'employabilité des étudiants : 

Les commentaires alimentés par l'IA incitent les étudiants à réfléchir de manière critique à leur travail, à analyser différents points de vue et à affiner leur compréhension. Ce processus encourage également le développement de compétences métacognitives, favorisant l'autoréflexion et l'amélioration de soi (Winne, 2022). Ces compétences sont considérées comme essentielles pour aider les étudiants à s'orienter avec succès dans leurs futurs travaux.

Garantir la cohérence et l'équité :

Selon Ellis (2022), l'utilisation de l'IA peut aider à fournir des commentaires et des notes cohérents aux étudiants, ce qui la rend plus juste que les pratiques de notation humaines, qui ont tendance à être influencées par des facteurs personnels, tels que la fatigue, l'heure de la journée et les attentes en matière de délais d'exécution. Les systèmes de feedback et de notation basés sur l'IA évaluent et attribuent des notes sur la base de critères uniformes, garantissant ainsi que tous les étudiants sont notés de la même manière. Cela favorise l'inclusion en attribuant des notes aux étudiants en fonction de leurs performances (Balla, 2024).

Amélioration de l'efficacité et de l'évolutivité :

Les systèmes de feedback et de notation alimentés par l'IA peuvent évaluer le travail écrit avec une précision raisonnable et fournir un feedback formatif à grande échelle, tout en réduisant les biais de notation et en améliorant la cohérence en appliquant des critères standardisés à de grandes cohortes.

L'allocation efficace des ressources et les économies de coûts sont d'autres avantages que les systèmes de feedback et de notation de l'IA peuvent apporter, car ils minimisent le besoin d'externalisation et de ressources humaines supplémentaires (Alqahtani et al., 2023). Une telle économie permet aux institutions d'allouer le budget à d'autres aspects éducatifs tels que le soutien aux étudiants, les mises à niveau technologiques et le développement professionnel (Gnanaprakasam & Lourdusamy, 2024).

Feedback et notation de l'IA en action

De nombreuses institutions et organisations ont déjà intégré l'IA à leurs systèmes de notation avec succès :

Coach de l'Université du Michigan 

Développé par l'Université du Michigan, eCoach est un outil de coaching personnalisé basé sur le Web qui aide les étudiants à naviguer dans le cours en fournissant des conseils d'étude, des commentaires personnalisés et des outils utiles.

Partenaire d'évaluation de l'Université McMaster 

Un outil GenAI pour aider les professeurs à créer des évaluations efficaces pour les étudiants. Développée en collaboration avec des experts en éducation, cette plateforme combine des théories d'apprentissage établies, les meilleures pratiques d'évaluation et des principes de conception universels pour fournir un soutien flexible et structuré adapté aux besoins uniques des différentes disciplines universitaires.

Rationaliser le soutien aux étudiants grâce à un assistant IA

Les professeurs Joshua Gans et Kevin Bryan de la Rotman School of Management de l'Université de Toronto ont développé un assistant d'IA simple appelé All Day TA pour fournir des commentaires et un soutien instantanés aux étudiants. Parti d'un petit projet pilote pour une classe de 300 étudiants, le bot IA a aujourd'hui été adopté par près de 100 institutions et écoles de commerce.

Utiliser l'IA pour améliorer le feedback et la notation

L'IA a démontré un potentiel infini pour améliorer le feedback et la notation dans l'enseignement supérieur. Cependant, l'IA ne peut atteindre son plein potentiel que si elle est utilisée avec précision. Dans cette section, nous explorerons plusieurs manières d'intégrer l'IA à l'enseignement et à l'apprentissage afin d'aider les établissements à fournir un feedback et une notation de qualité.

Fournir des commentaires personnalisés et opportuns

L'un des principaux avantages de l'IA est sa capacité à générer et à fournir des commentaires immédiats sur différents aspects tels que la langue, le sujet, la grammaire, la structure, etc. Au fur et à mesure que les étudiants reçoivent des commentaires personnalisés sur leurs soumissions, ils peuvent immédiatement identifier leurs points forts et les domaines à améliorer. Cela aide les étudiants à s'approprier leur apprentissage et à s'impliquer davantage tout au long du processus d'apprentissage.

Des plateformes d'IA comme Feedback et évaluateur LearnWise AI proposent des fonctionnalités de génération de feedback et d'amélioration très bénéfiques pour renforcer l'apprentissage. En utilisant des modèles de raisonnement avancés, l'outil permet aux professeurs de fournir des commentaires constructifs et de qualité adaptés à chaque tâche. L'outil permet de gagner du temps en évitant un long processus de notation, permettant aux professeurs de se concentrer davantage sur d'autres aspects de l'enseignement. Les professeurs peuvent également utiliser l'outil comme un « second œil » en affinant et en enrichissant les commentaires grâce à l'IA, afin que les étudiants puissent recevoir les commentaires les plus précis et les plus exploitables.

Création d'activités et de rubriques d'évaluation

L'IA peut aider les enseignants à créer des questionnaires et des tests personnalisés qui répondent aux besoins d'apprentissage de chaque élève et correspondent étroitement aux objectifs d'apprentissage. Ces évaluations dynamiques peuvent mettre les étudiants au défi de manière appropriée et identifier les domaines dans lesquels ils ont besoin d'être développés davantage. L'IA au service de l'éducation développée et partagée une bibliothèque rapide pour aider les éducateurs à utiliser GenAI pour développer des pratiques d'évaluation, des rubriques, des activités de feedback, etc.

Des outils d'IA tels que Tuteur étudiant LearnWise AI peut générer des questionnaires, des cartes mémoire, des plans de cours, des exercices, etc. en fonction du contenu du cours pour aider les étudiants à renforcer leur apprentissage.

Concevoir des systèmes de feedback efficaces

Les enseignants peuvent créer des systèmes d'IA personnalisés pour fournir des commentaires qui correspondent à une rubrique détaillée et à des objectifs d'apprentissage, et pour offrir aux étudiants des conseils personnalisés que les étudiants peuvent appliquer immédiatement à leurs prochaines tâches. Contrairement aux commentaires traditionnels, qui peuvent varier en fonction de contraintes de temps ou d'une interprétation subjective, les commentaires basés sur l'IA sont conçus pour suivre des critères spécifiques de manière cohérente. Cela garantit que chaque étudiant reçoit des informations qui reflètent directement les résultats d'apprentissage attendus et les normes d'évaluation.

Feedback et évaluateur LearnWise AI aide les professeurs à améliorer leurs commentaires sur les devoirs et les examens des étudiants, sur la base de différentes sources telles que les rubriques, le contenu des cours, les exigences des devoirs, les notes des professeurs et les annotations des travaux des étudiants. En alignant toutes ces différentes sources, les établissements s'assurent que la notation et les commentaires restent cohérents et équitables pour tous les étudiants. Les professeurs peuvent également ajuster leurs commentaires à l'aide d'instructions personnalisées, telles que le niveau de détail, la longueur, le ton de la voix, etc. Plus important encore, les professeurs sont toujours aux commandes, gardant le contrôle total du processus de feedback et de notation, avec la possibilité de revoir, d'approuver ou d'affiner les commentaires avant de les partager avec les étudiants.

Fournir des informations sur les performances des étudiants

Les outils d'IA peuvent suivre les progrès des élèves au fil du temps, offrant aux enseignants une vue complète du développement de chaque apprenant. En analysant les modèles de performance, ces outils peuvent identifier les tendances et anticiper les défis potentiels, permettant ainsi une assistance rapide et proactive. De plus, les systèmes de feedback basés sur l'IA peuvent analyser tous les commentaires écrits et générer un aperçu du travail des étudiants.

Feedback et évaluateur LearnWise AI présente un tableau de bord complet sur la façon dont le corps enseignant interagit avec l'assistant. Ces informations couvrent l'utilisation du corps professoral, les soumissions notées, les modifications humaines, l'historique des sessions, etc. pour aider les établissements à apporter des améliorations basées sur les données à la conception des programmes et des cours.

Feedback et notation alimentés par l'IA dans le LMS

Les systèmes de feedback et de notation basés sur l'IA sont plus efficaces lorsqu'ils sont intégrés directement dans l'interface du système de gestion de l'apprentissage (LMS), permettant aux enseignants d'accéder, de personnaliser et de mettre en œuvre des mécanismes de feedback sans quitter leur plateforme pédagogique principale. Cela réduit les frictions et améliore l'adoption.

Principales stratégies d'intégration :

• Authentification unique (SSO) et connectivité API : utilisez des outils compatibles LMS qui offrent des intégrations sécurisées via le SSO et des API ouvertes. Cela permet aux outils d'IA de se synchroniser avec les profils des étudiants, les devoirs et les structures de cours en temps réel.
• Plug-ins modulaires : des outils tels que Turnitin, LearnWise AI et Grammarly proposent des plug-ins ou des modules LTI (Learning Tools Interoperability) qui peuvent être ajoutés à des plateformes LMS telles que Brightspace, Canvas ou Moodle.
• Synchronisation des données en temps réel : activez la synchronisation en temps réel des soumissions des étudiants et des boucles de feedback pour garantir l'exactitude des données, des cycles de feedback plus rapides et des tableaux de bord de performance à jour.

Principes de conception pour une intégration AI-LMS fluide :

• Faible charge cognitive pour les enseignants : assurez-vous que les fonctionnalités de l'IA (par exemple, les commentaires alignés sur les rubriques, les commentaires automatiques ou les tableaux de bord analytiques) sont intuitives et réduisent la charge de travail des enseignants au lieu de l'augmenter.
• Personnalisation : permettez aux enseignants d'adapter les commentaires et la notation générés par l'IA pour les aligner sur les résultats d'apprentissage et les rubriques spécifiques aux cours.
• Évolutivité : les intégrations doivent prendre en charge de grandes cohortes et divers types de tâches (essais, questionnaires, devoirs vidéo) avec des performances constantes.
• Confidentialité et conformité : assurez-vous que les outils d'IA sont conformes à la FERPA, au RGPD et aux politiques des institutions en matière de données, avec une documentation claire sur la manière dont les données des étudiants sont utilisées et protégées.

Feedback et évaluateur LearnWise AI fait partie des outils d'intelligence artificielle parfaitement intégrés aux différentes interfaces de notation LMS, telles que Brightspace Grader et Canvas SpeedGrader, permettant aux professeurs d'améliorer les commentaires, d'attribuer des notes et de les publier sans avoir à quitter le LMS. Plutôt que de remplacer, l'outil permet d'améliorer le flux de travail d'évaluation qui fonctionne déjà dans les LMS.

‍

Chapitre 3 : L'avenir du feedback et de la notation basés sur l'IA

L'intégration de l'IA dans le processus de feedback et de notation comporte des défis, notamment des préoccupations éthiques et le besoin de transparence. Cependant, en relevant ces défis de front et en saisissant les opportunités, les éducateurs peuvent améliorer de manière significative l'expérience d'enseignement et d'apprentissage.

Aborder les biais inhérents à l'IA

L'existence de biais dans les systèmes de feedback et de notation de l'IA est l'une des principales préoccupations des institutions lors de l'adoption de cette technologie. Les outils d'IA peuvent hériter des biais des données d'entrée, de leurs développeurs et de la société. De tels biais pourraient renforcer la discrimination existante à l'égard de groupes spécifiques, influençant ainsi négativement les commentaires et les notes fournis (Baker & Hawn, 2021). Pour atténuer ces biais, il faut former le système à l'aide d'entrées et de données diverses, effectuer des audits réguliers des systèmes d'IA et inciter les enseignants et les étudiants à examiner les systèmes d'IA.

Garantir la confidentialité des données

La confidentialité des données est une autre préoccupation majeure lorsqu'il s'agit d'adopter l'IA pour le feedback et la notation, en particulier compte tenu de la sensibilité des données des étudiants, qui comprennent non seulement les dossiers scolaires mais également les informations personnelles.

Le fait de disposer de directives claires sur la création et l'utilisation de l'IA fournit une feuille de route pour une utilisation éthique et responsable de l'IA qui permet d'éviter tout risque potentiel, en particulier ceux liés à un biais inhérent. Le Loi sur l'intelligence artificielle de l'Union européenne (Loi sur l'IA) est un excellent point de référence pour les institutions lorsqu'elles élaborent des directives en matière d'IA. Les institutions doivent également se conformer aux réglementations établies en matière de confidentialité des données, telles que GDPR, afin de garantir la protection des informations des étudiants lors de la mise en œuvre des technologies d'IA dans l'enseignement.

La transparence, qui sous-tend l'utilisation éthique et inclusive de l'IA, est tout aussi importante. Cela implique d'élaborer des politiques claires qui guident les étudiants sur l'utilisation appropriée de l'IA et de communiquer ouvertement les raisons et les attentes. La transparence devrait également s'étendre à la manière dont les données des étudiants sont collectées et utilisées, les institutions proposant des options de consentement claires et garantissant que les étudiants sont informés et responsabilisés.

À l'avenir, l'intégration de l'IA dans le processus de feedback et de notation devrait s'approfondir. Gnanaprakasam et Lourdusamy (2024) ont partagé leurs points de vue sur les principaux développements du feedback basé sur l'IA et de la notation automatique, à savoir :

• Les améliorations continues apportées à la PNL permettent à l'IA de traiter et d'évaluer des travaux d'étudiants plus subjectifs et complexes, tels que des dissertations ou des questions ouvertes. Des modèles d'IA sont en cours de développement pour évaluer non seulement la grammaire et la syntaxe, mais également pour examiner des aspects plus approfondis tels que la cohérence et le raisonnement des réponses des étudiants.
• La capacité de personnalisation de l'IA ira au-delà du simple feedback pour développer des ressources et des parcours d'apprentissage adaptés aux besoins et aux objectifs de chaque élève.
• L'intégration fluide de la notation par IA aux LMS promet d'offrir une expérience d'apprentissage plus adaptative et réactive, rendant l'enseignement plus accessible à tous.

L'avenir de l'IA en matière d'évaluation, de feedback et de notation recèle un grand potentiel, car les technologies deviennent de plus en plus avancées et intégrées de manière fluide dans l'enseignement et l'apprentissage. Cependant, l'exploitation de ce potentiel nécessite une planification réfléchie et une mise en œuvre responsable afin de garantir que les outils d'IA sont utilisés de manière efficace et éthique pour soutenir et enrichir l'expérience d'apprentissage.

« En tant que technologie polyvalente, évolutive et omniprésente, l'IA générative oblige les professeurs à être les « humains au courant » et à enseigner aux étudiants comment faire de même. » — Rapport Educause Horizon 2025, Édition sur l'enseignement et l'apprentissage

‍

Références

Alqahtani, T., Badreldin, H.A., Alrashed, M., Alshaya, A.I., Alghamdi, S.S., Saleh, K.b., Alowais, S.A., Alshaya, O.A., Rahman, I., Al Yami, M.S., & Albekairy, A.M. (2023). Le rôle émergent de l'intelligence artificielle, du traitement du langage naturel et des grands modèles linguistiques dans l'enseignement supérieur et la recherche. Recherche en pharmacie sociale et administrative, 19 (8), 1236—1242. https://doi.org/10.1016/j.sapharm.2023.05.016

Balla, E. (4 septembre 2024). Comment l'IA transforme-t-elle la notation ? Le journal de l'IA. https://aijourn.com/how-ai-is-transforming-grading/

Banihashem, SK, Kerman, NT, Noroozi, O., Moon, J. et Drachsler, H. (2024). Sources de feedback pour la rédaction de dissertations : feedback généré par les pairs ou généré par l'IA ? Revue internationale des technologies éducatives dans l'enseignement supérieur, 21 (23). https://doi.org/10.1186/s41239-024-00455-4

Baidoo-Anu, D. et Ansah, L.O. (2023). L'éducation à l'ère de l'intelligence artificielle générative (IA) : comprendre les avantages potentiels de ChatGPT pour promouvoir l'enseignement et l'apprentissage. Journal de l'IA, 7 (1), 52-62. https://doi.org/10.61969/jai.1337500

Bellhäuser, H., Dignath, C. et Theobald, M. (2023). La rétroaction automatisée quotidienne améliore l'apprentissage autorégulé : une expérience de terrain longitudinale randomisée. Frontiers in Psychology, 14, 1125873. https://doi.org/10.3389/fpsyg.2023.1125873.

Celik, I., Dindar, M., Muukkonen, H., Jarvelä, S. (2022). Les promesses et les défis de l'intelligence artificielle pour les enseignants : une revue systématique de la recherche. TechTrends, 66, 616—630 https://doi.org/10.1007/s11528-022-00715-y

Eaton S. (septembre 2024). Raisons éthiques pour éviter d'utiliser des applications d'IA pour l'évaluation des étudiants. https://drsaraheaton.com/2024/09/10/ethical-reasons-to-avoid-using-ai-apps-for-student-assessment/

Gnanaprakasam, J. et Lourdusamy, R. (2024). Le rôle de l'IA dans l'automatisation de la notation : améliorer le feedback et l'efficacité. IntechOpen. doi : 10.5772/intechopen.

Gombert, S., Fink, A., Giorgashvili, T., Jivet, I., Di Mitri, D., Yau, J. et Drachsler, H. (2024). De l'évaluation automatique du contenu des dissertations des étudiants aux commentaires très instructifs : une étude de cas. Revue internationale de l'intelligence artificielle dans l'éducation, 1—39. https://doi.org/10.1007/s40593-023-00387-6.

Hattie, John. 2008. Apprentissage visible : synthèse de plus de 800 méta-analyses relatives à la réussite. Abingdon : Routledge.

Henderson, M., Ryan, T. et Phillips, M. (2019). Les défis du feedback dans l'enseignement supérieur. Évaluation et évaluation dans l'enseignement supérieur, 44 (8), 1237—1252. https://doi.org/10.1080/02602938.2019.1599815

Holt, Deborah et Sun, Xiaomei et Davies, Beth. (2024). Feedback d'évaluation : que veulent et ont besoin les étudiants ? Journal des pratiques d'enseignement et d'apprentissage universitaires. 21. 10.53761/tv2dfa83.

Huang, A.Y., Lu, O.H. et Yang, S.J. (2023). Effets des recommandations personnalisées basées sur l'intelligence artificielle sur l'engagement, la motivation et les résultats des apprenants dans une classe inversée. Informatique et éducation, 194, 104684. https://doi.org/10.1016/j.compedu.2022.104684.

Hulme, Moira et Beauchamp, Gary et Wood, Jeffrey et Bignell, Carole. (2024). Rapport de recherche sur la charge de travail des enseignants 2024 : rapport principal.

Kasneci, E. et coll. (2023). ChatGPT pour de bon ? Sur les opportunités et les défis des grands modèles linguistiques pour l'enseignement. Apprentissage et différences individuelles, 103, 102274. https://doi.org/10.1016/j.lindif.2023.102274

Kopp, W. et Thomsen, B.S. (2023). Comment l'IA peut accélérer le développement holistique des étudiants et rendre l'enseignement plus épanouissant. Forum économique mondial. https://www.weforum.org/agenda/2023/05/ai-accelerate-students-holistic-development-teaching-fulfilling/

Knight, S. et Ferrell, G. (2022). Principes d'une bonne évaluation et d'un feedback. Jic. https://www.jisc.ac.uk/guides/principles-of-good-assessment-and-feedback

Malouff, J.M., et Thorsteinsson, E.B. (2016). Biais dans la notation : une méta-analyse des résultats de recherches expérimentales. Australian Journal of Education, 60 (3), 245-256. https://doi.org/10.1177/0004944116664618 (Ouvrage original publié en 2016)

Mollick, E.R. et Mollick, L. (2023). Assigner l'IA : sept approches pour les étudiants, avec des instructions. https://doi.org/10.2139/ssrn.4475995

Nicol, D. et Macfarlane-Dick, D. (2006). Évaluation formative et apprentissage autorégulé : un modèle et sept principes de bonnes pratiques de feedback. Études dans l'enseignement supérieur, 31, 199-218. 10.1080/03075070600572090.

O'Donovan, B.M., den Outer, B., Price, M. et Lloyd, A. (2019). Qu'est-ce qui fait qu'un bon feedback est une bonne chose ? Études sur l'enseignement supérieur, 46 (2), 318—329. https://doi.org/10.1080/03075079.2019.1630812

Paris, B. (2022). Perspectives des formateurs sur les défis et les obstacles à la fourniture d'une rétroaction efficace. Enquête sur l'enseignement et l'apprentissage, 10. https://doi.org/10.20343/teachlearninqu.10.3

Pierce, K. (2023). Feedback personnalisé alimenté par l'IA : gagnez du temps et éveillez l'esprit critique. Dans Actes de conférence sur l'intelligence artificielle dans l'éducation. eCampusOntario. https://ecampusontario.pressbooks.pub/artificialintelligenceineducationconference/chapter/ai-powered-personalized-feedback-save-time-spark-critical-minds/

Rahman, M.M., et Watanobe, Y. (2023). ChatGPT pour l'enseignement et la recherche : opportunités, menaces et stratégies. Sciences appliquées, 13 (9), 5783. https://doi.org/10.3390/app13095783

Robert, J., Muscanell, N., McCormack, M., Pelletier, K., Arnold, K., Arbino, N., Young, K. et Reeves, J. (2025). Rapport EDUCAUSE Horizon 2025® : édition sur l'enseignement et l'apprentissage. EDUCAUSE. https://library.educause.edu/resources/2025/5/2025-educause-horizon-report-teaching-and-learning-edition

Schinske et Tanner, K. (2017). « Enseigner davantage en évaluant moins (ou différemment). » CBE Life Sciences Education, 13 (2), 159—166.

Venter, J., Coetzee, S.A. et Schmulian, A. (2024). Explorer l'utilisation de l'intelligence artificielle (IA) pour fournir un feedback efficace. Évaluation et évaluation dans l'enseignement supérieur, 50 (4), 516—536. https://doi.org/10.1080/02602938.2024.2415649

Zhai, X. (2022). Expérience utilisateur de ChatGPT : implications pour l'enseignement. Journal électronique SSRN. https://doi.org/10.2139/ssrn.4312418