Rétroaction et notation assistées par l'IA dans l'enseignement supérieur

La manière dont nous évaluons l'apprentissage des étudiants et dont nous leur fournissons un retour d'information évolue. À mesure que les classes se diversifient et que l'apprentissage se fait à la fois en ligne et en personne, les méthodes d'évaluation traditionnelles ne sont plus adaptées. Parallèlement, des technologies émergentes telles que l'intelligence artificielle (IA) ouvrent la voie à de nouvelles possibilités passionnantes.

Imaginez que vous puissiez fournir à chaque élève un retour d'information rapide et personnalisé sans tripler votre charge de travail et que vous puissiez repérer 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 s'accompagne de 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 enseignants ont besoin ?

Ce guide vous aidera, vous et votre institution, 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 posés par le retour d'information et la notation.

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

Le chapitre 3 explore l'avenir du retour d'information et de la notation par l'IA, ainsi que la manière dont les institutions peuvent répondre aux préoccupations éthiques qui y sont associées.

Notre objectif est de démystifier l'IA et de proposer une feuille de route digne de confiance, fondée sur la pédagogie, étayée 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 enseignants de mieux aider les étudiants à apprendre.

Chapitre 1 : L'évaluation et le retour d'information à l'ère de l'IA 

L'évaluation et le retour d'information sont des éléments clés des expériences d'apprentissage. Il est important que les étudiants reçoivent un retour d'information et une notation de qualité qui les encouragent à atteindre les résultats de l'apprentissage. Mais que signifie exactement un retour d'information et une notation de qualité ?

Les recherches portant sur le point de vue des étudiants sur un retour d'information efficace ont montré que les apprenants apprécient un retour d'information "opportun, orienté vers la croissance, interactif, spécifique et personnalisé" (Holt et al., 2024)

Un tel besoin, ainsi que la transformation numérique et l'intégration des technologies d'IA générative, ont conduit les institutions à transformer la façon dont elles définissent un retour d'information et une notation de qualité. Pour être efficaces, le retour d'information et la notation doivent (Knight & Ferrell, 2022) :

• Soutenir les besoins personnalisés des apprenants, quels que soient leurs antécédents, leurs domaines et leurs styles d'apprentissage. 
• Être évolutif en fonction de la taille des classes et des modalités, sans nécessiter de ressources humaines supplémentaires. 
• Générer des analyses holistiques et robustes de l'apprentissage qui permettent d'améliorer la conception des programmes d'études 
• Travailler en douceur dans les LMS
• Gérer efficacement la charge de travail du personnel et des apprenants en procédant à la bonne évaluation, au bon moment, et en s'appuyant sur des processus opérationnels efficaces.
• Favoriser l'apprentissage actif et l'engagement tout au long du processus d'apprentissage, afin d'améliorer les résultats des étudiants.
• Favoriser l'employabilité de l'apprenant grâce à des tâches d'évaluation authentiques qui développent les compétences de la vie réelle.

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

Les défis du retour d'information et de la notation modernes 

‍Réduction de l'efficacité due aux coupes budgétaires : Les institutions du monde entier sont confrontées à des licenciements et à des réductions budgétaires, ce qui a pour conséquence que les membres du corps enseignant assument davantage de responsabilités tout en ne recevant que peu ou pas de soutien. Les enseignants étant moins nombreux et devant prendre en charge plus d'étudiants, il est beaucoup plus difficile d'accorder une attention individuelle à chacun, en particulier en ce qui concerne le retour d'information et la notation (Er et al., 2021). 

‍L'investissement en temps et la charge de travail administratif : Le " Rapport de recherche sur la charge de travail des enseignants 2024 " révèle que le retour d'information et la notation sont les tâches qui prennent le plus de temps dans la semaine de travail d'un enseignant en dehors de l'enseignement en classe (Hulme et al., 2024). Les enseignants consacrent environ 5 heures par semaine à ces seules tâches, ce qui représente 140 heures sur une année scolaire de 28 semaines, comme l'ont souligné les éducateurs dans cet article. Un tel investissement en temps, ainsi que la nécessité d'individualiser l'évaluation, les différences spécifiques aux cours, les exigences en matière de rapports, le volume des devoirs et le travail administratif connexe, font du retour d'information et de la notation une tâche plus exigeante. 

‍Incohérence dans laqualité du retour d'information : Avec l'augmentation du nombre d'élèves par classe et le manque de temps des enseignants, il est très difficile pour ces derniers de fournir un retour d'information de qualité constante à tous les élèves pour chaque travail. Ainsi, certains étudiants ne reçoivent que des commentaires partiels, avec une attention inégale accordée à chaque critère de la grille ou peu de conseils pour une amélioration concrète. En outre, le retour d'information et la notation peuvent manquer d'alignement sur les objectifs du cours, ce qui fait qu'il est plus difficile pour les étudiants d'appliquer les suggestions basées sur le contexte.

‍L'absence d'engagement des étudiants dans le processus de retour d'information : Les étudiants ne sont pas motivés pour s'engager dans l'apprentissage car ils ne comprennent pas comment leur apprentissage sera mesuré et ne voient pas l'intérêt de recevoir un retour d'information et une notation (Jin et al., 2022 ; Winstone, 2019).

‍L'absencede mécanisme de suivi : Il y a un manque de mécanismes pour suivre l'engagement des étudiants dans le retour d'information et l'impact du retour d'information sur l'apprentissage des étudiants (Jin et al., 2022 ; Winstone, 2019).

‍Subjectivitéet partialité dans la notation : La notation implique souvent un jugement subjectif, qui peut être influencé par des facteurs tels que les préjugés personnels ou l'interprétation des critères d'évaluation par le correcteur. Cela peut conduire à une notation incohérente et à des perceptions d'injustice parmi les étudiants (Malouff & Thorsteinsson, 2016).

Difficulté de normalisation : dans les classes nombreuses, les différents correcteurs (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 par rapport aux objectifs du retour d'information : La notation peut réduire la capacité des élèves à tirer des enseignements du retour d'information, car ils ont tendance à se concentrer sur la lettre ou la note numérique et non sur le retour d'information qui l'accompagne (Schinske & Tanner, 2017). 

Si le retour d'information et la notation peuvent être longs et difficiles, investir dans la bonne technologie peut contribuer à rationaliser le processus et à faire gagner un temps précieux aux établissements. Parmi les technologies émergentes, l'IA se distingue par son grand potentiel pour aider les facultés à améliorer le processus de retour d'information et de notation.  

"Elle (l'IA) a le potentiel d'améliorer la rapidité, la cohérence et la précision du retour d'information pour les éducateurs qui notent les travaux des étudiants. - Rohim Mohammed, maître de conférences à l'University College Birmingham

‍

Chapitre 2 : Retour d'information et notation assistés par l'IA : Changer la donne

Les progrès du traitement du langage naturel (NLP) et de l'apprentissage automatique ont montré une capacité prometteuse à fournir un retour d'information et une notation (Rad et al., 2023). 

L'IA peut automatiser et personnaliser le retour d'information des enseignants à l'intention des étudiants, ce qui favorise l'engagement des étudiants (Kasneci et al., 2023) et conduit 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, ce qui permet aux établissements d'économiser du temps et des ressources (Rahman & Watanobe, 2023). La combinaison du NLP et de l'apprentissage automatique peut améliorer considérablement la capacité de l'IA à interpréter les réponses textuelles, ce qui permet 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 retour d'information et de la notation assistés par l'IA. 

Fournir un retour d'information cohérent et personnalisé : 

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

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

La capacité de l'IA à traiter et à générer des commentaires personnalisés et opportuns à l'échelle de grandes cohortes d'étudiants peut aider à libérer du temps pour les enseignants afin qu'ils se concentrent davantage sur d'autres activités éducatives telles que la planification des cours, le soutien aux étudiants, la recherche pédagogique et le développement professionnel, qui ont tous une influence sur l'amélioration de l'apprentissage des étudiants (Venter et al., 2024). Les systèmes de notation par IA contribuent également à réduire la charge de travail des enseignants en augmentant la vitesse de notation de 80 %.

En outre, les plateformes de rétroaction et de notation de l'IA aident à détecter les domaines dans lesquels les élèves ont besoin d'un soutien supplémentaire, ce qui permet aux éducateurs de procéder à des ajustements et à des interventions en temps opportun (Ghanaprakasam & Lourdusamy, 2024). 

Améliorer les résultats de l'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). Recevoir des conseils personnalisés augmente l'engagement des étudiants, les encourageant à s'approprier leur processus d'apprentissage et à cultiver un état d'esprit de croissance, ce qui finit par améliorer les résultats de l'apprentissage (Kopp, 2023).

Favoriser l'employabilité des étudiants : 

Le retour d'information alimenté par l'IA incite les étudiants à réfléchir de manière critique à leur travail, à analyser différentes perspectives 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 leur futur travail. 

Garantir la cohérence et l'équité : 

Selon Ellis (2022), l'utilisation de l'IA peut contribuer à fournir un retour d'information et une notation cohérents aux étudiants, ce qui les rend plus équitables que les pratiques de notation humaine, qui tendent à être influencées par des facteurs personnels, tels que la fatigue, l'heure de la journée et les attentes en matière de délai d'exécution. Les systèmes d'évaluation et de notation par l'IA donnent des avis et attribuent des notes sur la base de critères uniformes, ce qui garantit que tous les élèves sont évalués 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 les travaux écrits avec une précision raisonnable et fournir un feedback formatif à grande échelle, tout en réduisant les biais de notation et en améliorant la cohérence grâce à l'application de critères standardisés dans de grandes cohortes. 

L'allocation efficace des ressources et la réduction des coûts sont d'autres avantages que les systèmes de notation et de retour d'information par IA peuvent apporter, car ils minimisent le besoin d'externalisation et de ressources humaines supplémentaires (Alqahtani et al., 2023). Une telle économie permet aux établissements 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).

Le retour d'information et la notation par l'IA en action

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

ECoach 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 suivre les cours en leur fournissant des conseils d'étude, un retour d'information personnalisé et des outils utiles. 

Partenaire d'évaluation de l'Université McMaster 

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

Rationaliser l'aide 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 mis au point un simple assistant d'intelligence artificielle appelé All Day TA pour fournir un retour d'information et un soutien instantanés aux étudiants. À partir d'un petit projet pilote pour une classe de 300 étudiants, le robot d'IA a maintenant été adopté par près de 100 institutions et écoles de commerce.

Utiliser l'IA pour améliorer le retour d'information et la notation

L'IA a montré un potentiel infini dans l'amélioration du retour d'information et de 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 allons explorer plusieurs façons dont l'IA peut être intégrée dans l'enseignement et l'apprentissage afin d'aider les institutions à fournir un retour d'information et une notation de qualité. 

Fournir un retour d'information personnalisé et opportun

L'un des principaux avantages de l'IA est sa capacité à générer et à fournir un retour d'information immédiat sur différents aspects tels que la langue, le sujet, la grammaire, la structure, etc. Lorsque les élèves reçoivent un retour personnalisé sur leurs travaux, ils peuvent immédiatement identifier leurs points forts et les domaines qu'ils doivent améliorer. Cela les aide à s'approprier leur apprentissage et à s'impliquer davantage dans le processus d'apprentissage.

Les plateformes d'IA telles que LearnWise AI Feedback & Grader offrent des fonctions de génération et d'amélioration du feedback qui sont très utiles pour renforcer l'apprentissage. En utilisant des modèles de raisonnement avancés, l'outil permet aux enseignants de fournir un retour d'information constructif et de qualité, adapté à chaque travail. L'outil permet de gagner du temps sur le long processus de notation, ce qui permet aux enseignants de se concentrer sur d'autres aspects de l'enseignement. Les enseignants peuvent également utiliser l'outil comme un "deuxième œil" en affinant et en enrichissant les commentaires grâce à l'IA, afin que les étudiants puissent recevoir les commentaires les plus pertinents et les plus précis.

Créer des activités d'évaluation et des grilles d'évaluation

L'IA peut aider les enseignants à concevoir des questionnaires et des tests personnalisés qui répondent aux besoins d'apprentissage de chaque élève et s'alignent étroitement sur les objectifs d'apprentissage. Ces évaluations dynamiques permettent de stimuler les élèves de manière appropriée et d'identifier les domaines dans lesquels ils ont besoin de se perfectionner. AI for Education a développé et partagé une bibliothèque d'invites pour aider les éducateurs à utiliser GenAI pour développer des pratiques d'évaluation, des rubriques, des activités de retour d'information, et plus encore. 

Les outils d'IA comme LearnWise AI Student Tutor peuvent générer des quiz, des flashcards, des plans de cours, des exercices, etc. basés sur le contenu du cours pour aider les étudiants à renforcer leur apprentissage. 

Concevoir des systèmes de retour d'information efficaces

Les éducateurs peuvent créer des systèmes d'IA personnalisés pour fournir un retour d'information conforme à une grille d'évaluation détaillée et à des objectifs d'apprentissage, et pour offrir aux étudiants des conseils personnalisés qu'ils peuvent appliquer immédiatement à leurs prochaines tâches. Contrairement aux commentaires traditionnels, qui peuvent varier en fonction des contraintes de temps ou d'une interprétation subjective, les commentaires alimentés par 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 et les normes d'évaluation prévus.

LearnWise AI Feedback & Grader aide les enseignants à améliorer leurs commentaires sur les devoirs et les examens des étudiants, en se basant sur différentes sources telles que les grilles d'évaluation, le contenu du cours, les exigences des devoirs, les notes et les annotations des enseignants sur les travaux des étudiants. En alignant ces différentes sources, les institutions s'assurent que la notation et le retour d'information restent cohérents et équitables pour tous les étudiants. Les enseignants 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 enseignants sont toujours aux commandes et gardent le contrôle total du processus de rétroaction et de notation, avec la possibilité de réviser, d'approuver ou d'affiner la rétroaction avant de la partager avec les étudiants. 

Fournir des données sur les performances des élèves

Les outils d'IA peuvent suivre les progrès des élèves au fil du temps, offrant aux éducateurs une vue d'ensemble du développement de chaque apprenant. En analysant les modèles de performance, ces outils peuvent identifier les tendances et anticiper les défis potentiels, permettant ainsi un soutien opportun et proactif. En outre, les systèmes de rétroaction de l'IA peuvent analyser toutes les rétroactions écrites et générer une vue d'ensemble du travail des étudiants. 

LearnWise AI Student Tutor présente un tableau de bord administratif complet qui affiche des données précieuses sur les étudiants afin d'aider les administrateurs à mettre à jour les différents aspects de la conception du cours. Les formateurs peuvent également accéder à un tableau de bord de l'enseignant qui recueille des informations sur les conversations des étudiants avec l'IA. 

Retour d'information et notation assistés par l'IA dans le LMS

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

Stratégies d'intégration clés :

• Connexion unique (SSO) et connectivité API : Utilisez des outils compatibles avec le LMS qui offrent des intégrations sécurisées via SSO et des API ouvertes. Cela permet aux outils d'IA de se synchroniser avec les profils des étudiants, les devoirs et les structures des cours en temps réel.
• Modules d'extension : Des outils tels que Turnitin, LearnWise AI et Grammarly proposent des modules d'extension ou des modules LTI (Learning Tools Interoperability) qui peuvent être ajoutés aux plateformes LMS telles que Brightspace, Canvas ou Moodle.
• Synchronisation des données en temps réel : Permet la synchronisation en temps réel des soumissions des étudiants et des boucles de retour d'information pour garantir l'exactitude des données, des cycles de retour d'information plus rapides et des tableaux de bord de performance actualisés.

Principes de conception pour une intégration harmonieuse entre l'IA et le LMS :

• Faible charge cognitive pour les enseignants : Veillez à ce que les fonctionnalités de l'IA (par exemple, les commentaires alignés sur les rubriques, les commentaires automatiques ou les tableaux de bord analytiques) soient intuitives et réduisent la charge de travail des enseignants au lieu de l'alourdir.
• Personnalisation : Permettre aux éducateurs d'adapter les commentaires et la notation générés par l'IA aux résultats d'apprentissage et aux grilles d'évaluation propres à chaque cours.
• Évolutivité : Les intégrations doivent prendre en charge de grandes cohortes et divers types de devoirs (dissertations, quiz, devoirs vidéo) avec des performances constantes.
• Confidentialité et conformité : Assurez-vous que les outils d'IA sont conformes à la FERPA, au GDPR et aux politiques institutionnelles en matière de données, avec une documentation claire sur la façon dont les données des étudiants sont utilisées et protégées.

LearnWise AI Feedback & Grader fait partie des outils d'IA qui s'intègrent de manière transparente à différentes interfaces de notation LMS telles que Brightspace Grader et Canvas SpeedGrader, permettant aux enseignants d'améliorer la rétroaction, d'attribuer des notes et de les publier sans avoir à sortir des LMS. Plutôt que de remplacer, l'outil permet d'améliorer le flux de travail d'évaluation déjà en place dans les LMS.

‍

Chapitre 3 : L'avenir du retour d'information et de la notation assistés par l'IA

L'intégration de l'IA dans le processus de retour d'information et de notation comporte des défis, notamment des préoccupations éthiques et le besoin de transparence. Toutefois, en relevant ces défis et en saisissant les opportunités, les éducateurs peuvent améliorer considérablement l'expérience d'enseignement et d'apprentissage.

S'attaquer aux biais inhérents à l'IA

L'existence de biais dans les systèmes d'évaluation et de notation de l'IA est l'une des principales préoccupations des institutions lorsqu'elles adoptent cette technologie. Les outils d'IA peuvent hériter des préjugés des données d'entrée ou de leurs développeurs, ainsi que de la société. Ces préjugés peuvent renforcer la discrimination existante à l'égard de groupes spécifiques, ce qui influence négativement le retour d'information et les notes attribuées (Baker & Hawn, 2021). Pour atténuer ces préjugés, il faut former le système à l'aide d'entrées et de données diverses, procéder à des audits réguliers des systèmes d'IA et demander aux enseignants et aux élèves d'évaluer 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 retour d'information et la notation, surtout si l'on considère la sensibilité des données des étudiants, qui consistent non seulement en des dossiers académiques mais aussi en des informations personnelles. 

Des lignes directrices claires sur la création et l'utilisation de l'IA constituent 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 la partialité inhérente. La loi sur l'intelligence artificielle de l'Union européenne (AI Act) est un excellent point de référence pour les institutions lorsqu'elles créent des lignes directrices en matière d'IA. Les établissements doivent également se conformer aux réglementations établies en matière de confidentialité des données, telles que le GDPR, afin de garantir la protection des informations relatives aux étudiants lors de la mise en œuvre des technologies d'IA dans l'éducation.

Tout aussi importante est la transparence, qui sous-tend l'utilisation éthique et inclusive de l'IA. Cela implique d'élaborer des politiques claires qui guident les étudiants dans 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 établissements devant proposer des options de consentement claires et veiller à ce que les étudiants soient informés et responsabilisés.

À l'avenir, l'intégration de l'IA dans le processus de retour d'information et de notation devrait s'intensifier. Gnanaprakasam et Lourdusamy (2024) ont donné un aperçu des principaux développements en matière de retour d'information alimenté par l'IA et de notation automatisée : 

• Les améliorations constantes du NLP permettent à l'IA de traiter et d'évaluer des travaux d'étudiants plus subjectifs et plus complexes, tels que des essais ou des questions ouvertes. Des modèles d'IA sont développés pour évaluer non seulement la grammaire et la syntaxe, mais aussi des aspects plus approfondis tels que la cohérence et le raisonnement des réponses des élèves. 
• La capacité de personnalisation de l'IA ira au-delà du simple retour d'information pour développer des ressources et des parcours d'apprentissage adaptés aux besoins et aux objectifs de chaque élève. 
• L'intégration transparente de l'évaluation par l'IA dans les LMS promet d'offrir une expérience d'apprentissage plus adaptative et réactive, rendant l'éducation plus accessible à tous. 

L'avenir de l'IA dans le domaine de l'évaluation, du retour d'information et de la notation présente un grand potentiel, car les technologies deviennent de plus en plus avancées et intégrées de manière transparente 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 en évolution rapide, conséquente et omniprésente, l'IA générative exige des enseignants qu'ils soient des "humains dans la boucle" et qu'ils apprennent aux étudiants à faire de même. - Rapport EDUCAUSE Horizon 2025Edition 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). The emergent role of artificial intelligence, natural language processing, and large language models in higher education and research (Le rôle émergent de l'intelligence artificielle, du traitement du langage naturel et des grands modèles de langage dans l'enseignement supérieur et la recherche). Research in Social and Administrative Pharmacy, 19(8), 1236-1242. https://doi.org/10.1016/j.sapharm.2023.05.016

Balla, E. (2024, 4 septembre). How AI is transforming grading ? The AI Journal. https://aijourn.com/how-ai-is-transforming-grading/

Banihashem, S.K., Kerman, N.T., Noroozi, O., Moon, J. et Drachsler, H. (2024). Feedback sources in essay writing : peer-generated or AI-generated feedback ? International Journal of Educational Technology in Higher Education, 21(23). https://doi.org/10.1186/s41239-024-00455-4 

Baidoo-Anu, D., & Ansah, L. O. (2023). L'éducation à l'ère de l'intelligence artificielle générative (IA) : Understanding the Potential Benefits of ChatGPT in Promoting Teaching and Learning. Journal of AI, 7(1), 52-62. https://doi.org/10.61969/jai.1337500

Bellhäuser, H., Dignath, C. et Theobald, M. (2023). Le feedback automatisé quotidien améliore l'apprentissage autorégulé : A longitudinal randomized field experiment. Frontiers in Psychology, 14, 1125873. https://doi.org/10.3389/fpsyg.2023.1125873.

Celik, I., Dindar, M., Muukkonen, H., Järvelä, S. (2022). The promises and challenges of artificial intelligence for teachers : a systematic review of research (Les promesses et les défis de l'intelligence artificielle pour les enseignants : un examen systématique de la recherche). TechTrends ,66, 616-630 https://doi.org/10.1007/s11528-022-00715-y 

Eaton S. (septembre 2024). Raisons éthiques d'éviter l'utilisation d'applications d'IA pour l'évaluation des élèves. 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 : Enhancing Feedback and Efficiency. 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 automatisée du contenu des dissertations des étudiants à un retour d'information hautement informatif : A case study. International Journal of Artificial Intelligence in Education, 1-39. https://doi.org/10.1007/s40593-023-00387-6.

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

Henderson, M., Ryan, T. et Phillips, M. (2019). Les défis du retour d'information dans l'enseignement supérieur. Assessment & Evaluation in Higher Education, 44(8), 1237-1252. https://doi.org/10.1080/02602938.2019.1599815

Holt, Deborah & Sun, Xiaomei & Davies, Beth (2024). Assessment Feedback : What Do Students Want and Need ? Journal of University Teaching and Learning Practice. 21. 10.53761/tv2dfa83.

Huang, A. Y., Lu, O. H. et Yang, S. J. (2023). Effects of artificial intelligence-enabled personalized recommendations on learners' learning engagement, motivation, and outcomes in a flipped classroom (Effets des recommandations personnalisées basées sur l'intelligence artificielle sur l'engagement, la motivation et les résultats des apprenants dans une classe inversée). Computers & Education, 194, 104684. https://doi.org/10.1016/j.compedu.2022.104684.

Hulme, Moira & Beauchamp, Gary & Wood, Jeffrey & Bignell, Carole. (2024). Rapport de recherche sur la charge de travail des enseignants 2024 : Main Report.

Kasneci, E., et al. (2023). ChatGPT for good ? On opportunities and challenges of large language models for education. Learning and Individual Differences, 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 bon retour d'information. Jisc. https://www.jisc.ac.uk/guides/principles-of-good-assessment-and-feedback

Malouff, J. M. et Thorsteinsson, E. B. (2016). Bias in grading : A meta-analysis of experimental research findings. Australian Journal of Education, 60(3), 245-256. https://doi.org/10.1177/0004944116664618 (Travail original publié en 2016)

Mollick, E. R. et Mollick, L. (2023). Assigning AI : Seven approaches for students, with prompts. https://doi.org/10.2139/ssrn.4475995

Nicol, D.& Macfarlane-Dick, D. (2006). Formative assessment and self-regulated learning : a model and seven principles of good feedback practice (évaluation formative et apprentissage autorégulé : un modèle et sept principes de bonnes pratiques en matière de retour d'information). Studies in Higher Education, 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 retour d'information est bon ? Studies in Higher Education, 46(2), 318-329. https://doi.org/10.1080/03075079.2019.1630812

Paris, B. (2022). Instructors' Perspectives of Challenges and Barriers to Providing Effective Feedback (Perspectives des formateurs sur les défis et les obstacles à la fourniture d'un retour d'information efficace). Teaching and Learning Inquiry, 10. https://doi.org/10.20343/teachlearninqu.10.3

Pierce, K. (2023). AI-powered personalized feedback - Save time & spark critical minds. In Artificial Intelligence in Education Conference Proceedings. 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'éducation et la recherche : Opportunities, Threats, and Strategies. Applied sciences, 13(9), 5783. https://doi.org/10.3390/app13095783

Robert, J., Muscanell, N., McCormack, M., Pelletier, K., Arnold, K., Arbino, N., Young, K., & Reeves, J. (2025). 2025 EDUCAUSE Horizon Report® : Teaching and Learning Edition. EDUCAUSE. https://library.educause.edu/resources/2025/5/2025-educause-horizon-report-teaching-and-learning-edition

Schinske, & Tanner, K. (2017). "Enseigner plus en notant moins (ou différemment)". CBE Life Sciences Education, 13(2), 159-166.

Venter, J., Coetzee, S. A. et Schmulian, A. (2024). Exploring the use of artificial intelligence (AI) in the delivery of effective feedback. Assessment & Evaluation in Higher Education, 50(4), 516-536. https://doi.org/10.1080/02602938.2024.2415649

Zhai, X. (2022). ChatGPT User Experience : Implications for Education. SSRN Electronic Journal. https://doi.org/10.2139/ssrn.4312418