Évaluer à l’ère de l’IA générative : retour sur un webinaire
Je m’inscris à des dizaines de webinaires par semaine. J’en suis quelques-uns en direct quand mon horaire le permet, et je conserve les enregistrements des autres pour les rattraper plus tard. Récemment, j’ai pris le temps d’écouter celui du 24 mars 2026, proposé par Pédagogie universitaire, avec Chantal Tremblay (professeure à l’UQAM) et Valérie Cayouette-Guilloteau (conseillère pédagogique à l’UQAR). Le sujet : comment évaluer les apprentissages quand l’IA générative est accessible partout, tout le temps?
C’est une question qui revient sans cesse dans mes mandats.
Voici ce que j’en ai retenu.
Pas de politique mur à mur, mais des balises
Première chose qui m’a marquée : à l’UQAR, on a choisi de ne pas imposer une politique unique sur l’IA pour toute l’institution. On laisse plutôt à chaque professeur la marge de décider, avec en appui un arbre décisionnel pour l’aider à déterminer si l’IA peut être permise dans son cours, et un document de mentions à copier-coller dans les consignes de travaux.
Ce qui m’a plu dans cette approche, c’est qu’elle reconnaît l’autonomie professionnelle du corps professoral et qu’elle laisse de la latitude. La technologie évolue tellement vite que ce qui est permis aujourd’hui pourrait ne plus l’être dans six mois, et vice versa. Une politique trop rigide aurait été dépassée avant même d’être déployée.
Les questions dans leur arbre décisionnel sont aussi axées sur l’équité entre les étudiants, ce que j’ai trouvé pertinent.
Voici le document d'aide à la décision. L'arbre décisionnel se trouve à la toute fin du document.
Ce que les professeurs font (et ne font pas) avec leurs évaluations
Une étude faite auprès des professeurs de l’UQAR donne un portrait intéressant. Les types d’évaluations les plus populaires aux études supérieures restent les travaux écrits longs, les examens écrits en classe et les présentations orales. Ça ressemble pas mal à ce qu’on voit aussi au secteur jeune.
Un constat qui m’a fait réfléchir : les professeurs en début de carrière se concentrent surtout sur ces formats traditionnels, alors que ceux avec plus de 10 ans d’expérience essaient davantage d’autres méthodes. La grande majorité ont modifié leurs pratiques évaluatives. Pas en abandonnant les méthodes traditionnelles, mais en les combinant avec d’autres approches et en mettant à jour les consignes pour encadrer l’usage de l’IA.
Le besoin exprimé varie aussi selon l’expérience : les moins expérimentés veulent des ateliers et des webinaires, alors que les plus expérimentés cherchent surtout des espaces d’échange entre collègues.
Passer du travail écrit à la capsule vidéo
Chantal Tremblay enseigne un cours de 2ᵉ cycle en pédagogie aux futurs enseignants du collégial et de l’université. Son évaluation finale était auparavant une synthèse critique : un travail long à faire à la maison, avec deux questions de réflexion à choisir dans une liste, à appuyer avec les notes de cours.
Les questions étaient déjà personnelles. Par exemple : comment ta perception de la profession a-t-elle évolué du début à la fin de la session? Elle supposait que ce serait difficile pour l’IA de répondre à ça correctement. Cependant elle a eu des cas suspects : des éléments mentionnés dans les travaux qui n’avaient jamais été abordés en classe.
Elle a donc remplacé le travail écrit par un enregistrement vidéo. Toujours deux questions à choisir, mais reformulées pour être encore plus ancrées dans le cours : parler d’un moment fort vécu en classe plutôt que des références théoriques abordées, ou faire un lien explicite entre les apprentissages du cours et sa propre pratique.
Son constat : la vidéo amène une réflexion plus approfondie que le texte écrit. Elle ne reviendrait pas en arrière. C’est plus intéressant à corriger, elle voit plus vite les forces et les difficultés, et elle développe un meilleur lien avec ses étudiants.
L’article publiable comme évaluation
Valérie Cayouette-Guilloteau, anciennement professeure de philosophie au cégep et maintenant professeure en éthique au 2ᵉ cycle à l’université, est partie d’un constat semblable : les travaux longs étaient facilement remplaçables par l’IA.
Sa solution a été de faire écrire un article qui pourrait réellement être publié dans la section « Le Devoir de philo» du journal Le Devoir. Le fait que la réputation des étudiants soit en jeu change la dynamique : ils sont sensibilisés à ne pas tricher parce que leur nom pourrait se retrouver publié.
Quelques éléments qu’elle a mis en place :
- Libre choix du sujet. Quand le sujet intéresse l’étudiant, le risque de tricherie diminue.
- Étalement dans le temps. Pour éviter le travail bâclé à la dernière minute, elle a divisé le processus en étapes : discussion du sujet avec un collègue, présentation de la recherche à un autre moment, partage des défis rencontrés. La remise se faisait dans un document Word avec historique des révisions, qu’elle consultait à différents moments.
- Une grille d’évaluation ajustée. Elle évalue notamment la concision, la précision et l’authenticité. L’IA produit souvent des banalités impersonnelles. Même sans avoir la certitude qu’il y a eu usage, le manque d’authenticité fait perdre des points.
- Un questionnaire en début de session pour mieux connaître les étudiants, ce qui l’aide aussi à faire des liens et à proposer des rétroactions personnalisées. Les étudiants se sentent moins comme un numéro.
Son groupe était petit (huit étudiants), mais elle se dit prête à répéter l’expérience avec 30 personnes ou plus sans problème.
Ce qui aide, ce qui freine
Les deux professeures ont nommé des conditions qui facilitent ce genre de transformation :
- Y aller par petits pas, ne pas chercher à tout changer d’un coup. Diviser un gros travail en plusieurs livrables, par exemple.
- Cultiver les échanges entre collègues. Ne pas rester seul avec ses questionnements.
- Revenir à l’objectif derrière l’évaluation. L’objectif ne change pas, c’est la façon de l’atteindre qui peut bouger.
- Garder de la flexibilité dans la grille d’évaluation.
Du côté des défis : certains étudiants n’avaient jamais fait de vidéo, ce qui a demandé un accompagnement individualisé sur le volet technique. D’autres étaient déstabilisés et préféraient une approche traditionnelle. Et, les étudiants plus fragiles en recherche ou en organisation sont aussi ceux qui ont le plus tendance à s’appuyer sur l’IA comme béquille. Ils ont donc eux aussi besoin d’accompagnement individualisé.
Garder l’alignement pédagogique en tête
Le point qui résume bien l’ensemble : il faut revenir à l’alignement pédagogique. À l’ère de l’IA générative, on doit se demander ce que la personne doit être capable de faire de façon autonome, ce qu’elle doit comprendre par elle-même avant d’utiliser ces outils. On veut éviter tout usage qui viendrait entraver le développement des compétences nécessaires au jugement critique.
Les modalités plus contrôlantes existent toujours (évaluation surveillée en laboratoire informatique, retour au papier-crayon), mais elles viennent avec leurs propres enjeux. Le rappel à se faire est de ne pas se cacher derrière la modalité pour tenter de contrôler, mais de revenir à son intention d’évaluation.
Et surtout, ne pas s’isoler. Travailler avec les collègues, réfléchir en équipe, regarder comment l’IA modifie les programmes. On ne peut pas faire comme si elle n’existait pas.
Pour revoir le webinaire : https://pedagogie.uquebec.ca/webinaires/evaluer-les-apprentissages-lere-de-liag-comment-savoir-ce-qui-vraiment-ete-appris