Contexte et décision du professeur
Le professeur Richard Borcherds, lauréat de la médaille Fields et titulaire d’un poste à l’Université de Californie, Berkeley, a annoncé qu’il ne corrige plus les devoirs de ses étudiants. Il indique que, dès qu’un travail est rendu, il se contente de vérifier son achèvement, sans évaluer la justesse des réponses. Cette pratique découle d’une observation selon laquelle un nombre croissant d’étudiants utilise des modèles d’IA générative pour obtenir des scores élevés, rendant la correction traditionnelle inefficace.
Le déclencheur de cette réflexion a été l’annonce d’OpenAI selon laquelle ses agents auraient résolu le problème d’existence et de régularité des équations de Navier‑Stokes, l’un des sept problèmes du Millénaire. Cette réussite illustre la capacité actuelle des IA à résoudre des questions mathématiques jugées inaccessibles aux humains, renforçant la perception d’une « inefficacité » de la notation manuelle.
Outils de détection d’IA et leurs limites
Le campus a testé deux solutions de détection : Turnitin et Rumi. Les deux systèmes se basent sur l’analyse de similarités lexicales et de modèles de génération, mais les évaluations internes ont conclu qu’ils ne pouvaient pas être déployés à l’échelle universitaire. Les faiblesses identifiées comprennent un taux élevé de faux négatifs (travaux générés par IA non détectés) et un taux de faux positifs (travaux humains classés comme IA), ce qui compromet la fiabilité d’une sanction académique.
Ces limites proviennent en partie de la capacité des modèles modernes à varier le style d’écriture, à insérer des erreurs intentionnelles et à imiter des schémas de pensée humains. Sans un algorithme capable de tracer la provenance du texte à un modèle spécifique, la détection reste probabiliste et sujette à contester.
Implications pédagogiques et alternatives possibles
Le retrait de la correction détaillée soulève plusieurs questions techniques. Premièrement, l’évaluation basée uniquement sur la remise du devoir ne mesure plus la compréhension conceptuelle, ce qui pourrait affecter la calibration des notes et la progression des étudiants. Deuxièmement, l’absence de rétroaction empêche l’identification de lacunes spécifiques, limitant l’efficacité des cours de mathématiques avancées où la rigueur est centrale.
Pour compenser, l’université propose aux enseignants d’ajouter des déclarations d’usage d’IA dans les syllabus via l’AI Hub, un répertoire de modèles de politiques. Cette mesure vise à clarifier les attentes, mais ne fournit pas de mécanisme technique de contrôle. Des alternatives envisagées incluent des évaluations orales, des projets de recherche en temps réel ou l’utilisation de plateformes de codage où les solutions sont exécutées et vérifiées automatiquement, réduisant ainsi la surface d’exploitation des IA génératives.
Perspectives à moyen terme
Selon les propos de Borcherds, si le rythme d’amélioration de l’IA se maintient, « dans quelques années, il n’y aura rien que les mathématiciens humains puissent faire mieux que l’IA ». Cette affirmation repose sur l’hypothèse que les modèles continueront à intégrer des capacités de raisonnement symbolique et de preuve formelle. En attendant, l’inertie institutionnelle – comparable à la persistance des revues papier jugées « inutilement » publiées – pourrait retarder l’adoption de nouvelles formes d’évaluation, même si les outils techniques pour les remplacer existent déjà.
