Contexte institutionnel

Le témoignage d'une étudiante en informatique décrit une alternance de politiques au sein de son université : d'abord l'interdiction totale d'utiliser les grands modèles de langage (LLM), puis l'obligation de les intégrer, avant de sanctionner à nouveau les travaux contenant une IA. Cette instabilité réglementaire crée une incertitude quant aux critères d'évaluation et oblige les étudiants à réviser constamment leurs méthodes de travail.

Conception des évaluations générées par IA

Le texte mentionne l'usage de Claude, un LLM, pour produire les consignes d'évaluation. Les briefs générés comportent 15 livrables pour un devoir de 3 000 mots. Cette densité de tâches dépasse largement les exigences habituelles, ce qui augmente le temps de préparation requis par les étudiants. L'analyse montre que l'IA ne tient pas compte du cognitive load nécessaire pour assimiler de nouveaux concepts, ce qui conduit à des assignations superficielles et à une perte de profondeur pédagogique.

Impact sur la charge de travail des tuteurs

Le récit indique que les tuteurs sont « overloaded », en partie à cause d'une logique de scalabilité imposée par les finances universitaires. Le système de suivi identifie les étudiants « at risk » via un tableau de bord, déclenchant des interventions uniquement lorsqu'un étudiant ne se connecte pas depuis un certain temps. Cette automatisation réduit le contact humain, alors que la charge de correction augmente avec le nombre de livrables et la variabilité des productions IA. Le déséquilibre entre automation et intervention humaine risque d’entraîner des évaluations moins fiables.

Conséquences pédagogiques et limites

Le texte souligne que l'évaluation des compétences en informatique, déjà complexe, devient plus difficile à mesurer lorsqu'une IA génère les consignes. L'absence de transparence sur le processus de création des briefs empêche les étudiants de comprendre les objectifs d'apprentissage. De plus, la politique fluctuante empêche l'établissement de benchmarks stables, ce qui nuit à la comparabilité des résultats entre cohortes. Enfin, le manque de données chiffrées sur les performances réelles des étudiants rend impossible une analyse quantitative de l'efficacité de l'IA dans ce contexte.