Évaluer à l’ère de l’IA : le paradoxe du double ancrage : Entre fractures numériques et retour aux fondamentaux pédagogiques
##plugins.themes.bootstrap3.article.sidebar##
##plugins.themes.bootstrap3.article.main##
Resumo
L’essor de l’intelligence artificielle (IA) générative reconfigure l’enseignement supérieur et interroge en profondeur les pratiques d’évaluation. Dans ce contexte, cet article propose une analyse réflexive des tensions entre compétences disciplinaires, littératie en IA et objectifs éducatifs. Plutôt que d’opposer interdiction et intégration de l’IA, il invite à repenser l’alignement entre finalités, méthodes et modalités d’évaluation, afin de former des étudiants capables d’un usage critique et éthique de ces technologies. Revenir aux fondamentaux pédagogiques apparaît comme un préalable pour préserver l’éducation comme espace d’émancipation dans un monde où l’IA est omniprésente.
Downloads
##plugins.themes.bootstrap3.article.details##
Este trabalho encontra-se publicado com a Licença Internacional Creative Commons Atribuição-NãoComercial-CompartilhaIgual 4.0.
Referências
Bertoni, E., Cosgrove, J. et Cachia, R. (2024). Digital skills gaps - a closer look at the Digital Skills Index (DSI 2.0), European Commission, Ispra, JRC140617.
Digital Education Council. (2024). Digital Education Council global AI student survey 2024. Consulté le 10 avril 2025, sur https://www.digitaleducationcouncil.com/post/digital-education-council-global-ai-student-survey-2024
Digital Education Council. (2025). Global AI faculty survey. Consulté le 10 avril 2025, sur https://mcusercontent.com/
Guo, K. et Wang, D. (2023). To resist it or to embrace it? Examining ChatGPT’s potential to support teacher feedback in EFL writing. Education and Information Technologies. https://doi.org/10.1007/s10639-023-12146-0 DOI: https://doi.org/10.1007/s10639-023-12146-0
Hargittai, E. (2001). From the ‘Digital Divide’toDigital Inequality’: Studying internet use as penetration increases. Princeton Center for Arts and Cultural Policy Studies, Working Paper.
Lanarès, J., Laperrouza, M. et Sylvestre, E. (2023). Design pédagogique. Éditions Épistémé. DOI: https://doi.org/10.55430/8015VA01
Merton, R. K. (1968). The Matthew Effect in Science. Science, 159(3810), 56–63. https://doi.org/10.1126/science.159.3810.56 DOI: https://doi.org/10.1126/science.159.3810.56
Ng, D. T. K., Leung, J. K. L., Chu, S. K. W., et Qiao, M. S. (2021). Conceptualizing AI literacy: An exploratory review. Computers and Education: Artificial Intelligence, 2, 100041. DOI: https://doi.org/10.1016/j.caeai.2021.100041
OpenAI. (2025, 5 octobre). ChatGPT (GPT-5.5) [grand modèle de langage]. https://chatgpt.com/
Rege Colet, N. et Berthiaume, D. (2013). Comment choisir des méthodes d’évaluation adaptées. Dans N. Rege Colet et M. Romainville (dir.), La pédagogie de l’enseignement supérieur : Repères théoriques et applications pratiques (Vol. 1, p. 55-71). De Boeck Supérieur.
Robinson, L., Schulz, J., Blank, G., Ragnedda, M., Ono, H., Hogan, B. et Khilnani, A. (2020). Digital inequalities 2.0: Legacy inequalities in the information age. First Monday, 25(7). https://doi.org/10.5210/fm.v25i7.10842 DOI: https://doi.org/10.5210/fm.v25i7.10842
Samala, A. D., et Rawas, S. (2025). Bias in artificial intelligence: smart solutions for detection, mitigation, and ethical strategies in real-world applications. International Journal of Artificial Intelligence, 14(1), 32-43. http://doi.org/10.11591/ijai.v14.i1.pp32-43 DOI: https://doi.org/10.11591/ijai.v14.i1.pp32-43
Service de didactique universitaire et compétences numériques. (2025). Rapport d’activité 2024-2025 [Document interne]. Université de Fribourg.
Shata, A. et Hartley, K. (2025). Artificial intelligence and communication technologies in academia: Faculty perceptions and the adoption of generative AI. International Journal of Educational Technology in Higher Education, 22, Article 14. https://doi.org/10.1186/s41239-025-00511-7 DOI: https://doi.org/10.1186/s41239-025-00511-7
Spirgi, L., et Seufert, S. (2025). GenAI as a learning assistant: An empirical study in higher education. Dans Proceedings of the 17th International Conference on Computer Supported Education (CSEDU 2025) – Volume 2 (p. 27–34). SciTePress. https://doi.org/10.5220/0013199300003932 DOI: https://doi.org/10.5220/0013199300003932
Wieman, C. E. (2019). Expertise in university teaching & the implications for teaching effectiveness, evaluation & training. Dædalus: Journal of the American Academy of Arts & Sciences, 148(4), 47–67. https://doi.org/10.1162/daed_a_01760 DOI: https://doi.org/10.1162/daed_a_01760
Xia, Q., Weng, X., Ouyang, F., Lin, T. J. et Chiu, T. K. F. (2024). A scoping review on how generative artificial intelligence transforms assessment in higher education. International Journal of Educational Technology in Higher Education, 21(1), Article 40. https://doi.org/10.1186/s41239-024-00468-z DOI: https://doi.org/10.1186/s41239-024-00468-z