Un article repris du site du Service Universitaire Pédagogique de l’Université de Bretagne Sud, une publication sous licence CC by nc sa
L’arrivée des Intelligences artificielles génératives (IAGs), comme Chat GPT et leur utilisation facilitée sont à l’origine de bouleversements dans le monde de l’enseignement et remettent en question les modalités d’évaluation des rendus académiques.
- Les IAGs sont présentes partout, dans toutes les sphères et les étudiants seront amenés à les utiliser de plus en plus. Il est donc difficile d’en interdire l’usage,
- Des craintes sont associées à l’arrivée de ces outils dans l’enseignement :
- Certains travaux donnés aux étudiants peuvent être facilement générés par les IAGs,
- Il s’avère difficile de distinguer ce qui est généré par les IAGs de ce qui est réellement produit par les étudiants,
- Les risques de fraudes aux évaluations peuvent augmenter,
- Un enjeu majeur aujourd’hui est d’intégrer ces outils dans les enseignements pour acculturer les étudiants à leur utilisation et les amener à en faire un usage critique, éthique et responsable.
Ces nouvelles données peuvent être l’opportunité de repenser, transformer les évaluations pour les faire évoluer davantage vers une évaluation des compétences et les concevoir comme une véritable étape du processus d’apprentissage.
Intégrer les IAGs dans ses pratiques pédagogiques et notamment dans ses modalités d’évaluations, nécessite d’en comprendre le fonctionnement et d’en connaître les capacités et les limites.
I. Comprendre et s’approprier les IAGs
Les IAGs comme ChatGPT sont des robots conversationnels avancés, capables de fournir des réponses construites à partir des bases de connaissances dont ils disposent. Ils sont capables de générer toute forme de contenus et d’apporter une assistance dans une grande variété de tâches, comme l’explication d’un concept ou le développement d’un code de programmation. Pour interagir avec une intelligence artificielle générative telle que ChatGPT, il faut élaborer une requête en langage naturel (un prompt) qui pose avec précisions le contexte et les attendus de la demande.
- Répondre à des questions de tous types et dans tous les domaines
- Produire du contenu – rédiger des écrits de toute nature (rapport, mémoire, lettre, QCM …)
- Simplifier, adapter du contenu à un public donné
- Traduire du contenu en de nombreuses langues
- Synthétiser / résumer du contenu
- Mettre en forme du contenu, illustrer
- Classer et catégoriser du texte
- Interagir, échanger
- Suggérer des titres, slogans, plans…
- Analyser et classer des données
- Générer du code, résoudre des équations
- Ne génèrent pas de savoir procédural (uniquement du savoir déclaratif)
- Ne savent pas raisonner
- Ne disent jamais qu’elles ne savent pas
- Proposent des contenus parfois erronés (Risques de désinformation, risque de biais (sociaux, culturels…) et d’accentuation des stéréotypes et préjugés
- Leurs données sont limitées pour des domaines ou sujets très spécifiques (les IAGS se basent pour répondre sur les idées et les thématiques les plus courantes, voire dominantes d’une discipline)
- Fournissent des réponses souvent très génériques / générales
- Ne savent pas contextualiser les réponses données
- Ne savent pas prendre position, argumenter – ne peuvent avoir de pensées critiques et divergentes
- Ne peuvent pas se corriger sans l’intervention de l’humain
- Ne savent pas créer
- Ne respectent pas le droit d’auteur
- Leur utilisation a un impact environnemental non négligeable
Utiliser la Taxonomie de Bloom pour repérer les limites des IAGs
La taxonomie de Bloom est largement utilisée dans la conception d’un cours pour ajuster l’alignement pédagogique des activités et des évaluations en fonction de ses objectifs d’apprentissage. Cette taxonomie a été retravaillée en distinguant les capacités des IAGs de celles de l’humain. Elle peut être utilisée pour faire évoluer les évaluations en adéquation avec ses objectifs d’apprentissages, en s’appuyant notamment sur les limites des IAGs aujourd’hui.
II. Définir ou transformer ses évaluations à l’heure des IAGs
III. Pour aller plus loin
- Lez, A., Dubé, E. et Beaulieu, M. (2023). Évaluer à l’ère des IA : Combattre la bête ou l’apprivoiser. un guide de réflexion. Service de soutien à la formation, Université de Sherbrooke. Sous licence CC BY 4.0.
- Castell, P., Petiteau, L. (2023). 10 stratégies Pour éviter le plagiat lors de l’utilisation d’un agent conversationnel (ChatGPT) dans les évaluations. Le Carrefour (enseigner.uqam.ca). Sous licence CC BY 4.0.
- Boucher, J.P. (2023). ChatGPT : la riposte doit être pédagogique. Pédagogie collégiale vol. 36, no 3, printemps-été 2023
- (2023). La taxonomie de Bloom revisitée à l’ère de l’IA. Collimateur – Veille pédagonumérique UQAM.
- Al Amoush S.,Farhat A. (2023).The Power of Authentic Assessment in the Age of AI. Faculty focus.
- Millet A. (2023). Comment adapter les évaluations dans le supérieur pour déjouer ChatGPT ? L’étudiant EducPros.
- (2024) ChatGPT : Comment éviter la tricherie et tirer profit de l’outil en enseignement supérieur ? Webinar du Groupe d’intervention et d’innovation pédagogique (GRIIP). Pédagogie Universitaire.
- Cartographie : les IA génératives dans l’enseignement (Service Universitaire de la Pédagogie UBS)
- Portail de veille sur l’IA pour l’enseignement (Service Universitaire de la Pédagogie UBS)
Cliquer sur ce lien pour télécharger la fiche récapitulative « Évaluation et IAGs » au format pdf
Répondre à cet article
Suivre les commentaires : |