La triche, la tricherie, la fraude, la malhonnêteté académique… Pour beaucoup de personnes enseignantes, un problème pénible qui nous occupe beaucoup trop. Et qui s’accélère depuis l’arrivée des IA génératives. Mais qu’en est-il vraiment ? Pourquoi triche-t-on ? Pourquoi est-ce un problème ? Et quelles sont les solutions ? Dans cette série de trois articles nous explorerons la question (1), les enjeux (2) et les solutions (3).

Pourquoi est-ce mal de tricher ?

C’est le titre d’un article (Why is cheating wrong ?) de Mathieu Bouville, publié en 2008. Bien entendu, il n’était pas question d’IA à l’époque mais l’analyse portée est très fine et peut sans doute être utilisée comme point de départ ici. Nous suivons ici plusieurs de ses idées.

La morale

Le mérite est l’argument qui revient systématiquement : donner une bonne note à une personne étudiante qui s’est contentée d’utiliser une IA pour rédiger son devoir pose problème parce que celle-ci ne mérite pas cette bonne note.

Mais nous avons toutes et tous l’expérience d’avoir eu à noter une personne étudiante brillante mais paresseuse (ou qui donnait l’impression d’être paresseuse). Et, parfois à contre-cœur, nous avons mis la note que le résultat justifiait. Inversement, nous avons aussi toutes et tous eu à mettre une mauvaise note à un élève travailleur mais en difficulté. Certes, nous agrémentons cette note d’un “Il faut continuer, c’est bien” (du moins, dans un contexte où l’anonymat n’est pas de mise). Mais là aussi, la note portait sur le résultat, pas la quantité de travail.

Le moral

La tricherie de la part des élèves est ressentie comme une trahison (Mathieu Bouville, 2008). La personne enseignante s’est souvent investie au-delà du professionnel. De la part des élèves, tricher à « son » épreuve n’est donc pas acceptable.

Un autre argument est que le « pacte de confiance » entre la personne enseignante et l’élève est alors rompu.

Mais, comme Mathieu Bouville, nous admettrons que cette seule raison ne suffit pas à en faire un problème.

La rupture de contrat

Parfois, la personne enseignante ou l’équipe enseignante transforme les conventions d’usage -en particulier quand elles ne sont pas claires- en conventions explicites, en adoptant un règlement intérieur ou une charte. Dans ce cas, tricher devient vraiment “contrevenir aux règles” : la personne étudiante a triché en ne respectant pas les règles du jeu. Il est cependant important de noter que plusieurs personnes autrices constatent que si les règles ne sont pas claires, ou paraissent injuste, cela ne fonctionne pas.

Le coût économique

Dans notre système, il est à peu près impossible d’estimer le coût de la triche. Outre-manche, par contre, le protocole pour gérer les situations de présomption de fraude est clair : lorsque les personnes enseignantes ont un doute sur un écrit, la personne étudiante est convoquée pour un oral. Cela est formalisé : convocation, jury de 3 personnes, suivi administratif. On peut alors calculer le nombre d’oraux et le coût d’un oral, c’est-à-dire le coût du personnel administratif et académique mobilisé (Hepi, 2024).

La réputation

La question de la réputation est importante. Elle est également liée à des enjeux économiques. Il s’agit ici surtout de la réputation du diplôme ou de celle l’Université. Si l’établissement ou le diplôme a la réputation de « produire » des diplômés dont la qualité du diplôme n’est pas – ou plus – garantie, cela constitue un réel problème.

Tricher empêche d’apprendre

Il s’agit à mon avis de la raison la plus importante. Celle qui justifie que la question soit prise au sérieux. Dans nos cursus, nous sommes amenés à imaginer des évaluations qui vont amener la personne étudiante à étudier pour les réussir : dans la révision ou dans la rédaction d’un mémoire. Si tricher signifie que ce travail – que la personne enseignante a estimé nécessaire – n’a pas lieu, le problème est sérieux.

Lors des travaux à faire à domicile, le but pour la personne enseignante n’est pas seulement d’obtenir une note. Le but est aussi de faire travailler. C’est le cas par exemple des projets de programmation en informatique. Historiquement, c’est là qu’une partie importante de l’apprentissage se fait. Dans cette étude, Esther Shein (2024) démontre expérimentalement qu’une même tâche de programmation ne donne lieu à aucun apprentissage quand elle est effectuée avec une IA générative. C’est également le message de William Kerney (2025) qui s’intéresse également aux façons de lutter contre ce problème. D’autres études obtiennent des résultats similaires dans des domaines variés.

Or aujourd’hui, l’IA peut être utilisée non seulement pour aider à programmer, mais pour faire une partie non négligeable du travail. Et, selon comment l’IA est utilisée, les efforts nécessaires à une bonne compréhension auront, ou n’auront pas été produits.

Ce sont donc des situations où la tricherie va surtout entrainer une absence d’apprentissage.

Et bien entendu, l’informatique n’est qu’une matière où l’IA peut faire le travail à la place de.

Il convient ici de répondre à un argument qu’on entend trop souvent : si le résultat est acquis sans efforts, est-ce un problème ? Pourquoi vouloir à tout prix faire travailler dur ? Ne peut-on pas éviter une surcharge cognitive inutile ?

L’argument est que sans ces efforts, l’apprentissage ne se fait pas. Oakley et al. (2025) nous expliquent comment fonctionne l’apprentissage. Je vais essayer, sans être spécialiste, de résumer.

Nous avons deux types de mémoire : la mémoire procédurale et la mémoire déclarative.

La mémoire procédurale dépend plutôt du cortex frontal et du striatum (des ganglions de la base) et est mise en œuvre pour mémoriser des compétences et des habitudes.

La mémoire déclarative se gère au niveau de l’hippocampe et du lobe temporel médian. Celle-ci permet de mémoriser les faits et les événements. Cette mémoire est associée au langage.

Nous appelons la mémoire déclarative pour raisonner, résoudre des problèmes, tandis que la mémoire procédurale nous sert à mémoriser des gestes, des réflexes.

L’apprentissage répété permet de faire passer des opérations de la mémoire déclarative à la mémoire procédurale. Prenons un exemple. Si j’apprends les tables de multiplication, « 4 fois 7=28 » va se retrouver dans la mémoire procédurale. Ainsi, quand je rencontrerai 4 fois 7, je saurai que c’est 28, et si j’entends 28, je pourrai, sans calculs, utiliser l’information que c’est un multiple de 7.

Si je n’apprends pas les tables, je stockerai dans ma mémoire procédurale la façon d’utiliser la calculatrice ou un algorithme pour effectuer une multiplication. Si j’ai besoin de faire une multiplication, je pourrai la faire en faisant appel à ma mémoire déclarative et en appliquant l’algorithme retenu pour résoudre le problème. Du moins si j’ai un artefact électronique sur moi. Mais je ne suis pas capable d’avoir des intuitions sur le nombre 28. Dans un cas mon intuition est « sept fois quatre ». Dans l’autre, « utilise la calculatrice ».

Avec le travail effectué à domicile avec l’IA générative, il se passe un peu la même chose. Nous retenons en mémoire procédurale la façon de récupérer l’information, de faire appel à l’IA. Mais pas les éléments du cours.

Quelques spécificités françaises

La France a une histoire. Et aussi une histoire de l’éducation. Au primaire, dans le secondaire et dans le supérieur, ce sont des générations de ministres qui sont venus amender, corriger, décider. Parfois, les décisions sont les mêmes qu’ailleurs. Parfois elles sont différentes. Voyons quelques différences :

La compensation

Que ce soit au brevet, au baccalauréat ou à l’Université, les matières se compensent. Une mauvaise note dans une matière peut être compensée dans une autre. Cette idée entraine dans le cas de la tricherie deux conséquences. (1) Elle incite à la tactique : nous – les personnes enseignantes – sommes interrogées dès le début de l’année sur le coefficient associé à notre cours, coefficient qui va alors se convertir en investissement de la part de la personne étudiante. (2) La compensation co-responsabilise les membres de l’équipe enseignante. Une personne enseignante qui évalue mal a une responsabilité vis-à-vis de ses collègues. En théorie, une bonne chose. Dans la pratique, rien n’est moins sûr.

La compensation quasi systématique est une particularité très française. Nos amis étrangers ont beaucoup de difficultés à comprendre qu’on puisse ainsi donner un diplôme sans même requérir un niveau dans les matières clé du diplôme.

Les 192 heures

Cela peut paraitre une banalité, mais le service d’une personne enseignante-chercheure dans une Université française est de 192 heures,… depuis 1984. Il y a donc 42 ans. Depuis cette date, tout a changé à l’université. Et on a demandé aux personnes enseignantes de tout changer. Sauf ça. Cette définition très précise est un frein à toute évolution, adaptation. Face à l’IA, tout le monde est d’accord qu’il faut une grosse dose d’évaluation « à l’oral ». Mais les 192 heures ne permettent en réalité pas de s’adapter.

On comparera notre situation à celle d’autres pays, où le volume horaire ne mesure pas les heures devant les élèves en classe, mais l’ensemble des heures passées avec eux.

Prenons le cas du remplacement des examens écrits par des épreuves orales : il y a nécessairement un surcoût. Qu’il est possible de prendre en compte dans une définition flexible des services. Mais pas dans une définition trop stricte.

Une confusion entre équité et égalité

Dans le cas d’un concours, il est indispensable que tous les candidats soient traités de la même façon. Mais dans le cas des autres épreuves, cela est-il indispensable ? Certains élèves montreront mieux leurs aptitudes par un oral que par un écrit. Dans certains cas, l’enseignant cherchant à évaluer l’étudiant aurait besoin d’informations supplémentaires. Or, aujourd’hui, il y a une forte exigence d’égalité un peu partout, égalité appelée assez injustement « équité ». Impossible de ne pas contrôler les connaissances de façon différenciée. Si un groupe a 5 minutes de plus pour rédiger que l’autre, on entendra inévitablement le mot « injuste »… Ce ne serait pas équitable.

Des solutions existent vis à vis de l’IA. Faire passer un oral à tous les étudiants est logistiquement impossible dans de nombreux cas. Mais le faire passer à quelques étudiantes ou étudiants, sélectionnés au hasard ou parce que l’enseignant en ressent le besoin (et sans avoir à le justifier) permettrait d’apporter des solutions. Hélas, au nom de l’équité, cela ne serait pas accepté en France. L’équité consisterait pourtant de laisser à chacun l’opportunité de montrer ses compétences et connaissances.

Si pour certains cela peut se faire d’une façon, tant mieux. Si d’autres ont besoin d’une épreuve supplémentaire (un oral par exemple) pour le faire, ce qui serait réellement équitable est de leur donner cette opportunité.

Des économies depuis 50 ans

Malgré des dépenses publiques importantes, force est de constater que les Universités publiques sont exsangues. Et l’évaluation devient malheureusement une source d’économie : Organisez des examens officiels dans des centres d’examens et il faut payer des personnes surveillantes, puis les personnes enseignantes pour corriger les copies. Remplacez cela par du contrôle continu et les mêmes personnes enseignantes viendront naturellement et corrigeront cela gratuitement, pendant leurs week-ends.

L’évaluation coûte cher. Ce n’est pas par hasard que les entreprises du secteur du Proctoring se pressent à la porte des Universités. La tricherie a également un coût, comme le montrent les Britanniques.

Mais, face à des situations de plus en plus complexes, il convient d’admettre que les moyens financiers sont absents.

La tricherie… où est la victime ?

Sans victime, y a-t-il un délit ?

Examinons les différentes victimes possibles.

La personne enseignante. Elle se sent victime de la triche. Et au fond, a-t-elle tort ? La tricherie a pour objectif de tromper la personne correctrice et/ou la surveillante. Qui sont, dans notre système, juste des rôles que doit endosser la personne enseignante.

Les autres élèves. Ils sont clairement victimes directes dans le cas d’un concours. S’il y a, en effet, dix places offertes au concours et huit sont prises par des élèves qui ont triché, le concours est devenu cinq fois plus difficile !

S’il ne s’agit pas d’un concours, c’est moins évident. On pourrait penser que chaque correction est indépendante des autres. Or il n’en est rien. La docimologie, qui étudie les examens a identifié plusieurs biais aux corrections. Ainsi, la loi Posthumus (ou la constante macabre) se définit comme : « un enseignant tend à ajuster le niveau de son enseignement et ses appréciations des performances des élèves de façon à conserver d’année en année, approximativement la même distribution (gaussienne) de notes » (voir van Kempen, 2008). Si des bonnes copies sont introduites frauduleusement dans le paquet, le correcteur aura alors tendance à en choisir d’autres comme étant mauvaises en compensation. Cela a même été montré expérimentalement !

Mais si les autres élèves sont victimes, c’est surtout à cause d’un sentiment d’injustice. Ils s’attendent à ce que la personne enseignante note de façon juste et équitable.

Le lycée, l’université… Il y a ici un enjeu de réputation. La tricherie a nécessairement un effet sur le niveau ressenti. Et dans ce cas, toute la communauté est perdante.

Mais en réalité, la principale victime de la triche est le tricheur (ou la tricheuse) lui-même. On peut trouver sur des listes de diffusion des témoignages émouvants de personnes qui sont passées à travers les mailles du filet jusqu’au jour où elles réalisent que leur seule réelle compétence est celle de savoir tricher. Comme toute addiction, les mécanismes sont ceux du plaisir et de la satisfaction à court terme et peu à peu de devoir continuer parce que l’option d’arrêter n’existe pas.

Bibliographie

Hamsa Bastani, Osbert Bastani, Alp Sungu, Haosen Ge, Özge Kabakcı and Rei Mariman, Generative AI Can Harm Learning (2024). The Wharton School Research Paper, Available at SSRN : https://ssrn.com/abstract=4895486 or http://dx.doi.org/10.2139/ssrn.4895486

John Biggs. Enhancing teaching through constructive alignment. High Educ 32, 347–364 (1996). https://doi.org/10.1007/BF00138871

Mathieu Bouville. Why is Cheating Wrong ? Stud Philos Educ 29, 67–76 (2010). https://doi.org/10.1007/s11217-009-9148-0 . Également sur https://arxiv.org/abs/0803.1530

Higher Education Policy Institute, HEPI (2024). The financial impact of AI on institutions through breaches of academic integrity. https://www.hepi.ac.uk/2024/03/01/the-financial-impact-of-ai-on-institutions-through-breaches-of-academic-integrity/

Jean-Luc van Kempen. Analyse UFAPEC 2008. https://www.ufapec.be/nos-analyses/comment-favoriser-l-objectivite-en-matiere-d-evaluation.html

William Kerney. Treachery and Deceit : Detecting and Dissuading AI Cheating. Journal of Computing Sciences in Colleges, Volume 40, Issue 9 Pages 10 – 17, 2025.

Nataliya Kosmyna, Eugene Hauptmann, Ye Tong Yuan, et al. Your brain on ChatGPT : Accumulation of cognitive debt when using an AI assistant for essay writing task. arXiv preprint arXiv:2506.08872, 2025. https://arxiv.org/abs/2506.08872

Barbara Oakley, Michael Johnston, Ken-Zen Chen, Eulho Jung et Terrence J. Sejnowski. The Memory Paradox : Why Our Brains Need Knowledge in an Age of AI, 2025, https://arxiv.org/abs/2506.11015.

Esther Shein. The Impact of AI on Computer Science Education. Communications of the ACM, Volume 67, Issue 9, Pages 13 – 15 (2024) https://doi.org/10.1145/3673428

---