Comment adapter ses modalités d’évaluations ?

L’arrivée des IA génératives invite à préciser ce que l’on veut vraiment évaluer et à choisir des modalités cohérentes avec cet objectif. Plutôt que de courir après la détection (peu fiable : voir « Comment détecter l’utilisation d’IA ? »), l’enjeu est de repenser la tâche elle-même. Voici les principaux leviers.

Repartir des objectifs et des compétences. Demandez-vous quelle compétence l’épreuve mesure réellement, et lesquelles doivent rester démontrées sans assistance. Cette clarification commande tout le reste : une même matière peut justifier une épreuve « IA interdite » pour les fondamentaux et une épreuve « IA intégrée » pour une tâche complexe. Voir aussi « Choisir des modalités d’évaluation en cohérence avec les objectifs ».

Positionner explicitement le curseur. Pour chaque évaluation, situez l’usage autorisé sur trois postures, et annoncez-le clairement dans le syllabus et la consigne :

• IA interdite : pour évaluer des acquis fondamentaux, en conditions maîtrisées.
• IA autorisée sous conditions: l’étudiant peut s’en servir mais doit le déclarer et citer ses usages (voir « Comment citer et encadrer l’utilisation des IA ? »).
• IA intégrée à la tâche : on évalue précisément la capacité à l’utiliser de façon critique et responsable.

L’ambiguïté est le principal facteur de dérive : une consigne floue laisse chacun improviser sa propre règle.

• Évaluer le processus, pas seulement le produit. L’IA produit sans effort un livrable poli ; la valeur se déplace donc vers le cheminement. Demandez des brouillons successifs, un journal de bord, un carnet de recherche, une bibliographie commentée, ou une soutenance orale où l’étudiant explique et défend ses choix. Un oral court suffit souvent à révéler la réelle appropriation.
• Privilégier des formats plus difficiles à déléguer. L’oral et l’entretien, l’écrit manuscrit en présentiel pour les compétences clés, mais surtout l’ancrage local et personnel : appuyer la tâche sur des données vues en cours, une expérience de stage, un terrain, un cas récent ou un contexte propre à l’étudiant. Plus la production exige une contextualisation située, moins elle est délégable telle quelle. Les évaluations authentiques, entre pairs, en groupe, ou sous forme de production multimodale (poster, prototype, vidéo) vont dans le même sens.
• Intégrer l’IA dans la consigne plutôt que la subir. Faites produire une première version par l’IA, puis demandez à l’étudiant de la critiquer, corriger, enrichir et justifier ses modifications, prompts à l’appui. On évalue alors l’apport humain, le regard critique et la maîtrise de l’outil. C’est aussi l’occasion d’apprendre aux étudiants à repérer ce qu’ils peuvent déléguer à la machine de manière responsable et à développer leur esprit critique face aux contenus générés.
• Multiplier les points de contrôle. Un unique « gros rendu maison » concentre le risque. Le fractionner en jalons variés (étapes intermédiaires, mini-oraux, quiz en présentiel) fiabilise l’évaluation tout en soutenant l’apprentissage.

Un point de vigilance pratique : ne déposez jamais de copies réelles ni de sujets d’examen à venir sur un outil hors cadre institutionnel (principe données UBS → outils UBS).

Pour aller plus loin, le SUP met à disposition le guide Repenser ses évaluations à l’heure des IA génératives et sa fiche récapitulative, ainsi qu’une carte mentale dédiée (parties « Impact sur les évaluations » et « Adapter ses modalités »).