Un travail remarquable laisse une question ouverte : qu’a réellement appris la personne qui le remet ? Lorsqu’une IA produit un dialogue argumenté, une analyse ou une conclusion convaincante,
la qualité du résultat ne suffit plus à établir la compétence de l’étudiant.e.
Cette dissociation fragilise l’évaluation. Elle invite à préciser le travail intellectuel attendu, la place accordée aux outils et les preuves de maîtrise attendues.
La tentation consiste à compliquer les énoncés. On ajoute des contraintes, des références imposées ou l’obligation de défendre une position tranchée. Ces exigences peuvent enrichir un exercice. Elles ne garantissent pas que l’étudiant.e réalise les opérations cognitives visées. Un énoncé plus sophistiqué peut simplement devenir un meilleur prompt. Le risque demeure : attribuer à une personne une performance obtenue par délégation.
La robustesse désigne ici la capacité d’une évaluation à conserver sa validité pédagogique lorsque l’IA entre dans le travail. L’enjeu est de maintenir une cohérence entre les compétences visées, les activités proposées et les critères d’appréciation. Je propose de conserver l’énoncé et de lui adjoindre deux compléments : une consigne IA, rédigée par l’enseignant.e, et une déclaration IA, renseignée par l’étudiant.e. Ce cadre rend explicite la répartition du travail cognitif.
Pour établir cette répartition, la taxonomie de Bloom révisée fournit six repères : mémoriser, comprendre, appliquer, analyser, évaluer et créer. Il faut déterminer ce que l’exercice cherche à faire apprendre. Produire un texte original ne démontre pas une capacité personnelle de création. De même, lire une explication convaincante ne prouve pas qu’on l’a comprise. Le niveau visé doit orienter les usages autorisés et les preuves de compétence attendues.
Ce premier axe croise quatre modes de délégation. L’humain peut travailler sans IA. Il peut aussi piloter l’outil tout en conservant la conduite intellectuelle de la tâche. Dans un troisième mode, l’IA produit une part substantielle du contenu, que l’humain vérifie, corrige et organise. Enfin, la délégation complète confie l’exécution au système. Cette dernière configuration renseigne d’abord sur une performance technique. Elle ne permet pas, à elle seule, de conclure à un apprentissage humain.
La consigne IA traduit ces distinctions dans les étapes de l’exercice. Pour une analyse, l’enseignant peut autoriser l’outil à structurer des données, tout en exigeant une interprétation personnelle et une confrontation aux sources. Pour une évaluation critique, il peut permettre la recherche de contre-arguments, tout en maintenant chez l’étudiant le choix des critères et le jugement final. Les permissions et les limites deviennent ainsi compréhensibles avant le début du travail.
La déclaration IA répond à cette consigne. La mention « J’ai utilisé une IA » renseigne peu sur l’apprentissage. L’étudiant.e doit expliquer ce qu’il a demandé, ce qu’il ou elle a retenu et comment il ou elle a contrôlé les résultats. Selon le mode autorisé, il décrit ses décisions personnelles ou ses vérifications des productions générées. La déclaration documente une contribution identifiable, reliée à la tâche et aux exigences annoncées.
L’agent ROBEVAL accompagne l’enseignant.e par étapes : recueillir l’énoncé, proposer un niveau de Bloom et demander sa validation, puis faire préciser les modes de délégation autorisés. À partir de ces choix, il rédige une consigne IA et un modèle de déclaration adaptés à l’exercice. L’enseignant.e examine les propositions, demande des ajustements et valide les deux textes.
L’intérêt de cet agent tient à la continuité qu’il établit entre l’intention pédagogique et les documents remis aux étudiants. Son rôle, ses connaissances de référence, ses étapes d’action et ses conditions de validation sont explicites. Il aide à appliquer un cadre commun tout en laissant les décisions pédagogiques à l’humain. Il ne doit ni inventer des règlements institutionnels ni transformer discrètement l’objectif de l’évaluation. Son mandat délimite son intervention.
Une déclaration ne constitue cependant pas une preuve suffisante de maîtrise.
Selon l’objectif, elle peut être complétée par une justification orale, des sources annotées ou une reprise de l’exercice sans assistance. Ces éléments éclairent la cohérence entre le travail remis et les capacités démontrées. Leur choix doit rester proportionné à la tâche. Accumuler des historiques de conversation aurait peu d’intérêt si personne ne pouvait expliquer les décisions qu’ils documentent.
La robustesse engage donc une responsabilité partagée. L’enseignant précise ce qu’il souhaite évaluer et ses conditions de réalisation. L’étudiant.e rend compte de son activité et assume ses choix. L’institution soutient un cadre cohérent. L’agent facilite cette explicitation, sans prendre la place du jugement pédagogique. Évaluer avec l’IA exige de pouvoir répondre à une question simple : quelle compétence humaine ce travail permet-il réellement d’attester ?
Une première version de l'agent (en format word) peut être téléchargée ici.
Pour utiliser cet agent, il suffit de l'attacher à une conversation dans n'importe quel chat (Euria, ChatGPT, Copilot, Gemini...) et d'écrire Active cet agent.
Pour la suite, je vous conseille d'adapter l'agent (le contenu du document word) à vos besoins, compléter les grilles critériées qu'il contient et d'adapter la déclaration et les consignes aux compétences et niveaux de votre cours.