Où l'IA améliore réellement les résultats d'apprentissage, où elle crée des frictions et quelles sont les prochaines étapes pour l'enseignement supérieur

L'intelligence artificielle est désormais bien présente dans l'enseignement supérieur. Elle influence déjà les méthodes d'apprentissage des étudiants, les pratiques pédagogiques des enseignants et l'évaluation des performances au sein des établissements. La question n'est plus de savoir si l'IA a sa place en classe. Les étudiants l'utilisent, les employeurs exigent une bonne maîtrise de cet outil et les établissements doivent définir une stratégie responsable pour y répondre. L'enjeu principal est de savoir comment l'enseignement supérieur peut tirer parti de l'IA pour préparer les étudiants aux métiers de demain.

Ce que j'observe dans l'enseignement supérieur est moins idéologique que ne le laissent entendre les débats publics. Les étudiants utilisent l'IA car elle les aide à surmonter les difficultés et à progresser. Les enseignants expérimentent car ils souhaitent soutenir l'apprentissage sans compromettre les exigences du métier. Les administrations s'efforcent d'établir des directives qui reflètent la réalité plutôt que la peur. Ainsi, l'IA oblige l'enseignement supérieur à repenser ce que signifie démontrer sa compréhension, son originalité et sa maîtrise.

At Université WestcliffNotre approche s'est avérée pragmatique. Nous analysons les résultats, observons le déroulement des cours, écoutons les enseignants et les étudiants, puis nous adaptons notre approche. Ce processus a mis en évidence une tendance claire : l'IA améliore l'apprentissage lorsqu'elle est intégrée à une conception réfléchie, et elle engendre des problèmes lorsqu'elle est perçue comme une solution de facilité ou une menace.

Là où l'IA améliore véritablement l'apprentissage

Le point commun des domaines identifiés ci-dessous n'est pas l'automatisation, mais la cognition. L'IA accélère le retour d'information, clarifie la réflexion et favorise l'itération sans impliquer intellectuellement l'étudiant.

Pratique guidée et retours d'information opportuns

Les progrès les plus significatifs en matière d'apprentissage sont observés lorsque l'IA est utilisée pour des exercices guidés. Les étudiants tirent profit de la possibilité de poser des questions, de recevoir des explications, de réessayer et d'obtenir un retour immédiat. Cette boucle de rétroaction est essentielle à l'apprentissage, notamment dans les cours magistraux ou asynchrones où l'attention individuelle de l'enseignant est limitée.

Les outils d'IA bien conçus ne fournissent pas de réponses, mais offrent un retour d'information ciblé et orientant afin de maintenir l'engagement des élèves dans leur démarche de découverte. Lorsque l'IA est conçue pour susciter, questionner et structurer la réflexion plutôt que pour lever l'incertitude, elle reproduit la manière dont un apprentissage solide entre pairs favorise une compréhension plus approfondie.

A Étude de 2025 publiée dans Scientific Reports L'étude a révélé que les étudiants bénéficiant d'un tutorat par intelligence artificielle apprenaient plus efficacement que ceux du groupe témoin, et ce, avec un engagement et une motivation accrus. L'enseignement principal n'est pas que l'IA remplace l'enseignement, mais plutôt que des retours d'information fréquents et opportuns accélèrent la compréhension, et que l'IA peut contribuer à diffuser ce type de retour à grande échelle.

L'IA peut également améliorer l'écriture lorsqu'elle est utilisée pour faciliter la révision plutôt que de remplacer l'auteur.

De nombreux étudiants ont des difficultés à organiser leurs idées, à clarifier leurs arguments ou à réviser efficacement. Utilisée à bon escient, l'IA peut aider à mettre en évidence les faiblesses structurelles, à identifier les raisonnements obscurs et à favoriser une réflexion plus claire.

Parallèlement, les étudiants doivent apprendre à utiliser l'IA de manière responsable. Cela implique de savoir formuler des questions pertinentes, de reconnaître les réponses potentiellement erronées ou inexactes d'une IA et de vérifier les affirmations auprès de sources fiables. Leur apprendre à questionner les résultats de l'IA plutôt que de les accepter passivement préserve l'intégrité de leur travail et renforce leur esprit critique.

La différence entre apprendre et prendre des raccourcis se résume en fin de compte aux attentes. Lorsque les enseignants exigent des plans, des brouillons et de brèves réflexions expliquant les changements et leurs raisons, les étudiants restent responsables de leur réflexion. Ils participent activement à l'élaboration du travail au lieu de le déléguer, et ce sont eux qui, en fin de compte, prennent les décisions. Revue systématique de 2025 sur les grands modèles linguistiques dans l'éducation Elle identifie l'écriture et le retour d'information comme des cas d'utilisation majeurs, tout en mettant en garde contre une dépendance excessive.

Au-delà des brouillons et des révisions, l'IA peut aussi servir de partenaire de dialogue, questionnant l'argumentation de l'étudiant : en lui demandant pourquoi une affirmation est importante, quelles preuves pourraient manquer ou comment un public donné pourrait réagir. Ainsi, l'écriture devient moins un exercice de soumission et davantage un processus de défense et de perfectionnement intellectuels. L'évaluation de ce processus offre aux enseignants un éclairage précieux sur le développement de l'esprit critique de l'étudiant.

Réduire les obstacles pour les élèves qui ont besoin d'un soutien.

L'IA peut faciliter l'apprentissage pour les apprenants multilingues, les étudiants de première génération et les adultes reprenant leurs études en proposant des explications, des exemples et des clarifications personnalisés à la demande. Elle ne remplace pas l'enseignement, mais lève les obstacles inutiles pour permettre à chacun de participer pleinement.

La véritable opportunité réside dans un étayage adaptatif qui s'ajuste en temps réel et réduit progressivement le soutien à mesure que les compétences se développent. Lorsque l'IA est utilisée pour moduler les défis plutôt que de les supprimer, les élèves gagnent en confiance grâce à des progrès concrets, et non par dépendance.

Redonner du temps aux professeurs pour l'enseignement

L'IA peut aider les enseignants dans des tâches chronophages comme la rédaction de grilles d'évaluation, la génération d'exemples de questions, la synthèse des discussions ou la formulation de premières suggestions de commentaires. Le bénéfice se concrétise lorsque les enseignants réinvestissent le temps ainsi gagné dans des activités à plus forte valeur ajoutée : une meilleure conception des devoirs, des échanges plus riches et un accompagnement plus direct des étudiants.

Là où les institutions rencontrent des frictions

La validité de l'évaluation est le principal défi

Le problème le plus grave de l'évaluation des apprentissages n'est pas le plagiat au sens traditionnel du terme. C'est plutôt que de nombreuses évaluations courantes ne mesurent plus efficacement les apprentissages depuis que l'IA est facilement accessible.

L'adoption de l'IA par les étudiants est déjà largement répandue. Enquête HEPI et Kortext auprès des étudiants sur l'IA générative 2025 Il a été constaté que 92 % des étudiants utilisaient l'IA sous une forme ou une autre, et que 88 % l'utilisaient pour les évaluations. Si un devoir peut être réalisé avec une compréhension minimale, il ne constitue plus une mesure valable des acquis d'apprentissage.

C’est pourquoi les débats sur l’intégrité persistent. L’IA met en lumière les lacunes des évaluations traditionnelles. Lorsqu’une évaluation est faible, la suspicion grandit. Des mesures plus robustes ou mieux conçues permettent d’apaiser ces tensions.

Retard et incohérence des politiques

De nombreuses institutions sont encore en train de rattraper leur retard. Étude de paysage de l'IA EDUCAUSE 2025 Les rapports indiquent que moins de 40 % des établissements interrogés disposaient de politiques formelles d'utilisation acceptable au moment de la publication des résultats.

En l'absence de directives claires, les professeurs établissent leurs propres règles et les étudiants reçoivent des messages contradictoires. Un cours encourage l'expérimentation, un autre interdit totalement l'IA. Cette incohérence mine la confiance et complique l'enseignement d'une utilisation éthique de l'IA et la réalisation de ses bénéfices.

Amélioration des performances sans compétences durables

L'IA peut améliorer les performances à court terme sans pour autant développer de capacités à long terme. Expérience de terrain menée en 2025, portant sur le tutorat en mathématiques basé sur GPT-4. Les études ont montré que si le tutorat par IA améliorait les performances pendant la pratique, les étudiants obtenaient parfois de moins bons résultats une fois l'outil désactivé. Le risque institutionnel réside dans la confusion entre gains de performance à court terme et compétences durables, surtout lorsque l'IA masque des lacunes qui n'apparaissent qu'après la désactivation de l'outil. La conclusion est simple : l'IA peut réduire l'effort cognitif, or c'est souvent dans l'effort que se produit l'apprentissage. Si la conception de l'IA réduit trop l'effort cognitif, les étudiants peuvent paraître compétents sans pour autant développer une autonomie suffisante.

Les préoccupations liées à l'équité évoluent

L'IA a le potentiel de démocratiser l'accès à l'aide, mais elle peut aussi creuser les inégalités si l'accès et les compétences en IA varient. Les étudiants disposant de meilleurs appareils, d'outils payants et d'une plus grande expérience de l'IA bénéficient d'avantages qui ne sont pas toujours visibles.

Les enjeux d'équité vont bien au-delà de l'accès aux outils. L'IA influence de plus en plus la manière dont les élèves et étudiants gèrent leur temps, leur charge cognitive et leur stress émotionnel, notamment pour ceux qui doivent concilier travail, responsabilités familiales, barrières linguistiques ou reprise d'études. Bien utilisée, l'IA peut uniformiser les chances, stabiliser l'apprentissage et renforcer la confiance en soi. En revanche, une utilisation inégale peut creuser les inégalités invisibles.

Gouvernance et gestion des données

À mesure que l'IA s'intègre aux services de conseil, de tutorat et d'évaluation, la gouvernance devient un enjeu de qualité académique. Les établissements doivent comprendre comment les données étudiantes sont utilisées, comment les prestataires les gèrent et comment l'équité est contrôlée.

Des cadres comme le Cadre de gestion des risques NIST AI La gouvernance fournit un cadre, mais elle n'est efficace que si elle est appliquée de manière collaborative et transparente. Dans un établissement comme Westcliff, qui s'appuie sur l'intelligence artificielle, les décisions de gouvernance jouent de plus en plus un rôle d'assurance qualité académique, influençant directement la confiance dans les diplômes, l'intégrité des évaluations et la réputation de l'établissement.

Quelles priorités les dirigeants de l'enseignement supérieur devraient-ils définir ?

1. Repenser l'évaluation pour rendre l'apprentissage visible

La détection par IA n'est pas une solution à long terme. Réactive et conflictuelle, elle ne résout pas le problème de mesure sous-jacent.

Une approche plus durable consiste à repenser l'évaluation en mettant l'accent sur le raisonnement, le traitement des connaissances et la performance. Cela peut inclure des soutenances orales, des questions de suivi structurées, une évaluation basée sur le processus avec des brouillons et des réflexions, des projets appliqués ancrés dans des contraintes réelles et des tâches de synthèse en classe.

À Westcliff, nous avons adopté une approche basée sur la réponse orale dans le cadre de cette évolution. À titre d'exemple, Socratic Metric est un cadre d'évaluation utilisant l'intelligence artificielle qui remplace les questions de discussion écrites par des réponses enregistrées des étudiants à des questions ouvertes s'appuyant sur le contenu du cours et, dans certains cas, sur leurs propres écrits. Les étudiants reçoivent un retour immédiat qui les encourage à approfondir et à clarifier leurs propos. Les enseignants peuvent consulter ces réponses afin d'évaluer la profondeur de leur compréhension et leur authenticité.

L'objectif n'est pas la contrainte, mais la transparence. Les évaluations orales révèlent le raisonnement des élèves lors d'un suivi itératif, difficile à externaliser et plus facile à évaluer de manière pertinente. La méthode socratique n'est qu'un exemple parmi d'autres approches possibles. Plus largement, l'évaluation doit évoluer pour se concentrer sur la réflexion, et non sur la simple production.

Une question utile pour les responsables pédagogiques est simple : si un étudiant utilise l’IA pour ce devoir, celui-ci mesure-t-il toujours l’objectif d’apprentissage visé ? Si la réponse n’est pas claire, c’est par là qu’il faut commencer la refonte.

2. Considérer la maîtrise de l'IA comme un objectif d'apprentissage fondamental

Les étudiants intègrent un marché du travail où l'IA sera omniprésente. Ils auront besoin de compétences en matière de jugement, et pas seulement de connaissances théoriques.

L' Rapport sur l'avenir de l'emploi 2025 du Forum économique mondial Ce document souligne l'importance croissante de l'IA et des compétences liées aux données, au même titre que la pensée créative et la résilience. La maîtrise de l'IA doit inclure la compréhension de ses forces et de ses limites, la reconnaissance des biais et de l'incertitude, la vérification des résultats, la gestion responsable des données et la capacité à utiliser l'IA efficacement.

Il ne s'agit pas de transformer chaque étudiant en expert technique, mais de former des personnes capables de collaborer avec l'IA de manière réfléchie et éthique. De plus, la maîtrise de l'IA dépasse le cadre de la réussite scolaire : c'est une compétence institutionnelle. Le corps professoral, l'administration et les responsables académiques doivent tous partager cette compétence afin de garantir la cohérence, l'équité et la crédibilité de l'ensemble du parcours d'apprentissage.

3. Mettre en place une gouvernance qui instaure la confiance

Une bonne gouvernance ne doit pas freiner l'innovation ; elle doit constituer une stratégie de croissance permettant à l'IA de se développer plus rapidement et de manière plus fiable. Cela implique généralement un petit groupe pluridisciplinaire comprenant la direction académique, les équipes informatiques, juridiques et de protection des données, ainsi que le service d'aide aux étudiants, avec des rôles et des pouvoirs de décision clairement définis.

Il est également essentiel que ce soit simple et transparent. Les enseignants et les étudiants doivent savoir où l'IA est utilisée, quelles données sont collectées (et lesquelles ne le sont pas), qui y a accès et comment les décisions sont prises. Lorsque ces notions de base sont clairement définies, l'adoption de nouveaux outils est grandement facilitée, car on se sent informé et en sécurité.

4. Investir dans le développement du corps professoral

Le corps professoral est essentiel à une intégration réussie de l'IA. Il a besoin d'un soutien concret, et non de simples déclarations d'intention.

Les initiatives les plus efficaces sont pratiques : ateliers de refonte des devoirs, exemples de bonnes pratiques, grilles d’évaluation claires et communautés où les enseignants peuvent partager leurs expériences réussies. Lorsque les enseignants comprendront à la fois les atouts et les limites de l’IA, ils seront en mesure de concevoir de meilleures expériences d’apprentissage.

Soutenir le corps professoral dans cette transition implique également de reconnaître un changement plus profond : celui de passer du rôle de sources primaires de contenu à celui de concepteurs d'apprentissage, d'évaluateurs de la pensée et de garants du jugement académique.

5. Mesurer l'impact, pas l'adoption

L'IA doit être évaluée comme toute autre intervention pédagogique. Son adoption à elle seule ne garantit pas son succès.

Les bonnes questions sont axées sur les résultats : les étudiants retiennent-ils les connaissances ? Transfèrent-ils ou généralisent-ils leurs apprentissages dans de nouveaux contextes ? Les inégalités se réduisent-elles ou s’accentuent-elles ? Les diplômés font-ils preuve de discernement ?

Si les institutions ne mesurent pas ces effets indirects, elles risquent d'optimiser leur efficacité au détriment de la confiance, de l'équité et de leurs capacités à long terme. Mesurer l'impact dans une institution utilisant l'IA exige d'aller au-delà des indicateurs de performance pour comprendre qui en bénéficie, qui rencontre des difficultés et quelles formes d'effort sont amplifiées ou amoindries.

L'IA est un amplificateur. Ce qu'elle amplifie dépend de nous.

Sachant que l'intégration de l'IA est une certitude, la question cruciale pour les dirigeants de l'enseignement supérieur est de savoir si les institutions vont repenser l'apprentissage de manière intentionnelle ou laisser les modèles traditionnels s'éroder sous son poids.

L'IA n'est ni intrinsèquement bénéfique ni intrinsèquement néfaste. Elle ne fait qu'amplifier ce qu'un système d'apprentissage valorise déjà, que ce système soit efficace ou non.

Si l'enseignement supérieur valorise la réussite superficielle, l'IA ne fera qu'accélérer ce phénomène. Si les établissements privilégient le raisonnement, la réflexion et une performance authentique, l'IA peut favoriser un apprentissage plus approfondi et une meilleure préparation au marché du travail.

Les institutions qui réussiront devront repenser l'évaluation, intégrer la culture de l'IA comme compétence fondamentale et encadrer l'IA de manière à préserver la confiance tout en favorisant une innovation responsable. C'est la prochaine étape du leadership académique.