Les universités australiennes divisées sur l’usage de l’IA pour corriger les travaux étudiants : politiques contrastées et enjeux futurs

Politiques institutionnelles divergentes

Un clivage net s’est instauré parmi les fournisseurs d’enseignement supérieur australiens quant à l’utilisation de l’intelligence artificielle générative pour l’évaluation des soumissions étudiantes. L’Université de New South Wales, l’Université de Melbourne et l’Université de Sydney ont publié des interdictions générales qui empêchent le personnel enseignant d’utiliser des outils d’IA pour évaluer les travaux. En revanche, l’Université d’Adélaïde, l’Université de Newcastle, l’Université Deakin et le RMIT ont adopté une approche conditionnelle qui autorise le personnel à recourir à la notation assistée par IA à condition que l’académicien conserve la responsabilité finale de la note et du retour.

Ces positions contrastées reflètent des évaluations de risques et des priorités stratégiques différentes. Le groupe prohibitif invoque des inquiétudes concernant l’intégrité académique et la fiabilité des évaluations générées par les machines, tandis que les institutions permissives mettent en avant les gains potentiels d’efficacité et la possibilité que l’IA serve de relecteur auxiliaire.

Utilisation conditionnelle et mécanismes de refus

Lorsque l’assistance de l’IA est permise, les universités ont introduit des garde-fous. L’Université de Newcastle, par exemple, offre aux étudiants le droit de refuser la notation assistée par IA, garantissant que leur travail soit évalué uniquement par des évaluateurs humains. L’Université Deakin précise explicitement que le personnel peut utiliser l’IA pour améliorer l’efficacité et soutenir les activités d’évaluation, mais que le système ne peut pas attribuer de notes de façon autonome. L’Université de Western Sydney renforce un modèle « centré sur l’humain », insistant sur le fait que l’attribution des notes, des grades et des commentaires reste toujours la responsabilité du corps académique.

Ces politiques visent à concilier le désir d’alléger la charge de travail avec la nécessité de préserver les standards académiques et la confiance des étudiants. En conservant le jugement humain final, les institutions tentent de réduire le risque de résultats erronés ou biaisés tout en explorant le rôle de soutien que peut jouer la technologie.

Institutions encore en phase exploratoire

Plusieurs universités n’ont pas encore déployé l’IA pour la notation mais l’intègrent dans des pratiques pédagogiques plus larges. L’Université Monash, l’Université de Wollongong et l’Université James Cook indiquent que l’IA n’est pas utilisée dans le processus de notation, mais qu’elle est employée pour soutenir l’apprentissage des étudiants via des assistants d’écriture et des générateurs de feedback personnalisés. L’Université du Queensland élabore des politiques qui garantissent explicitement que les universitaires continuent d’évaluer les travaux directement, témoignant d’une approche prudente vis‑à‑vis de l’automatisation.

Ces étapes exploratoires illustrent une courbe d’adoption progressive, où les établissements testent l’IA dans des contextes à faible enjeu avant d’envisager une expansion vers des décisions de notation à fort impact.

Les critiques avertissent d’un possible « cycle de la médiocrité »

Les opposants à une généralisation de la notation par IA soutiennent qu’elle pourrait déclencher un « cycle de la médiocrité », où les étudiants soumettent de plus en plus de travaux générés par l’IA qui seraient ensuite notés par l’IA. Cette boucle de rétroaction pourrait conduire à une dérive de vérification, rendant l’authenticité des travaux plus difficile à confirmer, et laisser passer du contenu halluciné non contrôlé. Les critiques estiment qu’un tel cycle pourrait ternir la réputation des universités si des soumissions de faible qualité ou fabricées étaient acceptées comme production académique légitime.

L’avertissement souligne un risque systémique : une fois l’IA devenue évaluateur principal, l’incitation des étudiants à recourir à la génération d’IA pourrait s’intensifier, diminuant potentiellement le développement de la pensée critique et des compétences rédactionnelles.

Pressions de charge de travail et promesse d’un « deuxième regard »

Le personnel académique à travers l’Australie signale être surchargé, la correction représentant une part substantielle de leur temps limité. Certains enseignants envisagent l’IA comme un « deuxième regard » capable de signaler des incohérences ou du plagiat, allégeant ainsi le fardeau manuel. Cependant, les bénéfices restent largement non testés, et plusieurs membres du corps enseignant ont exprimé des craintes que la dépendance à l’IA puisse mener à un « désastre » si la technologie ne saisit pas le jugement nuancé requis pour des travaux complexes.

La tension entre l’efficacité potentielle et la fiabilité non prouvée souligne la nécessité d’évaluations rigoureuses avant de généraliser la notation assistée par IA.

Projet d’amélioration de l’évaluation de QUT et inquiétudes du personnel

L’Université de technologie du Queensland (QUT) a lancé un « projet d’amélioration de l’évaluation » destiné à garder l’évaluation authentique, fiable, évolutive et tournée vers l’avenir dans un environnement activé par l’IA. Bien que l’initiative vise à moderniser les pratiques d’évaluation, le personnel a exprimé des appréhensions quant au fait que le projet pourrait réduire le volume de correction humaine, menaçant ainsi la principale source de revenu des enseignants contractuels qui dépendent des charges de notation.

Le cas de QUT illustre comment les stratégies institutionnelles d’intégration de l’IA peuvent se heurter aux considérations liées au travail, soulevant des questions sur le rôle futur des enseignants à contrat.

Résistance étudiante à l’évaluation pilotée par IA

Le sentiment étudiant ajoute une couche supplémentaire de complexité. Un étudiant en écriture créative de QUT, Alex Cameron, a exprimé une forte objection à la notation par IA, déclarant qu’il ne paierait pas pour un diplôme si la correction était effectuée par des machines. Le commentaire de Cameron reflète une résistance plus large des étudiants à l’évaluation assistée par IA, notamment dans les disciplines où un retour nuancé est apprécié.

Cette résistance suggère que toute transition vers une notation automatisée doit prendre en compte les attentes des étudiants en matière d’interaction humaine et de mentorat.

Efficacité incertaine et absence de données empiriques

Les représentants universitaires reconnaissent que l’efficacité de la notation assistée par IA à grande échelle demeure inconnue. Les affirmations d’amélioration de la qualité ou de l’efficacité sont en grande partie non testées, et aucune donnée empirique sur les résultats ou la fiabilité n’a été présentée. Cette reconnaissance laisse l’impact de l’IA sur l’évaluation ouvert à une évaluation supplémentaire et souligne l’importance de recherches systématiques avant tout déploiement institutionnel.

Sans preuves solides, les décisions politiques risquent d’être guidées par la spéculation plutôt que par des bénéfices démontrables.

Implications pratiques pour les organisations

Pour les organisations qui recrutent ou collaborent avec des diplômés des universités australiennes, le paysage actuel indique la nécessité d’une vigilance accrue. Les employeurs doivent être conscients que les standards d’évaluation peuvent varier largement selon la politique IA de chaque institution, affectant potentiellement la cohérence des compétences des diplômés. Lorsque la notation par IA est autorisée, les organisations pourraient envisager de compléter la vérification des diplômes par des évaluations de compétences supplémentaires afin de garantir que les diplômés ont bénéficié d’une évaluation humaine rigoureuse. À l’inverse, les institutions qui prohibent la notation IA peuvent produire des diplômés bénéficiant d’expériences de feedback plus traditionnelles, ce qui pourrait être un atout pour des postes nécessitant des capacités analytiques nuancées. Dans tous les cas, une communication transparente avec les partenaires éducatifs concernant les pratiques d’évaluation peut aider à aligner les attentes et à atténuer les risques associés aux approches de notation divergentes.

• University of New South Wales, University of Melbourne, University of Sydney – interdisent la notation par IA.
• University of Adelaide, University of Newcastle, Deakin University, RMIT – autorisent l’assistance IA sous supervision humaine.
• Queensland University of Technology – projet d’amélioration de l’évaluation visant l’authenticité activée par IA.
• Monash University, University of Wollongong, James Cook University – intègrent l’IA dans l’enseignement mais pas dans la notation.