Programmation du symposium C
Jeudi 19 novembre
Salle 3

Bloc 3 et 4 (13 h 50 à 17 h 00)

Communication A - 13 h 50
L'apport de l'Intelligence Artificielle Générative (IAG) dans la transformation des pratiques évaluatives: état des connaissances sur les pratiques du personnel enseignant en milieu universitaire
Audrey Jude Junior Blé (Université du Québec en Abitibi Témiscamingue)
Jean-Marc Nolla (Université du Québec en Abitibi Témiscamingue)
Jean Gabin Ntebutse (Université de Sherbrooke)

L’évaluation des apprentissages représente l’une des plus grandes responsabilités professionnelles du personnel enseignant (Laurier et al., 2005). Cependant, évaluer demeure un sujet particulièrement sensible (Lepage et al., 2022). Si de nombreux travaux soulignent l’urgence d’une transformation des pratiques évaluatives (Cnesco-Cnam, 2022), en raison des répercussions sur le parcours des personnes apprenantes, les personnels enseignants admettent ne pas être compétents quand vient le temps d’évaluer (Fontaine et al., 2011). Cet inconfort s’est intensifié avec l’essor du numérique et la mise en ligne des cours durant la pandémie de COVID-19 (Barroso da Costa et al., 2024). L’arrivée de l’Intelligence Artificielle Générative (IAG) crée une nouvelle vague d’anxiété. Dans l’urgence et parfois sans repères empiriques, certaines universités optent pour un renforcement du contrôle pour pallier le risque élevé de plagiat (Adeshola et Adepoju, 2024). D’autres suggèrent un usage modéré de l’IAG principalement dans la conception des outils d’évaluation ou les tâches de remue-méninges (Cross et al., 2023). Ce contraste questionne sur l’impact réel de l’IAG sur les pratiques évaluatives en milieu universitaire au Québec. Il invite surtout à faire un état des lieux sur l’apport éventuel de l’IAG dans une évaluation ayant des objets multiples à l’université (Geerling et al., 2023). Cette communication présente une revue systématique de la littérature portant sur l’apport de l’IA générative (IAG) dans la transformation des pratiques évaluatives du personnel enseignant universitaire au Québec. Réalisée selon la démarche de Mertens (2014), elle montre que l’essor de l’IAG, combiné aux préoccupations éthiques qu’elle soulève, remet en question certains fondements de l’évaluation. Elle met également en lumière le potentiel technopédagogique de l’IAG, tout en soulignant la nécessité d’adapter les pratiques évaluatives et de mieux préparer le personnel enseignant aux transformations induites par l’IAG.

Communication B - 14 h 20
Quand l’IA donne l’illusion de compétence : repenser l’évaluation des apprentissages à l’université 
Abdoul Diallo (Université Laval)
Julien S. Bureau (Université Laval)
Catherine C. Théberge (Université Laval)

Les pratiques évaluatives centrées sur la production écrite sont mises à l’épreuve par l’IA générative qui peut court-circuiter l’effort sous-jacent à l’évaluation (Kumar et al., 2026). Les travaux en neuroéducation soulignent l’importance pour l’apprentissage du travail de compréhension et d’appropriation (Dehaene, 2018 ; Masson, 2020). Cette étude examine si l’appropriation d’un texte pourrait prédire un apprentissage accessoire dans le cas où un étudiant ferait écrire un texte entier par l’IA pour ensuite simplement le réécrire dans ses propres mots.Auprès de deux cohortes (2024-2025 ; N = 162), des étudiants universitaires réécrivaient un texte généré par ChatGPT, puis, après un délai, en rappelaient les dix éléments de mémoire. Deux indicateurs de l’appropriation du texte ont été retenus. Copyleaks© a permis de comparer les textes et de fournir un score d’originalité. De plus, une corrélation de rangs de Kendall comparait l’ordre du texte réécrit à celui de l’original. Un coefficient élevé indiquait une reproduction de la progression des notions du texte initial, tandis qu’un coefficient faible signalait une réorganisation de l’ordre de l’information. Les résultats montrent que les textes peu originaux (davantage de paraphrases ou de texte entièrement recopié) prédisent moins d’apprentissages (r = -.20, p < .01). Toutefois, on trouve un lien plus important entre la reproduction de la structure du texte d’IA et l’apprentissage, où une corrélation de rang élevée (ordre très similaire) est elle-même corrélée négativement au rappel (r = -.42, p < .01). La neuroéducation peut expliquer comment réorganiser l’information générée par IA pourrait grandement impacter l’apprentissage assisté.  

Communication C - 14 h 50
L’auto-évaluation à l’aide de l’IA comme levier de correction pour améliorer la qualité de travaux universitaires
Catherine E. Déri (Université du Québec en Outaouais)
François Vincent (Université du Québec en Outaouais) 

Dans les études supérieures, les étudiant.es doivent développer leurs compétences scripturales pour réaliser des travaux écrits de qualité, ce qui implique la prise en compte des caractéristiques génériques contextuelles (Blaser et Pollet, 2010), mais également des savoirs et stratégies spécifiques aux différents sous-processus d’écriture (Vincent, 2021). Bien que les étudiant.es puissent améliorer leur performance sur la base de rétroactions reçues des ressources enseignantes, il est aussi possible en révision de mobiliser des stratégies d’auto-évaluation pour favoriser leur progression et leur autonomie (St-Pierre, 2004). En s’impliquant activement dans leur processus d’apprentissage, il.elles peuvent développer des automatismes qui serviront en milieu universitaire, mais aussi une fois rendu.es sur le marché du travail (Lison et St-Laurent, 2015). À cet égard, la séquence développée par Andrade et Brooke (2010) est particulièrement intéressante pour identifier trois étapes à suivre afin d’auto-évaluer une production écrite : (1) articuler les attentes; (2) s’auto-évaluer; et (3) réviser. Dans notre communication, nous nous intéresserons principalement aux deux dernières étapes, en considérant l’usage de l’intelligence artificielle (IA) pour s’auto-évaluer de manière éthique (Perkins et al., 2024; Peters, 2023). Nous présenterons des résultats d’une recherche à devis mixte visant l’identification de stratégies numériques, afin de prévenir le plagiat au premier cycle universitaire. Pour ce faire, nous avons analysé 14 tâches d’écriture produites par des étudiant.es francophones et anglophones, et enregistrées au moyen d’un logiciel de vidéographie (Camtasia). Les actions recensées révèlent que les étudiant.es utilisent surtout des outils d’IAg (Antidote en français et Grammarly en anglais) pour auto-évaluer des éléments normatifs de leur productions écrites (l’orthographe, la syntaxe et la ponctuation). Il serait donc intéressant d’explorer les possibilités d’utiliser des outils d’IAg pour l’auto-évaluation des éléments de fond de productions écrites. 

Communication D - 15 h 35
Plagiat, IA et soupçon en formation à distance : quand la validité de l’évaluation devient un angle mort  
Jean-Marc Nolla (Université du Québec en Abitibi Temiscamingue)
Audrey Jude Junior Blé (Université du Québec en Abitibi Temiscamingue)
Ibrahima Ba (Université numérique Cheikh Hamidou Kane)

Ces dernières années, l’évaluation des apprentissages en formation à distance (FAD) a été au cœur de débats dominés par les risques de plagiat et de fraude. L’essor du numérique, la pandémie de COVID-19 et, plus récemment, la généralisation de l’intelligence artificielle ont renforcé une culture du doute et du soupçon à l’égard de l’intégrité des productions étudiantes et de la fiabilité des données évaluatives. Les réponses institutionnelles se sont principalement traduites par un durcissement des dispositifs de contrôle, reléguant souvent au second plan les fonctions fondamentales de l’évaluation : recueillir des données pertinentes afin de réguler les apprentissages et de certifier les acquis. Pourtant, le plagiat n’est ni un phénomène nouveau ni un problème propre à la FAD ou à l’intelligence artificielle. L’attention presque exclusive accordée à la fraude risque ainsi d’occulter des enjeux déterminants : la qualité de la rétroaction, la pertinence des tâches, la cohérence entre les objectifs, les activités pédagogiques et les instruments d’évaluation, de même que la validité des inférences formulées à partir des données recueillies. Cette communication analyse la manière dont la logique du soupçon alimente un capitalisme numérique de la surveillance, au détriment de pratiques évaluatives formatrices et émancipatrices. À partir d’une analyse critique des travaux sur l’évaluation authentique et du modèle de validation de Frenette (2018), nous proposons de recentrer la réflexion sur la validité de l’évaluation en FAD. Des pistes seront dégagées afin de dépasser les réponses technosécuritaires et de réaffirmer les fonctions premières de l’évaluation : réguler et certifier les apprentissages. 

Communication E - 16h05 
Redéfinir les preuves d’apprentissage à l’université à l’ère de l’intelligence artificielle pour préserver l’intégrité des diplômes 
Martine Peters (Université du Québec en Outaouais) 
Ludivine Bodar (Université du Québec en Outaouais) 

Avec l’arrivée des outils d’intelligence artificielle (IA), les travaux remis par les étudiants, souvent enrichis par l’IA, ne constituent plus nécessairement une preuve d’apprentissage. Il devient difficile pour les professeurs universitaires de distinguer la contribution de l’étudiant de celle de l’IA. Cette situation apporte des enjeux de validité pour les évaluations dans chacun des cours que prennent les étudiants, mais également pour la crédibilité de leurs diplômes. Ainsi, les professeurs doivent cesser de se fier au produit final des étudiants et rechercher de nouvelles preuves d’apprentissage robustes à l’IA, potentiellement dans les processus métacognitifs de raisonnement, de justification des choix et d’autorégulation (Allal et Laveault, 2009; Black et Wiliam, 2018; Zimmerman, 2002), utilisés par les étudiants lors d’évaluation authentique (Gravett, 2025; Kickbusch et al., 2025). La présente communication a deux objectifs : 1) définir, selon les propos de professeurs universitaires, ce qu’est une preuve d’apprentissage robuste à l’IA et 2) répertorier les caractéristiques de ces preuves robustes. Des entrevues semi-dirigées ont été effectuées auprès de professeurs universitaires (n=106). Certaines questions qui portaient sur les évaluations demandées par les professeurs avant et après l’arrivée des outils d’IA. Une analyse thématique qualitative a été effectuée avec un codage mixte avec une catégorisation préalable de preuves d’apprentissage ainsi que des catégories émergentes. Les résultats laissent entrevoir que l’évaluation du processus d’apprentissage et de ses preuves devient plus importante que l’évaluation du produit à l’ère de l’IA. Une typologie de preuves d’apprentissage robustes à l’IA, ainsi que leurs caractéristiques, sera proposée comme conclusion.  

Communication F - 16h35 
D’une posture évaluative ébranlée à une posture repensée : les pratiques évaluatives des formateurs universitaires à l’heure des outils de l'IA générative 
Nicole Monney (Université du Québec à Chicoutimi)
Stéphane Allaire (Université du Québec à Chicoutimi)
Serge Didier Kengne Talling (Université du Québec à Chicoutimi)
Laís Michelle de Souza Araújo Bandeira (Université du Québec à Chicoutimi)
Arianne Dufour (Université du Québec à Chicoutimi)

L’arrivée des outils de l’IA générative a mis en lumière la capacité de ses outils à générer des textes de qualité qui paraissent hautement crédibles, rendant difficile la distinction entre le travail des étudiants et celui de la machine (Kofinas et al., 2025; Xiaoyu et al., 2025). Un des défis le plus souvent cités est la question de l’évaluation des apprentissages qui est au cœur de l’enjeu d’intégrité académique (Gonsalves, 2024). Dans les milieux universitaires, les réactions des formateurs prennent diverses formes allant du retour de l’examen en classe à des postures de codesign avec les outils de l’IAg (Khlaif et al., 2025). C’est dans ce contexte qu’une recherche collaborative a démarré avec un groupe de cinq formateurs universitaires souhaitant valider, questionner et développer des pratiques évaluatives s’adaptant à la présence des outils de l’IAg. Cette communication présentera les analyses qualitatives issues de trois groupes de discussion à partir de deux cadres théoriques à savoir : le processus d’évaluation des apprentissages (Fontaine et Loye, 2017) et les fonctions et démarches de l’évaluation des apprentissages (De Ketele, 2010) et permettra de mettre en lumière les pratiques évaluatives des formateurs, les stratégies de formation aux outils de l’IAg, les formats des travaux attendus et les interrogations soulevées par les groupes de discussion. La discussion ouvrira sur deux modèles théoriques à savoir, l’évaluation continue pour apprendre (Mottier Lopez et al., 2021) et l’approche de la coélaboration des connaissances (Allaire, 2025), comme cadres analytiques dans un contexte où les outils de l’IAg sont là pour rester.