Présentation

Projet et méthode

Projet Konsolidation : aider les enseignants à réguler les apprentissages sur les activités hors classe en impactant différentes dimensions relatives aux élèves (pratiques, résultats, réduction inégalités).

Méthode de conduite de la recherche : design-based research (DBR) avec des cycles itératifs d'analyse du contexte, formulation d'hypothèses, conception, expérimentation et d'analyse.
Travail en contexte écologique réel avec les differents acteurs du monde éducatif.

IA & éducation

Constats :

• usages se développent très vite et de manière significative
• décalage croissant des usages en faveur des élèves
• cadre non-contrôlé par les enseignants et pas toujours par les parents

Evaluation & Correction

L'évaluation automatique des réponses courtes (ASAG - Automatic Short Answer Grading) est un domaine de recherche en pleine expansion avec l'arrivée des LLMs. Quels sont les résultats récents ?

Performance des LLMs vs. évaluateurs humains

Les études récentes montrent que les LLMs peuvent atteindre des niveaux d'accord proches de ceux entre évaluateurs humains (QWK de 0.7-0.8). Cependant, leurs performances varient significativement selon :

• le domaine disciplinaire (mathématiques vs. langues vs. sciences)
• la complexité des réponses attendues
• la clarté des critères d'évaluation fournis

Qualité du feedback généré par l'IA

Au-delà de la simple notation, la recherche montre que le feedback généré par l'IA peut soutenir l'apprentissage lorsqu'il est : spécifique et actionnable (pas de commentaires génériques), aligné avec les objectifs d'apprentissage du cours et supervisé par l'enseignant qui garde le contrôle pédagogique.

L'idée est de se servir de l'IA comme un outil pour faire émerger des tendances et des pistes de réflexion, mais pas comme un évaluateur autonome. Il me semble important d'insister sur le fait qu'itérer, plutôt que de se fier à une seule évaluation, conduit à des résultats plus fiables.