En janvier 2025, j’ai vécu quelque chose qui a profondément ébranlé ma conception de l’évaluation universitaire. Un de mes meilleurs étudiants en Automatique — quelqu’un qui participait activement en cours, posait des questions pertinentes, et manifestait une vraie compréhension des systèmes fractionnaires — a obtenu 8/20 à l’examen final écrit. Pendant ce temps, un étudiant quasi-silencieux depuis le début du semestre a obtenu 17/20. En discutant avec les deux, j’ai compris la réalité : le premier avait un stress d’examen invalidant, le second excellait dans les exercices répétitifs mais n’avait aucune compréhension profonde des concepts.

Notre système d’évaluation avait complètement inversé la réalité pédagogique.

C’est ce jour-là que j’ai commencé à explorer sérieusement comment réinventer l’évaluation à l’université avec l’IA. Non pas comme gadget technologique, mais comme réponse urgente à une crise pédagogique que beaucoup d’enseignants ressentent mais peu osent nommer : nos méthodes d’évaluation traditionnelles mesurent souvent la capacité à reproduire sous pression, pas la vraie compétence.

Cet article est le résultat de 18 mois d’expérimentation, de lectures, d’échanges avec des collègues et de tests avec mes propres étudiants. Si vous cherchez à réinventer l’évaluation à l’université avec l’IA, vous trouverez ici des approches concrètes, testées, et éthiquement ancrées.

Pourquoi réinventer l’évaluation à l’université avec l’IA est devenu urgent

Le système d’évaluation traditionnel face à ses propres limites

Avant de parler de solutions, je veux être honnête sur le diagnostic. Réinventer l’évaluation à l’université avec l’IA n’est pas une mode technologique — c’est une nécessité pédagogique qui existait avant l’IA et que l’IA a simplement rendue plus visible.

L’examen écrit traditionnel, 3 heures, feuille blanche, mesure principalement trois choses : la mémorisation à court terme, la résistance au stress, et la rapidité d’exécution. Pour certaines disciplines et certains objectifs pédagogiques, c’est pertinent. Pour beaucoup d’autres, c’est profondément inadapté.

Dans mon domaine de l’Automatique et des systèmes de commande, est-ce qu’un ingénieur travaille jamais en conditions d’examen ? Jamais. Il travaille avec ses outils (MATLAB, documentations, collègues), prend le temps de réfléchir, teste des hypothèses, itère. L’examen traditionnel évalue une situation que le professionnel ne rencontrera jamais.

Puis est arrivée l’IA générative. Et là, le système d’évaluation traditionnel a commencé à s’effondrer sous nos yeux. Quand ChatGPT peut rédiger une dissertation correcte en 30 secondes, que mesure encore une dissertation rendue à la maison ? Quand Claude peut résoudre des exercices de stabilité de Lyapunov étape par étape, que mesure un devoir maison de maths ?

Réinventer l’évaluation à l’université avec l’IA est donc devenu urgent non pas parce que l’IA est une menace à combattre, mais parce qu’elle révèle avec brutalité les failles d’un système qui évaluait souvent à côté de ce qui compte vraiment.

Ce que les recherches en sciences de l’éducation nous disent

J’ai consacré plusieurs mois à lire la littérature en sciences de l’éducation sur l’évaluation, en parallèle de mes recherches en Automatique. Les conclusions convergent remarquablement.

L’évaluation authentique — qui mesure des compétences réelles dans des contextes réels — est systématiquement plus prédictive de la performance professionnelle que les examens standardisés. Les portfolios de compétences, l’évaluation en situation, les projets longitudinaux montrent des corrélations bien supérieures avec la réussite professionnelle à long terme.

Réinventer l’évaluation à l’université avec l’IA s’inscrit donc dans un mouvement pédagogique plus large, que l’IA vient simplement outiller de façon inédite.

---

Premier pilier : le viva numérique augmenté par l’IA

Qu’est-ce que le viva numérique ?

Le viva (ou soutenance orale) est une tradition académique ancienne, surtout dans les thèses doctorales. Réinventer l’évaluation à l’université avec l’IA commence souvent par étendre ce format à tous les niveaux d’enseignement, en l’augmentant grâce aux outils numériques.

Un viva numérique augmenté, c’est une soutenance orale où l’étudiant défend son travail en temps réel, avec la possibilité d’interroger des ressources numériques (documentation, outils de simulation, bases de données) exactement comme il le ferait dans un contexte professionnel réel.

Comment je l’ai mis en place dans mon cours d’Automatique

Depuis le printemps 2025, j’expérimente le viva numérique dans mon cours de commande automatique des systèmes industriels. Voici comment je l’ai structuré pour réinventer l’évaluation à l’université avec l’IA dans ma pratique.

Format de l’évaluation :

• 20 minutes de préparation avec accès libre aux outils (MATLAB, documentation, IA)
• 15 minutes de soutenance orale devant deux évaluateurs
• 10 minutes de questions imprévisibles sur les choix effectués

L’étudiant reçoit un problème de commande industriel qu’il n’a jamais vu. Il dispose d’un accès complet à ses outils habituels, y compris les IA. Puis il présente et défend ses choix oralement.

Ce que le viva numérique révèle que l’examen traditionnel cachait :

En deux sessions de viva, j’ai obtenu plus d’informations pédagogiquement utiles sur mes 30 étudiants qu’en trois années d’examens écrits. J’ai vu qui sait vraiment ce que signifie un pôle à partie réelle positive. J’ai vu qui comprend pourquoi on choisit un PID plutôt qu’un correcteur à avance de phase dans un contexte donné.

J’ai aussi découvert que certains étudiants moyens à l’écrit avaient une compréhension conceptuelle impressionnante, simplement mal exprimable sous pression chronométrée.

Le rôle de l’IA dans ce viva :

L’IA joue deux rôles dans ma façon de réinventer l’évaluation à l’université avec l’IA via le viva. Premièrement, comme outil disponible pour l’étudiant pendant la préparation — exactement comme dans la vraie vie professionnelle. Deuxièmement, comme aide à la génération de questions de suivi pour les évaluateurs. Je configure un agent IA avec le problème donné et les réponses de l’étudiant, et il me suggère des questions de creusement pertinentes. D’ailleurs, pour les enseignants intéressés par la création et l’exploitation d’agents IA autonomes dans la pratique enseignante, vous pouvez consulter mon guide détaillé « IA agentique pour enseignants : 5 missions pédagogiques que vos nouveaux assistants autonomes peuvent piloter« .

Mettre en place le viva numérique : guide pratique

Pour réinventer l’évaluation à l’université avec l’IA via le viva, voici les étapes concrètes.

Étape 1 : Définir les compétences évaluées

Listez explicitement ce que vous évaluez : compréhension conceptuelle, capacité à justifier ses choix, adaptabilité face à une question imprévue, utilisation critique des outils. Ces compétences ne peuvent pas être déléguées à une IA, même si l’étudiant l’utilise.

Étape 2 : Construire la banque de problèmes

Créez 10-15 problèmes différents de difficulté équivalente. L’IA peut vous aider ici — je demande à Claude de générer des variantes d’un problème de référence en modifiant les paramètres industriels. Ainsi, deux étudiants ne reçoivent jamais le même problème.

Étape 3 : Former les évaluateurs à la grille de viva

Le viva augmenté nécessite une grille d’évaluation structurée. Sans grille précise, l’évaluation orale peut devenir subjective. Votre grille doit distinguer les niveaux : reproduction, compréhension, application, analyse critique.

Étape 4 : Gérer l’authenticité

La question que mes collègues me posent souvent : « Si l’étudiant peut utiliser l’IA, que mesures-tu ? » Ma réponse : je mesure sa capacité à expliquer, justifier et adapter ce que l’IA lui a fourni. Un étudiant qui ne comprend pas peut copier-coller une réponse IA. Il ne peut pas défendre cette réponse face à trois questions imprévues en 10 minutes.

---

Deuxième pilier : les portfolios augmentés par l’IA

La limite du portfolio traditionnel

Le portfolio d’apprentissage existe depuis longtemps en pédagogie. Mais dans sa forme traditionnelle, il souffre d’un défaut majeur : c’est un outil de collecte, pas d’analyse. L’étudiant accumule des travaux sans nécessairement réfléchir à leur progression.

Réinventer l’évaluation à l’université avec l’IA via les portfolios signifie transformer ce format en outil d’analyse dynamique et de réflexivité assistée.

Le portfolio augmenté : définition et fonctionnement

Un portfolio augmenté par l’IA, c’est un espace numérique où l’étudiant :

• Compile ses productions tout au long du semestre
• Utilise l’IA pour analyser sa progression entre les productions
• Rédige des réflexions guidées par des prompts IA
• Reçoit un feedback formatif continu (pas seulement en fin de semestre)
• Présente et défend l’évolution de ses compétences

Comment j’ai implémenté le portfolio augmenté

Pour réinventer l’évaluation à l’université avec l’IA via les portfolios, j’ai développé une méthode en trois temps avec mes étudiants de M1.

Temps 1 : Production et dépôt (continu)

Chaque semaine, les étudiants déposent dans leur portfolio numérique (j’utilise un espace dédié sur notre plateforme universitaire) :

• La production de la semaine (exercice, compte-rendu de TP, analyse d’article)
• Une note réflexive de 100 mots : « Qu’est-ce que j’ai compris ? Qu’est-ce qui reste flou ? »
• Une auto-évaluation sur 3 critères précis

Temps 2 : Analyse de progression assistée par IA (mensuelle)

Une fois par mois, l’étudiant copie l’ensemble de ses notes réflexives dans une session Claude ou ChatGPT, avec ce prompt que j’ai développé :

« Analyse ces 4 semaines de notes réflexives d’apprentissage en [matière]. Identifie : (1) la progression conceptuelle observable, (2) les lacunes récurrentes qui n’ont pas encore été comblées, (3) les points forts qui se confirment, (4) trois questions précises que je devrais me poser pour progresser le mois prochain. »

L’IA génère une analyse que l’étudiant lit, critique, et complète avec ses propres observations. Ce n’est pas l’IA qui produit la réflexion — c’est l’IA qui structure le miroir dans lequel l’étudiant se regarde progresser.

Temps 3 : Soutenance de portfolio (fin de semestre)

En fin de semestre, chaque étudiant présente 20 minutes son portfolio. Il ne présente pas ses meilleures productions — il présente son parcours d’apprentissage. Il montre une production faible du début du semestre, explique ce qu’il ne comprenait pas, montre une production récente sur le même concept, et explique ce qui a changé dans sa compréhension.

Ce format de réinventer l’évaluation à l’université avec l’IA via les portfolios est particulièrement révélateur. J’ai vu des étudiants qui avaient eu des difficultés au début du semestre produire les soutenances les plus impressionnantes, parce qu’ils avaient une conscience claire et articulée de leur propre progression.

Outils pour implémenter les portfolios augmentés

Pour réinventer l’évaluation à l’université avec l’IA via les portfolios, voici les outils que j’utilise ou que j’ai testés.

Notion : Excellent pour les portfolios individuels. Chaque étudiant crée sa page Notion avec des sections standardisées. Le partage avec l’enseignant est simple et les commentaires sont possibles directement dans les documents.

Google Sites : Plus simple que Notion, adapté aux étudiants moins à l’aise techniquement. Permet de créer un portfolio visuel rapidement.

Padlet : Idéal pour les portfolios collaboratifs où les étudiants peuvent voir les productions de leurs pairs (avec leur accord) et apprendre des différentes approches.

L’IA comme analyseur : J’utilise Claude pour analyser des portfolios entiers et générer un feedback formatif. Le prompt type que j’utilise pour réinventer l’évaluation à l’université avec l’IA dans cette dimension :

« Voici le portfolio d’apprentissage de [étudiant] sur [matière] pour [période]. Analyse la progression sur ces axes : rigueur technique, profondeur conceptuelle, autonomie dans la résolution de problèmes. Identifie deux points forts à valoriser et deux axes de progression prioritaires pour le prochain mois. Sois précis et cite des exemples tirés du portfolio. »

---

Troisième pilier : l’évaluation continue augmentée

Repenser la continuité de l’évaluation

Réinventer l’évaluation à l’université avec l’IA passe aussi par transformer la logique même de l’évaluation : passer du modèle « un ou deux examens qui décident de tout » à un modèle d’évaluation véritablement continue, où l’IA joue un rôle de régulateur et de personnalisateur.

Le modèle d’évaluation continue augmentée que j’ai développé

Voici le modèle que j’expérimente depuis deux semestres pour réinventer l’évaluation à l’université avec l’IA dans mes cours d’Automatique.

Composante 1 : Quiz adaptatifs hebdomadaires (20% de la note)

Chaque semaine, les étudiants font un quiz de 10 minutes via notre plateforme. Ces quiz sont générés partiellement par IA — j’utilise Claude pour créer 30 questions par chapitre (3 niveaux de difficulté : rappel, compréhension, application), et le système sélectionne automatiquement les questions selon le profil de l’étudiant.

Un étudiant qui maîtrise bien le niveau « rappel » recevra plus de questions « application ». Un étudiant en difficulté recevra plus de questions de consolidation. Cette personnalisation, impossible à faire manuellement pour 45 étudiants, est le coeur de réinventer l’évaluation à l’université avec l’IA dans cette composante.

Composante 2 : Projet de simulation industrielle (30% de la note)

Un projet longitudinal sur 8 semaines où les étudiants modélisent et régulent un système industriel réel (cette année : régulation thermique d’un réacteur chimique). Les étudiants ont accès à tous les outils, y compris les IA. Ce qu’on évalue : la qualité des choix de modélisation, la justification des paramètres du contrôleur, et l’analyse critique des résultats de simulation.

L’IA peut générer des approches. Mais choisir la bonne approche pour CE système avec CES contraintes industrielles, c’est la compétence humaine que nous évaluons.

Composante 3 : Viva de mi-semestre (20% de la note)

Application du format décrit plus haut, à mi-parcours, pour une fonction formative : identifier les lacunes avant qu’elles deviennent bloquantes.

Composante 4 : Portfolio de progression (20% de la note)

Application du format décrit plus haut, évalué en fin de semestre.

Composante 5 : Examen final partiel (10% de la note)

Oui, je conserve un examen traditionnel, mais réduit à 10% et recentré sur les automatismes fondamentaux (transformées, propriétés de base) qui nécessitent effectivement une mémorisation.

Les résultats observés

Après deux semestres d’application de ce modèle pour réinventer l’évaluation à l’université avec l’IA, voici mes observations honnêtes.

Ce qui fonctionne bien :

• Réduction drastique du bachotage de dernière minute (les étudiants travaillent régulièrement)
• Meilleure détection précoce des étudiants en difficulté
• Notes plus représentatives des compétences réelles observées en TP
• Engagement des étudiants significativement plus élevé (je mesure la participation en cours)
• Réduction du stress pathologique lié aux examens uniques

Ce qui est plus difficile :

• Charge de travail accrue pour l’enseignant en début de mise en place
• Résistance de certains étudiants habitués à l’optimisation par bachotage
• Nécessité d’une infrastructure numérique fiable (pas toujours garantie)
• Questions d’équité entre les étudiants qui ont accès aux IA payantes et ceux qui n’y ont pas accès

---

Les enjeux éthiques de réinventer l’évaluation à l’université avec l’IA

Je ne peux pas aborder réinventer l’évaluation à l’université avec l’IA sans parler sérieusement d’éthique. Ce serait irresponsable.

La question de l’équité d’accès

Si l’évaluation permet ou intègre l’utilisation d’IA, mais que certains étudiants ont accès à des outils payants (GPT-4, Claude Pro) et d’autres uniquement aux versions gratuites, on crée une inégalité structurelle nouvelle.

Ma réponse partielle à ce problème : dans mes évaluations qui intègrent l’IA, je fournis un accès institutionnel commun à tous les étudiants. Ce n’est pas toujours possible financièrement, mais c’est une condition d’équité que j’essaie de respecter pour vraiment réinventer l’évaluation à l’université avec l’IA de façon juste.

La question de la confidentialité des données des étudiants

Les travaux des étudiants envoyés à des plateformes IA commerciales posent des questions légitimes de confidentialité et de protection des données. Avant de réinventer l’évaluation à l’université avec l’IA dans votre contexte, vérifiez la conformité RGPD des outils utilisés et informez clairement vos étudiants.

La question de la transparence des critères

Réinventer l’évaluation à l’université avec l’IA ne peut pas se faire en secret. Les étudiants ont le droit de savoir exactement comment ils sont évalués, ce que l’IA évalue et ce qu’elle ne peut pas évaluer, et comment les notes sont calculées. La transparence n’est pas une option pédagogique — c’est une obligation éthique.

La question de la résistance institutionnelle

Soyons honnêtes : réinventer l’évaluation à l’université avec l’IA se heurte souvent à des résistances institutionnelles légitimes. Les accréditations, les équivalences de diplômes, les jurys externes attendent des formats d’évaluation standardisés et comparables. J’ai appris à travailler avec ces contraintes, pas contre elles : je transforme ce qui peut l’être dans le respect des cadres institutionnels.

---

Les universités qui passent à l’action en 2026 : exemples concrets

Réinventer l’évaluation à l’université avec l’IA n’est plus un discours prospectif — c’est une réalité dans plusieurs établissements.

L’École Polytechnique Fédérale de Lausanne expérimente depuis 2024 des examens oraux augmentés dans plusieurs filières d’ingénierie. Les étudiants ont accès à des outils numériques pendant la préparation et défendent leurs choix oralement.

L’Université de Montréal a développé un système de portfolios numériques enrichis par IA pour ses programmes de médecine, permettant un suivi longitudinal des compétences cliniques sur 6 ans d’études.

En France, plusieurs IUT ont commencé à intégrer des projets tutorés évalués en continu avec assistance IA, notamment en filières techniques où la pertinence des exercices avec outils est évidente.

Dans mon propre établissement, je suis l’un des premiers enseignants à avoir formellement réinventé l’évaluation à l’université avec l’IA dans mes cours. Les retours de mes étudiants après deux semestres d’expérimentation sont largement positifs, et plusieurs collègues de mon département commencent à s’intéresser au modèle.

---

Guide de mise en œuvre : par où commencer pour réinventer l’évaluation à l’université avec l’IA

Si cet article vous a convaincu de réinventer l’évaluation à l’université avec l’IA dans votre propre contexte, voici mes recommandations pratiques issues de mon expérience.

Étape 1 : Commencer par UN seul cours

Ne tentez pas de tout transformer en même temps. Choisissez le cours où vous avez le plus de liberté pédagogique et où les lacunes de l’évaluation traditionnelle sont les plus visibles. Expérimentez sur un semestre.

Étape 2 : Choisir UN seul nouveau format

Viva numérique, portfolio augmenté, ou évaluation continue — mais pas les trois à la fois. La courbe d’apprentissage est réelle, pour vous comme pour vos étudiants.

Étape 3 : Documenter systématiquement

Prenez des notes après chaque session d’évaluation. Qu’est-ce qui a bien fonctionné ? Qu’est-ce qui a été difficile ? Quels problèmes imprévus sont apparus ? Cette documentation est votre capital pour améliorer le format au semestre suivant.

Étape 4 : Impliquer les étudiants dans la réflexion

En fin de semestre, demandez explicitement à vos étudiants leur retour sur le nouveau format d’évaluation. Leurs observations sont souvent plus précises et utiles que ce qu’on imagine. C’est aussi une façon de les inclure dans le processus de réinventer l’évaluation à l’université avec l’IA.

Étape 5 : Partager avec vos collègues

L’innovation pédagogique isolée reste fragile. Partagez vos expériences en réunion de département, proposez des ateliers de formation, publiez vos retours d’expérience. Réinventer l’évaluation à l’université avec l’IA est un effort collectif, pas individuel.

---

Conclusion : réinventer l’évaluation à l’université avec l’IA est une responsabilité pédagogique

Ce mardi de janvier 2025 où j’ai regardé deux étudiants dont les notes d’examen trahissaient leurs vraies compétences — dans les deux sens — a été un déclencheur. Réinventer l’évaluation à l’université avec l’IA n’est pas pour moi un projet technologique. C’est une réponse pédagogique à une responsabilité que j’ai envers mes étudiants : les évaluer honnêtement, c’est-à-dire mesurer ce qui compte vraiment pour leur formation et leur futur professionnel.

Le viva numérique, les portfolios augmentés et l’évaluation continue assistée par IA sont trois outils parmi d’autres. Ils ne sont pas parfaits. Ils demandent du temps, de l’ajustement, et une acceptation de l’incertitude pédagogique. Mais ils mesurent des choses réelles : la capacité à comprendre, à justifier, à s’adapter, à progresser consciemment.

L’IA n’est pas le problème de l’évaluation universitaire. Elle en révèle les problèmes existants. Et utilisée intelligemment, elle nous donne des outils pour y répondre. Réinventer l’évaluation à l’université avec l’IA est une opportunité que les enseignants engagés ne peuvent pas se permettre de rater.

Le moment d’agir, c’est maintenant. Pas dans cinq ans quand le consensus pédagogique sera établi. Maintenant, pendant que nous pouvons encore façonner la direction que prend cette transformation.

---

Rédigé par: Assaad Jmal – PhD, Enseignant universitaire et Chercheur