Source

Mulder, R., Baik, C., & Ryan, T. (2023). Rethinking Assessment in Response to AI. Melbourne Centre for the Study of Higher Education. Disponible à l’adresse : https://melbourne-cshe.unimelb.edu.au/__data/assets/pdf_file/0004/4712062/Assessment-Guide_Web_Final.pdf

Résumé

Le guide du Melbourne Centre for the Study of Higher Education propose une réflexion approfondie sur la refonte des évaluations académiques face à la montée de l’intelligence artificielle générative (IAG). Il met en lumière sept stratégies pratiques pour améliorer l’intégrité académique et l’engagement des étudiant·e·s, tout en réduisant les risques liés à l’utilisation non autorisée de l’IA dans les travaux académiques.

Points clés

• Évaluation du processus plutôt que du produit : Insister sur les étapes et stratégies de réflexion des étudiant·e·s, et non uniquement sur le résultat final.
• Jugement évaluatif : Intégrer des tâches demandant aux étudiant·e·s de critiquer ou d’évaluer des travaux selon des critères établis.
• Évaluations étagées : Diviser les projets en étapes successives pour favoriser les retours continus et la progression des compétences.
• Diversité des formats d’évaluation : Utiliser des formats tels que vidéos, blogs ou portfolios pour diversifier les résultats attendus.
• Authenticité et contexte : Proposer des tâches réalistes et adaptées au monde réel pour motiver les étudiant·e·s et les rendre moins dépendants de l’IA.
• Collaborations en classe et en groupes : Favoriser les interactions directes entre pairs pour minimiser les risques de triche.
• Entrevues orales : Tester la compréhension des étudiant·e·s à travers des questions interactives et imprévisibles.