L’intelligence artificielle transforme rapidement la mesure de l’éducation, mais son potentiel dépend de la création de systèmes qui soient non seulement efficaces mais aussi crédibles, équitables et véritablement utiles pour les étudiants et les enseignants. Un récent panel d’experts a souligné la nécessité de « ceintures de sécurité » – des infrastructures scientifiques rigoureuses – pour garantir que les évaluations basées sur l’IA améliorent l’apprentissage plutôt que de simplement accélérer les problèmes existants.
Les piliers d’une IA responsable en éducation
Kadriye Ercikan de l’ETS soutient que trois principes doivent être non négociables : l’efficacité (atteint-il ses objectifs ?), la validité (les preuves sont-elles solides ?) et l’équité (les résultats sont-ils cohérents dans tous les groupes d’étudiants ?). Cela signifie concevoir l’équité dans le système dès le départ, plutôt que d’essayer de corriger les préjugés plus tard. L’objectif est de passer des évaluations qui se contentent de décrire le statut de l’élève (comme un thermomètre) à celles qui stimulent l’amélioration (comme un thermostat).
Réduire la charge de test et augmenter l’utilité
Angela Bahng, de la Fondation Gates, souligne que les étudiants consacrent déjà jusqu’à 100 heures par an aux tests, ce qui représente un fardeau disproportionné pour les étudiants de couleur et ceux qui sont en retard par rapport à leur niveau scolaire. Son travail se concentre sur un « cadre de qualité des produits » qui aide les écoles à choisir des outils en fonction de leur utilité réelle : sont-ils conviviaux, fiables et directement utiles à l’enseignement ? Les applications émergentes de l’IA – telles que la reconnaissance vocale pour les commentaires en temps réel et les coachs de lecture IA – sont prometteuses et des preuves rigoureuses sont attendues dans les deux à trois prochaines années.
Au-delà de la mesure : respecter l’expertise des éducateurs
Michelle Odemwingie, PDG d’Achievement Network, affirme que la validité dépend de la question de savoir si les conclusions de l’évaluation éclairent réellement l’action des enseignants. La surcharge actuelle d’outils EdTech (plus de 2 700 utilisés) crée une « obésité informationnelle », entravant la capacité des éducateurs à donner un sens à des données fragmentées. Odemwingie met en garde contre les systèmes d’IA qui fournissent en toute confiance des informations inexactes (« absurdités raisonnables »), soulignant que les systèmes d’évaluation doivent respecter le jugement et l’expertise des enseignants pour générer une valeur durable. Le problème principal n’est pas technique ; c’est relationnel.
Donner la priorité à l’épanouissement humain plutôt qu’à l’optimisation
Gabriela López met le monde au défi d’aller au-delà de la vitesse et de la prédiction, en concevant des systèmes d’IA qui donnent la priorité à la croissance, à l’action et aux opportunités des étudiants. Elle insiste sur le fait que « la variabilité humaine est un signal, pas un bruit » – l’optimisation pour des définitions étroites de ce qui est typique réduit la précision et la confiance. La véritable transparence ne consiste pas à exposer le code, mais à aider les gens à comprendre ce que signifient les résultats, comment les utiliser et ce qu’ils ne signifient pas.
En fin de compte, l’IA dans l’éducation doit gagner la confiance en faisant preuve d’ouverture, de rigueur scientifique et d’un respect fondamental pour les individus derrière les données. L’avenir de l’évaluation ne réside pas uniquement dans la sophistication technique, mais dans la création de systèmes qui soutiennent l’épanouissement humain et responsabilisent les apprenants et les éducateurs.
