ChatGPT en travaux dirigés : comment vérifier que les étudiants apprennent vraiment ?
Il est 10 h 15 dans une salle de travaux dirigés. Le professeur a distribué une étude de cas : une petite entreprise doit choisir entre deux investissements, avec des données incomplètes et des hypothèses discutables. Un étudiant ouvre ChatGPT. Quelques secondes plus tard, son groupe dispose d’une réponse soignée, de chiffres commentés et d’une recommandation convaincante. « Nous avons terminé », annonce-t-il. Le professeur demande : « Quelle hypothèse changerait votre décision ? » Silence. Les étudiants ont une réponse, mais pas encore la maîtrise des raisons qui permettent de la défendre.
La scène ne prouve pas que l’intelligence artificielle empêche d’apprendre. Elle illustre une question devenue centrale dans l’enseignement supérieur : comment autoriser ou encadrer l’IA générative en travaux dirigés sans confondre qualité du document produit et apprentissage réel ?
Le problème n’est pas de savoir si une machine peut rédiger un bon corrigé. Elle le peut parfois, tout en pouvant aussi inventer des faits ou commettre des erreurs. Le problème pédagogique est de déterminer ce que l’étudiant sait désormais observer, expliquer, contester et refaire sans que l’outil pense systématiquement à sa place. C’est précisément le terrain du Professeur-Coach Universitaire : organiser un enseignement où les ressources externes, y compris l’IA, servent une autonomie intellectuelle vérifiable.
IA générative en travaux dirigés : quelle est la vraie question pédagogique ?
Utiliser ChatGPT en TD n’est ni une méthode pédagogique en soi ni une fraude automatiquement caractérisée. Tout dépend des consignes du cours, des règles de l’établissement, des objectifs de la séance et de la part de travail confiée à l’outil. Un étudiant peut s’en servir pour clarifier une notion, proposer une contradiction, comparer deux explications ou identifier une erreur. Il peut aussi déléguer l’ensemble du raisonnement et ne conserver qu’un résultat élégant.
La question utile n’est donc pas seulement « L’étudiant a-t-il utilisé l’IA ? », mais « Que peut-il démontrer qu’il a compris grâce au travail accompli ? » Le professeur peut observer une hypothèse justifiée, une démarche vérifiable, une objection précise, un choix assumé ou une correction argumentée. Il évalue alors des preuves d’apprentissage plutôt que la seule apparence du rendu.
Cette perspective rejoint les recommandations de l’UNESCO sur l’IA générative dans l’éducation, qui mettent l’accent sur la pensée critique, l’approche centrée sur l’humain et la réduction des risques. Le débat dépasse les slogans « pour » ou « contre » ChatGPT : il concerne la conception des tâches et la responsabilité pédagogique.
Pourquoi une excellente réponse peut cacher une compréhension fragile
Imaginons deux groupes ayant remis une note de synthèse presque identique. Le premier a proposé ses hypothèses, vérifié ses données, utilisé l’IA pour formuler des objections puis réécrit son analyse. Le second a copié le sujet dans un chatbot et a conservé la réponse reçue. Le document final renseigne peu sur ces deux parcours.
On rencontre ici une distinction fondamentale : la performance observable d’un texte ne suffit pas à établir la compétence de son auteur. Une conclusion peut être exacte par hasard. Un raisonnement peut sembler familier quand on le lit, mais rester difficile à reconstruire. Une réponse fluide peut donner l’illusion d’une vérification qui n’a pas eu lieu.
Les résultats de l’IA doivent en outre être contrôlés. Les modèles produisent parfois des références inexistantes, des raisonnements insuffisamment fondés ou des assertions formulées avec trop d’assurance. Dans un exercice scientifique, juridique ou technique, ces défauts peuvent masquer une erreur substantielle. Inversement, une réponse imparfaite de l’étudiant peut révéler une réflexion féconde, précisément parce que le cheminement devient visible.
Le professeur doit donc déterminer les actes intellectuels qu’il refuse de déléguer : poser le problème, choisir une méthode, interpréter une preuve, évaluer les limites, défendre une décision. C’est une question d’autonomie d’apprentissage, pas simplement de maîtrise d’un logiciel.
La méthode « avant, avec et après l’IA » pour un TD de 60 minutes
Voici un scénario pédagogique proposé pour cet article, et non la reproduction d’un support officiel de formation. Il peut être adapté aux matières, aux effectifs, à l’accessibilité numérique et aux règles institutionnelles. Sa logique : rendre l’étudiant responsable d’une première décision, de l’usage critique d’une ressource et d’une restitution personnelle.
1. Avant l’IA : rendre visible une première hypothèse
Pendant les dix premières minutes, les étudiants travaillent sur papier ou dans un document individuel, sans assistant génératif. Chacun formule une réponse provisoire à trois questions : « Quel est le problème exact ? », « Quelle démarche choisirais-je ? » et « Sur quel point suis-je incertain ? »
Le professeur n’attend pas un corrigé parfait. Il veut une trace initiale. Une erreur argumentée vaut mieux, pour le diagnostic pédagogique, qu’une réponse empruntée et incomprise. On peut proposer une phrase à compléter : « Je penche pour cette solution parce que…, mais je dois vérifier… »
Ce moment protège une opération souvent oubliée : décider soi-même par où commencer. Il permet aussi de repérer les connaissances préalables réellement disponibles. Pour l’étudiant peu sûr de lui, l’objectif est atteignable : écrire une hypothèse, pas résoudre tout le problème d’un seul coup.
2. Avec l’IA : demander une contradiction, pas une solution complète
Viennent ensuite quinze minutes d’usage encadré, lorsque la politique du cours l’autorise. Les étudiants peuvent demander à l’outil de critiquer leur hypothèse, de signaler les données manquantes, de proposer un contre-exemple ou de poser des questions. Ils ne doivent pas présenter la sortie automatique comme une justification suffisante.
Un prompt utile pourrait être : « Voici notre hypothèse et ses raisons. Ne rédige pas le devoir à notre place. Identifie deux objections possibles, explique quelles données permettraient de les tester et pose-nous une question de vérification. » La tâche intellectuelle n’est plus de collectionner des formulations ; elle devient d’examiner leur résistance aux faits.
Le groupe conserve une petite trace : sa question initiale, la suggestion reçue, ce qu’il a retenu et ce qu’il a rejeté. Si l’outil affirme une information vérifiable, les étudiants doivent retrouver une source académique ou documentaire indépendante. L’IA peut suggérer une piste ; elle ne constitue pas, à elle seule, la preuve qui valide cette piste.
Le Guide de l’UNESCO insiste justement sur la nécessité de gérer simultanément possibilités pédagogiques et risques. Un cadre clair rend l’expérimentation moins naïve et la discussion plus constructive.
3. Après l’IA : défendre une décision sans assistance
Pendant quinze nouvelles minutes, l’outil est fermé. Chaque groupe doit rendre une décision commune et expliquer ce qui a changé entre sa première idée et sa conclusion. Le professeur demande : « Qu’avez-vous refusé dans la réponse de l’IA ? », « Quel fait vous a fait changer d’avis ? », « Dans quelles conditions votre solution ne fonctionnerait-elle plus ? »
Une dernière variation du problème vient ensuite. On modifie une donnée ou on introduit une contrainte : un budget diminue, une mesure devient incertaine, une règle change. Les étudiants disposent de quelques minutes pour adapter seuls leur raisonnement. Le transfert vers ce cas voisin est bien plus informatif qu’une répétition du texte généré.
Les vingt minutes restantes servent à comparer les choix, discuter les divergences et produire un retour bref. Le professeur enseigne les savoirs disciplinaires nécessaires ; il ne les remplace pas par des questions vagues. C’est une différence majeure entre accompagner l’apprentissage et abandonner l’étudiant devant une difficulté.
Trois exemples de TD où l’IA devient un objet de critique
En droit : construire une objection à une argumentation
Les étudiants lisent un cas fictif et identifient d’abord les faits, la question de droit et les règles applicables selon le système juridique étudié. L’IA peut proposer une argumentation adverse, mais chaque affirmation doit être confrontée aux textes et à la jurisprudence pertinents. Le groupe explique ensuite pourquoi il accepte ou rejette les arguments proposés.
La compétence à observer n’est pas l’aisance rédactionnelle : c’est l’identification des sources, la qualification juridique, la hiérarchie des arguments et la capacité de signaler les incertitudes. Aucune référence inventée par un chatbot ne doit devenir une autorité.
En sciences : repérer une hypothèse impossible
Dans un TD de physique ou de biologie, l’outil peut proposer une interprétation de résultats expérimentaux. Les étudiants cherchent d’abord une incohérence de grandeur, d’unité, de protocole ou de causalité. Ils reconstituent ensuite les calculs ou les étapes de raisonnement avec les données fournies.
Le professeur peut volontairement soumettre une sortie plausible mais insuffisamment justifiée. Les étudiants ne sont pas récompensés pour avoir cru ou contredit l’IA automatiquement : ils doivent montrer comment ils vérifient. L’observation d’un écart devient une compétence scientifique, pas un concours pour piéger une machine.
En économie ou en gestion : comparer des décisions conditionnelles
Deux options d’investissement semblent également raisonnables. Les étudiants déterminent d’abord les critères de choix. L’IA peut aider à lister des scénarios, mais les hypothèses, les données et les arbitrages restent à expliciter. Chaque groupe explique à quelles conditions il modifierait sa décision.
On peut ainsi observer une compétence transversale : raisonner avec une information incomplète. L’exercice ressemble davantage à une enquête qu’à une demande de corrigé automatique. Dans ces trois domaines, l’IA est une ressource parmi d’autres ; elle ne remplace ni le savoir disciplinaire ni la responsabilité de l’auteur.
Le rôle du Professeur-Coach Universitaire : questionner sans renoncer à enseigner
Le Professeur-Coach Universitaire reste un enseignant du supérieur. Il définit les exigences scientifiques, transmet les contenus nécessaires, fixe les critères d’évaluation et corrige les erreurs de fond. Il ajoute à cette responsabilité une posture qui amène les étudiants à examiner leurs propres décisions d’apprentissage.
Le tronc commun de Learning Coach comporte un module livré sur les fondamentaux du coaching. Une leçon consacrée à la posture du coach y distingue notamment l’orientation vers un objectif, la prise de conscience, l’usage des ressources et l’autonomie de la personne accompagnée. Une autre aborde l’humilité, la curiosité, la patience et la neutralité dans le questionnement. Ces principes peuvent inspirer un TD, sans signifier que les scénarios d’usage de ChatGPT décrits ici constituent un module universitaire déjà dispensé.
Concrètement, le professeur peut poser quatre questions successives : « Quel objectif poursuivez-vous ? », « Quelle ressource avez-vous mobilisée ? », « Quelle décision est vraiment la vôtre ? » et « Comment saurez-vous refaire ce travail sur un autre cas ? » Il ne se contente plus de mesurer la quantité de contenu produit. Il s’intéresse à l’évolution de la maîtrise.
Cette démarche s’inscrit dans le parcours de formation au Coaching d’Apprentissage, dont la présentation publique inclut la spécialité Professeur-Coach Universitaire. Il convient de vérifier sur cette page les modalités actuelles de candidature et de disponibilité de chaque parcours ; la présence d’une spécialité dans le catalogue ne vaut pas certification acquise.
Quatre preuves d’apprentissage à recueillir, sans alourdir les corrections
Le premier indicateur est la trace initiale : l’étudiant a-t-il identifié la difficulté et proposé un début de démarche avant l’utilisation de l’outil ? Une phrase claire et datée peut suffire.
Le deuxième est la modification argumentée : sait-il expliquer pourquoi sa position a changé ? On ne cherche pas à récompenser le changement pour lui-même. Parfois la première intuition était juste et la discussion avec l’IA l’a simplement renforcée.
Le troisième est la vérification externe : les étudiants distinguent-ils une affirmation séduisante d’une donnée contrôlée ? Selon le cours, on attendra une référence, un calcul, une observation ou une comparaison méthodique.
Le quatrième est la réutilisation autonome : l’étudiant peut-il résoudre une variation courte sans ouvrir la conversation précédente ? Ce test n’a pas besoin d’être long ou anxiogène. Il peut prendre la forme d’une décision à expliquer oralement en deux minutes.
Ces indicateurs constituent une grille pédagogique adaptable, pas une échelle psychométrique validée. Ils offrent une manière de rendre visibles les étapes de l’activité cognitive et de fournir un feedback précis. Le professeur peut ensuite choisir une compétence prioritaire plutôt que rédiger un commentaire générique sur l’ensemble du devoir.
Les outils du Coach d’Apprentissage illustrent cette attention portée à l’observation, aux stratégies et à la progression. Leur présentation publique ne doit toutefois pas être interprétée comme la validation automatique d’un protocole d’évaluation de l’usage de l’IA.
Encadrer l’usage de ChatGPT : des règles équitables et explicites
Un TD conçu autour de l’IA doit annoncer les règles avant de commencer. Quel usage est autorisé ? À quelles étapes ? Quelles données ne doivent pas être saisies ? Quelle déclaration d’assistance est attendue ? Que faire lorsqu’un étudiant ne dispose pas du même accès que les autres ?
Le respect de la confidentialité est essentiel : ne pas verser dans un outil externe des copies nominatives, des données personnelles, des dossiers de patients, des informations d’entreprise protégées ou des travaux de recherche confidentiels sans autorisation et garanties adaptées. Les enseignants doivent suivre les règles de leur établissement, y compris lorsque celles-ci interdisent certains services.
L’équité compte autant que la transparence. Un exercice ne devrait pas avantager mécaniquement ceux qui disposent d’un abonnement payant, d’une connexion rapide ou d’une meilleure maîtrise linguistique. On peut prévoir un accès institutionnel commun, un travail collaboratif encadré ou une version entièrement réalisable sans IA.
L’UNESCO signalait en septembre 2025, à partir d’une enquête auprès de 400 répondants liés à ses réseaux universitaires dans 90 pays, que les établissements développaient des cadres très divers et rencontraient des difficultés éthiques, notamment autour de la dépendance aux outils et de l’attribution des travaux. Ce résultat décrit un échantillon de répondants, pas la totalité des universités du monde. Il rappelle l’importance de règles locales discutées avec les équipes et les étudiants : lire l’enquête UNESCO.
Enfin, le professeur ne doit pas présenter un détecteur automatique de texte généré comme preuve incontestable de fraude. Une décision académique exige un cadre institutionnel, une procédure contradictoire et des éléments examinés de manière responsable.
Et si l’IA était interdite pendant le TD ?
La méthode demeure utile. Remplacez le chatbot par une solution contradictoire préparée par l’enseignant, un article, une copie anonymisée avec autorisation, un autre groupe ou une note de recherche. Les étudiants peuvent toujours poser une hypothèse, critiquer une ressource et transférer leur compréhension vers un nouveau cas.
C’est un point décisif : une bonne pédagogie ne doit pas dépendre d’un produit technologique particulier. L’IA peut rendre disponibles de nouvelles contradictions et explications, mais le cœur du travail consiste toujours à construire, comparer, expliquer et vérifier.
Le professeur peut donc choisir différents degrés d’intégration. Dans un premier temps, une tâche sans outil établit les acquis de départ. Dans un deuxième temps, l’IA sert à la confrontation. Dans un troisième temps, un exercice individuel sans assistance permet de constater les acquis. Aucun de ces moments n’a vocation à devenir une règle universelle : l’objectif disciplinaire reste prioritaire.
Trois questions à donner aux étudiants avant de fermer le chatbot
La première : « Quelle partie de cette réponse serais-je incapable de défendre si quelqu’un m’interrogeait ? » Elle invite à repérer la compréhension superficielle, sans humiliation.
La deuxième : « Sur quelle preuve indépendante puis-je m’appuyer ? » Elle reconnecte la discussion avec l’IA aux méthodes du domaine : sources, mesures, calculs, expériences ou observations.
La troisième : « Comment pourrais-je résoudre un cas voisin sans reproduire cette conversation ? » Elle transforme le résultat obtenu en point de départ d’une stratégie transférable.
On peut terminer la séance par un court journal d’apprentissage : « Je pensais que… ; la confrontation m’a fait remarquer… ; la prochaine fois, je commencerai par… » Ce texte peut rester privé ou servir à un dialogue formatif, selon le contexte. L’essentiel est de replacer la conscience de la démarche entre les mains de l’étudiant.
Pour approfondir la réflexion sur l’autonomie et les méthodes d’apprentissage, les enseignants peuvent consulter la bibliothèque des livres Learning Coach. Les fiches individuelles de certains ouvrages n’étant pas vérifiables ici, ce lien renvoie volontairement au catalogue français plutôt qu’à une page de livre supposée.
FAQ : IA et pédagogie universitaire
Peut-on autoriser ChatGPT pendant un examen ou un TD noté ?
Cela dépend des objectifs et du règlement académique. Pour une activité évaluée, le professeur doit définir explicitement les usages permis, la manière de déclarer l’assistance et les compétences qui seront jugées. Une autorisation pour explorer des idées ne signifie pas nécessairement une autorisation pour générer l’intégralité d’une réponse.
Comment savoir si l’étudiant a réellement compris ?
Aucun indice isolé ne suffit. Il faut croiser une trace de réflexion personnelle, une explication orale ou écrite, une vérification de sources et, lorsque cela convient, une tâche proche réalisée sans assistance. L’objectif est d’obtenir des éléments positifs de maîtrise, pas de deviner le parcours de l’étudiant uniquement à partir du style de son texte.
Le Professeur-Coach Universitaire remplace-t-il le professeur traditionnel ?
Non. Il conserve sa responsabilité d’enseignant, d’expert disciplinaire et d’évaluateur. Il ajoute une démarche d’accompagnement visant à rendre les stratégies d’apprentissage plus visibles et les étudiants progressivement plus autonomes. Ce rôle est distinct de celui du Coach Universitaire qui accompagne individuellement des étudiants sur leurs méthodes, leur organisation ou leur orientation.
Faut-il enseigner la rédaction de prompts ?
Oui, lorsque cet apprentissage répond aux objectifs du cours, mais il ne doit pas devenir une fin en soi. Savoir formuler une demande précise est utile ; savoir détecter une erreur, questionner une source et prendre une décision argumentée l’est davantage. Le critère décisif reste le raisonnement de l’étudiant.
La réponse appartient peut-être à la machine, le raisonnement doit rester visible
Nous ne savons pas quelles interfaces les étudiants utiliseront dans cinq ans. Nous savons en revanche que l’enseignement supérieur devra continuer à former des personnes capables de décider, de justifier, d’apprendre de leurs erreurs et de travailler avec des ressources nouvelles.
Un TD réussi n’est pas celui où le professeur a confisqué tous les outils. Ce n’est pas non plus celui où chacun remet le texte le plus convaincant. C’est celui où la connaissance disciplinaire et la confrontation critique aboutissent à une compétence que l’étudiant peut reconnaître, expliquer et réutiliser.
Pour explorer une posture pédagogique qui conjugue transmission, questionnement et autonomie, découvrez les dix spécialités et les conditions actuelles de candidature au parcours Learning Coach. La spécialité Professeur-Coach Universitaire y est présentée parmi les possibilités, sous réserve des modalités de formation effectivement proposées.
