Un étudiant remet un dossier convaincant, bien structuré et correctement formulé. Une partie a été préparée avec une intelligence artificielle. Le travail mérite peut-être une bonne appréciation ; il reste à déterminer ce que l’étudiant sait expliquer, choisir et accomplir.
Cette tension traverse l’enseignement supérieur. Elle rend particulièrement actuel le thème de la Rencontre Internationale de la Pédagogie Universitaire : comment articuler l’IA générative et l’approche par compétences pour enseigner, apprendre et évaluer ?
RIPU26 est annoncée les 30 et 31 octobre 2026 à Sousse, en Tunisie. Pour les responsables universitaires francophones, le programme invite à examiner une question centrale : quelles observations rendent un jugement sur les compétences digne de confiance lorsque les productions peuvent être assistées ?
Cet article est un aperçu préparé le 27 octobre 2026. Il analyse les thèmes annoncés ; il ne rapporte pas les résultats du colloque et ne revendique aucune participation de Learning Coach.
Sousse, en Tunisie : les repères à retenir
Le site de l’organisateur présente RIPU26 comme la deuxième édition internationale d’une rencontre consacrée à la pédagogie universitaire. Le thème associe intelligence artificielle générative et approche par compétences.
Le programme public prévoit des plénières, des communications, des ateliers et des posters. Les modalités pratiques et les horaires doivent être vérifiés auprès de l’organisateur : les pages d’information et les programmes peuvent évoluer jusqu’à l’événement.
Pour préparer une lecture utile du programme, nous proposons de distinguer trois niveaux : les sujets annoncés, les arguments qui seront présentés et les résultats qui pourront être consultés. L’intitulé d’une communication indique une question de travail. Il ne démontre pas à lui seul l’efficacité d’une approche.
Premier débat : que veut-on dire lorsque l’on affirme évaluer une compétence ?
Dans ce dossier, nous entendons par compétence la capacité à mobiliser des connaissances, des méthodes et des ressources pour répondre à une situation. Cette définition de travail invite à examiner l’action et le raisonnement, au-delà de la qualité apparente d’un livrable.
Une production assistée peut être pertinente. Un professionnel utilise déjà des outils, consulte des ressources et échange avec d’autres personnes. Le problème apparaît lorsque l’évaluation ne permet plus de savoir quelle maîtrise attribuer à l’étudiant.
Prenons un projet d’ingénierie. Un rapport peut présenter une solution techniquement plausible. L’équipe pédagogique peut vouloir savoir si son auteur sait expliquer les hypothèses, reconnaître une limite, interpréter un résultat inattendu et réviser son choix.
L’IA modifie donc les questions à poser à la production. Elle pousse à préciser ce que l’étudiant doit maîtriser personnellement et ce qu’il peut réaliser avec des aides explicitement définies.
Deuxième débat : la correction assistée juge-t-elle ce que l’on souhaite mesurer ?
Le programme de RIPU26 annonce des travaux sur la correction assistée par IA, l’accord entre correcteurs et le retour aux étudiants. Il s’agit de pistes annoncées, dont les méthodes et résultats demanderont un examen.
La question d’une équipe universitaire ne peut pas se limiter au temps de correction. Elle doit aussi porter sur les critères appliqués et sur les erreurs qui comptent pour la discipline.
Un système peut produire un commentaire fluide sans repérer une hypothèse essentielle. Il peut valoriser une réponse bien formulée alors que le raisonnement comporte une faiblesse. À l’inverse, une formulation maladroite peut accompagner une idée pertinente.
Pour discuter un dispositif, nous proposons de demander comment les désaccords sont examinés. Qui contrôle les décisions difficiles ? Quels exemples permettent de vérifier le fonctionnement ? Comment les étudiants peuvent-ils comprendre le retour reçu ?
Ce sont des questions de conception et de responsabilité. Elles ne présument ni de l’échec ni de la réussite d’un outil particulier.
Troisième débat : les projets donnent-ils assez d’informations sur les apprentissages ?
L’agenda aborde également les projets de fin d’études et l’évolution de leur encadrement. Ce thème mérite une attention particulière, car un projet s’étend dans le temps et peut combiner des contributions multiples.
Une soutenance finale peut apporter des informations précieuses, mais sa fonction doit être pensée. Demander seulement un résumé du dossier risque de reproduire la logique du livrable. Demander de discuter un choix, d’examiner une variante ou d’expliquer une difficulté permet d’aborder d’autres dimensions.
Un suivi de projet peut aussi conserver quelques moments de décision : une première proposition, un obstacle rencontré, une modification et sa justification. L’objectif n’est pas de multiplier les traces administratives. Il est de choisir celles qui aident réellement à comprendre la progression.
Dans un travail collectif, la question se double d’une autre : que peut-on attribuer au groupe et que sait faire chaque étudiant ? Les modalités retenues doivent permettre de rendre ces deux niveaux suffisamment visibles.
Quatrième débat : un badge rend-il la compétence plus lisible ?
Le programme annonce un atelier sur les badges numériques liés aux compétences en IA. Ce format peut ouvrir un débat utile sur les informations associées à une reconnaissance.
Un intitulé comme « maîtrise de l’IA » reste trop large pour permettre à un lecteur de comprendre ce qui a été démontré. L’enjeu est de décrire la tâche, les critères, les conditions et la personne ou l’institution qui porte le jugement.
Nous proposons quatre questions pour examiner une reconnaissance : que le titulaire a-t-il accompli ? Avec quelles aides ? Sur quelles preuves repose la décision ? Dans quelles situations cette preuve reste-t-elle pertinente ?
Ces questions concernent la lisibilité du jugement, quelle que soit sa présentation. Une nouvelle forme de certificat ne dispense pas de préciser ce qui est attesté.
Un éclairage international : préparer à travailler avec l’IA et vérifier les acquis
Les travaux de l’agence australienne TEQSA sur la réforme de l’évaluation fournissent un point de comparaison. Le document de 2023 propose des orientations pour gérer les risques et les possibilités de l’IA générative dans l’enseignement supérieur.
Une ressource complémentaire publiée en septembre 2025 examine plusieurs voies de réforme : à l’échelle d’un programme, de chaque unité d’enseignement ou par une combinaison des deux. Elle rappelle l’importance de jugements fondés sur plusieurs modalités adaptées au contexte.
Ces documents sont des ressources d’orientation, pas la preuve qu’un modèle unique convient à toutes les universités. Leur contexte réglementaire est australien et ne se transpose pas automatiquement en Tunisie, au Maroc ou en France.
Notre lecture est qu’ils aident à formuler deux exigences complémentaires : préparer les étudiants à utiliser l’IA avec discernement et disposer d’informations crédibles sur leurs acquis. L’une ne supprime pas l’autre.
La perspective Learning Coach : partir du jugement que l’on veut pouvoir porter
Nous proposons de concevoir l’évaluation en remontant depuis la décision attendue. Si l’équipe veut affirmer qu’un étudiant sait analyser une situation, quelles observations lui permettront de le dire ?
Cette démarche rend visibles les écarts entre l’intitulé d’une compétence et les informations réellement recueillies. Elle permet aussi de discuter l’utilité de chaque activité.
| Jugement visé | Observation à envisager | Limite à examiner |
|---|---|---|
| L’étudiant comprend une proposition | Explication d’un choix et de ses hypothèses | Une réponse préparée peut masquer une compréhension fragile |
| Il sait vérifier une réponse assistée | Repérage et discussion d’une erreur ou d’une source | La tâche doit permettre d’observer sa démarche |
| Il sait adapter une méthode | Traitement d’une variante de la situation | La difficulté doit rester cohérente avec l’objectif |
| Il sait conduire un projet | Décisions argumentées à plusieurs étapes | Les traces doivent être proportionnées |
| Il sait collaborer | Contribution identifiable et discussion collective | La réussite du groupe ne décrit pas chaque membre |
Cette grille est une proposition éditoriale Learning Coach. Elle ne constitue ni un instrument validé ni une conclusion de RIPU26.
Trois arbitrages à discuter entre responsables et enseignants
Le premier concerne le périmètre des aides autorisées. Une consigne devrait permettre aux étudiants de comprendre ce qu’ils peuvent utiliser et ce qu’ils devront démontrer personnellement. L’ambiguïté complique aussi le travail des évaluateurs.
Le deuxième porte sur les ressources nécessaires. Une nouvelle modalité peut demander de la préparation, de la coordination ou du temps d’échange. Une université doit examiner cette charge avant d’en faire une règle générale.
Le troisième concerne l’équité. Les outils disponibles, les conditions de participation et les modalités de démonstration peuvent créer des difficultés différentes selon les étudiants. Les aménagements doivent préserver l’objectif évalué tout en tenant compte des besoins réels.
Ces arbitrages gagnent à être discutés collectivement. Une succession de décisions isolées peut rendre un parcours difficile à comprendre, même lorsque chaque enseignant agit avec attention.
Comment exploiter un colloque sans transformer les annonces en certitudes ?
Avant l’événement, une délégation universitaire peut choisir une question à documenter : correction assistée, suivi des projets ou lisibilité d’une compétence. Elle identifie ensuite les sessions qui éclairent réellement ce besoin.
Pendant les échanges, il est utile de demander quelles données sont disponibles, dans quel contexte elles ont été recueillies et quelles limites les auteurs reconnaissent. Un retour d’expérience et une étude comparative apportent des informations différentes.
Après le colloque, la restitution peut distinguer ce qui a été appris, ce qui reste à vérifier et ce qui mérite un essai local. Une équipe peut reprendre une évaluation existante et examiner si elle permet toujours de porter le jugement attendu.
Pour prolonger la réflexion sur les activités d’apprentissage elles-mêmes, notre dossier sur les méthodes d’apprentissage et les sciences cognitives offre une lecture complémentaire.
Le débat ouvert par RIPU26 dépasse la question de l’outil autorisé. Il invite les universités à préciser la signification de leurs évaluations : que pouvons-nous affirmer sur les acquis d’un étudiant, et à partir de quelles observations ?
Ressources
TEQSA — Assessment Reform for the Age of Artificial Intelligence, 2023.
TEQSA — Enacting Assessment Reform in a Time of Artificial Intelligence, septembre 2025.
Programme susceptible d’évoluer. Les analyses et grilles proposées ne sont pas des conclusions de l’événement.
