Vous êtes à deux doigts de tomber…

Une occasion qui tombe à point nommé pour faire le bilan de ce qu’on a appris de l’IA, de vous et surtout de nos expériences de corrections de copies.

Alors on ne va pas se mentir. Si on est bien souvent tombés juste, il nous est aussi arrivé de tomber sur un os, tomber des nues et même d’avoir envie de laisser tomber.

Mais on s’accroche ! Parce que ça tombe sous le sens : bien utilisée, l’IA est un assistant redoutablement efficace pour les profs.

Voici donc 3 idées reçues que l’on aimerait voir tomber et 3 enseignements sur lesquels on est tous tombés d’accord.

3 idées qui vont tomber en désuétude

🐧 1. « La correction des maths doit bien fonctionner puisque ce sont des corrections binaires... mais jamais une IA ne pourra corriger du français et des rédactions longues ! »

Contre-intuitif ? Oui.
Faux ? En effet.

D’abord, parce que les LLM sont bien plus à l'aise avec le langage « naturel » qu'avec celui des maths ou du code. Autrement dit, ils préfèrent corriger un sujet d'invention plutôt qu’évaluer une équation du premier degré — ou pire, un exercice de géométrie.

Ensuite, parce qu’en mathématiques, la moindre erreur de transcription peut faire s’écrouler tout l’édifice. Un 9 lu comme un 6, c’est toute la correction qui part à la trappe. En français, une lettre mal reconnue a (souvent) beaucoup moins d’impact sur l’évaluation globale.

Bref, penser que les IA seraient forcément meilleures en maths parce qu’elles reposent sur des règles mathématiques et probabilistes c’est comme croire que les humains devraient être naturellement doués en biologie.

Vous voyez le raccourci ?

🐧 2. « L'IA se renforce au fur et à mesure des évaluations traitées donc elle est de plus en plus performante ! »

Cassons le mythe tout de suite : notre IA n'apprend pas des copies qu’elle corrige.

Et c’est une très bonne chose !

L’inverse poserait deux sérieux problèmes :

• Utiliser les données (protégées) de nos utilisateurs pour entraîner un modèle, sans leur consentement explicite ;

• Entraîner l’IA sur des données impossibles à contrôler ou à qualifier.

That would be bad !

Bien sûr, il est possible de spécialiser un modèle sur des données comme des copies. Mais c’est long, énergivore, coûteux, et le résultat est loin d’être garanti.

Car vous le savez mieux que personne : il y a autant de manières de corriger qu’il y a de profs.

La bonne nouvelle, c’est qu’il existe des leviers bien plus efficaces pour améliorer la qualité d’une correction.

Et c’est précisément là qu’on a choisi de concentrer nos efforts.

🐧 3. « La principale limite de votre outil, ça doit être les copies illisibles de certains élèves, non ? »

Ça arrive, mais rarement. Et, dans ces cas-là, les profs n’y arrivent pas toujours non plus !

En réalité, ce sont des petits signes beaucoup plus discrets (et hélas moins rares) qui mettent davantage notre système à l’épreuve : des questions non numérotées, plusieurs versions d’une même évaluation, ou encore des réponses interverties par un élève étourdi.

3 enseignements sur lesquels on est tombé d’accord

🐧 1. « La clé d'une bonne notation vient de la qualité du barème transmis plus que celle du corrigé. »

Après 365 jours et des milliers d'évaluations corrigées, c’est clair comme de l’eau de roche : ce qui fait la qualité d’une notation, c’est le barème transmis.

Un corrigé très détaillé — typiquement en rédaction — a tendance à rigidifier la correction et à la rendre plus sévère.

À l’inverse, un barème détaillé, explicite et structuré par paliers de réussite permet à l’IA d’évaluer de façon équilibrée, fiable et précise.

Alors, pour vous faciliter la vie, on développe en ce moment même un outil capable de générer des barèmes plus fins, avec des paliers de maîtrise, à partir de n’importe quel sujet ou grille d’évaluation.

Stay tuned ! On vous en parle dans la newsletter de la semaine prochaine...

🐧 2. « La clé d'une bonne remédiation vient de la pertinence des savoir-faire détectés et des observations générées sur chaque copie. »

C'est justement notre botte secrète chez Ed !

On a passé un temps colossal à concevoir, réécrire et affiner ces savoir-faire et ces observations (erreurs fréquentes, éléments à valoriser), en tenant compte des spécificités de chaque discipline.

Et aujourd’hui, on travaille avec des profs d’histoire-géographie, de philosophie, de SVT, de physique-chimie, d’anglais ou encore de SES pour que ces outils profitent bientôt aux enseignants de ces matières.

Pourquoi est-ce si important ?

Parce que ce sont ces observations qui nous permettent de proposer des exercices de remédiation vraiment adaptés à chaque élève. Pas génériques. Juste adaptés.

🐧 3. « Le meilleur outil de correction, ce n'est pas celui qui corrige parfaitement mais celui qui permet au prof d'ajuster rapidement la correction. »

S’il ne fallait retenir qu’un enseignement, ce serait sans doute celui-là.

La correction est un processus complexe et profondément subjectif, intimement lié à la relation que chaque prof entretient avec ses élèves.

En un an, et pour la majorité des évaluations, notre IA s’approche d’écarts inférieurs à 2 points par rapport à la note qu’aurait mise le prof. 

(Oui on fanfaronne un peu ! Mais vu la complexité du sujet, il y a de quoi être fiers).

Mais ce qui rend notre système réellement utile, ce n’est pas seulement sa capacité à évaluer juste. C’est aussi et surtout sa capacité à permettre au prof d’identifier rapidement une incohérence et de la corriger tout aussi vite.

On a déjà franchi une étape importante avec la possibilité de relancer une correction en quelques minutes après ajustement du barème.

Et ce n’est que le début !

Conclusion

En un an, on a vu des idées tomber, des certitudes vaciller et des usages s’installer.

On ne tombe pas dans l’IA par hasard. Il faut un projet. Un projet qui assiste l’humain, renforce son expertise et le laisse maître à bord.

C’est ce qu’on compte poursuivre cette année. Et contrairement à ce qu’en penserait Jacques Higelin, ça ne va pas tomber du ciel 🎵.