Rédiger ses devoirs et travaux avec les IA génératives : Outiller l'apprentissage plutôt que surveiller la fraude.

94% des étudiants utilisent déjà l'IA générative pour leurs travaux évalués. Le débat « faut-il l'autoriser » est clos ; la question devient : comment concevoir des devoirs où l'IA fait apprendre plutôt que désapprendre ?

Cet atelier s'appuie sur une thèse expérimentée expérimentalement : le même outil, sur la même tâche, produit soit un effondrement des acquis (−17 % à l'examen), soit un doublement des gains d'apprentissage (+127 %). La variable n'est pas l'outil, mais la conception de la tâche et le type de sollicitation. L'intégrité académique devient alors une conséquence de la méthode, non une contrainte externe.

Les participants vivent d'abord le parcours de l'étudiant — un protocole en six étapes qui situe, pour chaque phase d'un devoir, les outils légitimes, leur apport d'apprentissage et leurs garde-fous — puis le transposent à leur pratique : niveaux d'usage par évaluation (échelle AIAS), évaluation du processus, déclaration d'usage, citation selon la norme APA de septembre 2025. Quatre options institutionnelles sont proposées en aide à la décision, sans cadre prescrit : les institutions décident. Toutes les données présentées sont sourcées et datées (vérification septembre 2026).

Objectifs

À l'issue de cette classe de maitre, les participants seront capables de :

• Argumenter auprès de collègues pourquoi aucune discipline n'est à l'abri et pourquoi la détection automatique ne protège ni l'étudiant ni l'enseignant.

• Appliquer le protocole en six étapes (décodeur la consigne, se documenter, structurer, rédiger, réviser, s'auto-évaluer) et associer à chaque étape des outils nommés, leur apport d'apprentissage et leur risque d'intégrité.

• Situer une évaluation sur l’échelle AIAS et rédiger une consigne qui fixe le niveau d’utilisation attendu.

• Produire ou faire produire une déclaration d'usage conforme et citer une conversation avec une IA selon la norme APA en vigueur depuis septembre 2025.

• Choisir , parmi quatre options de conception (devoir IA-intégré, évaluation du processus en trois jalons, devoir « critique de sortie d'IA », charte co-construite), celles à rapporter et adapter dans leur établissement.

• Identifier l'enjeu d'équité d'accès (outils gratuits bridés vs payants) comme dimension de l'intégrité et le porter devant leur institution.

Contenus abordés

1. État des lieux chiffré : usage quasi universel, plagiat brut marginal mais délégation cognitive de masse ; écart entre usage étudiant et accompagnement institutionnel
2. Ce que l'IA fait à l'apprentissage : 
   1. dette cognitive
   2. paresse métacognitive
   3. effet béquille
   4. biais cognitif : aucune discipline à l'abri
3. Le pivot : le réel danger de l'IA Générative
4. L'IA qui fait apprendre : modes apprentissage natifs (ChatGPT Study Mode, Gemini Guided Learning, Claude Learning Mode) ; les sept rôles de Mollick & Mollick, dont l'inversion « l'étudiant enseigne, l'IA joue l'élève » ; règle de sollicitation — demander la question, la faille, le contre-argument, jamais la réponse.
5. Les limites de la détection et ce qui protège vraiment : la trace de processus.
6. Trousse d'outils en six étapes : NotebookLM, Perplexity, Consensus, Elicit, Semantic Scholar, Connected Papers, Research Rabbit, Antidote, Grammarly, LLM en critique/recteur/évaluateur ; règle du brouillon humain d'abord ; 3 erreurs qui coûtent des points.
7. Équité et qualité : écarts gratuit/payant, tarifs étudiants, déplacement du problème de l'intégrité vers l'accès.
8. Cadre, transparence et citation : échelle AIAS ; gabarit de déclaration d'usage en 5 lignes ; norme APA du 9 septembre 2025 et le cadre québécois
9. 4 options institutionnelles : devoir IA-intégré, évaluation du processus sur trois jalons avec entretien de validation, devoir « critique de sortie d'IA », charte de cours co-construite.

Public visés

• Les enseignes de l'enseignement supérieur (et du secondaire supérieur) souhaitent mieux calibrer la charge de travail de leur cours et concevoir des supports plus efficaces.

• Conseillers et ingénieurs pédagogiques accompagnant des équipes enseignantes dans la conception ou la refonte de cours, de programmes ou de dispositifs hybrides/à distance.

• Responsables de programmes et coordinateurs de filière concernée par la répartition de la charge étudiante entre les cours d'un même semestre.

• Concepteurs de formations (formation continue, e-learning) confrontés à l'estimation du temps d'apprentissage.

• Aucune maîtrise technique préalable n'est requise. Les participants vivent d'abord le parcours étudiant, puis le transposent à leur rôle ; les 2 niveaux de lecture sont balisés tout au long de la classe de maitre. Il est toutefois recommandé d'apporter un devoir ou une consigne d'évaluation réelle.

Valeur ajoutés

1. Un changement de cadre, pas un catalogue d'outils : l'atelier sort du débat stérile pour interdire ou tolérer. L'intégrité y devient un résultat de la pédagogie, ce qui redonne du pouvoir d'agir aux enseignants.
2. Une base scientifique récente et entièrement vérifiée : chaque diapo de contenu s'appuie sur une ou deux références datées (2023-2026), dont les résultats contradictoires sont affichés plutôt que masqués. Les participants peuvent réutiliser cet appareil de sources dans leur propre établissement.
3. Du COMMENT : protocole en 6 étapes, matrice outils / apport / risque / accès distribuable, gabarit de déclaration d'usage, prompts qui font apprendre vs prompts qui font échouer, échelle AIAS.
4. Des informations à jour que la plupart des guides institutionnels n'ont pas encore intégrés : norme APA du 9 septembre 2025, modes d'apprentissage natifs des grands outils, données HEPI 2026, nuance 2026 sur le biais des détecteurs.
5. L'enjeu d'équité rendu visible : l'atelier nomme franchement le fossé entre outils gratuits bridés et outils payants

Grégoire Aribaut Conseiller Pédagogique et Technopédagique Novagogia

Biographie    Grégoire ARIBAUT est aujourd’hui Conseiller Pédagogique et Technopédagique dans le secteur universitaire. Son parcours s’appuie sur trois (3) axes ; diplômé d’une Maîtrise en Arts Plastiques et d’un MBA en Communication, il s'intéresse tout d’abord aux mécaniques d’écriture et de lecture en Arts Visuels puis dans le domaine de la publicité avant de poursuivre avec une Maîtrise en Conseil et Ingénieries de la formation. Il travaille aujourd’hui sur l'analyse des données d'apprentissage (EDM) pour comprendre les causes de rejet de l’innovation pédagogique et des bonnes pratiques en enseignement et apprentissage. Depuis 2023, il intègre les Intelligences Artificielles Génératives (IAG) dans sa gestion de projet et le développement des contenus stratégiques comme pédagogiques. Dans un contexte qui  va de l’enseignement en salle sans assistance technopédagogique jusqu’à l’enseignement en ligne autoportant en passant par le comodal et le bimodal pour l’enseignement hybride, il accompagne des équipes projet et des enseignants pour intégrer l’hybridité et l’IAG dans l’enseignement.