L'intelligence artificielle générative oblige les hautes écoles à revoir leur manière d'enseigner et d'évaluer. C'est la thèse de Dan Schwartz, spécialiste des sciences de l'apprentissage, dans un entretien publié le 23 septembre 2026 par l'EPFL (propos recueillis par Cécilia Carron). Pour lui, l'enjeu dépasse la question d'autoriser ou non ces outils en classe : il s'agit de redéfinir ce que les étudiantes et étudiants doivent réellement apprendre.
Professeur de technologies éducatives à la Stanford Graduate School of Education et directeur du Stanford Accelerator for Learning, le chercheur était en Suisse début septembre pour le lancement de CLUE, le nouveau centre commun de l'EPFL et de l'ETH Zurich consacré aux sciences de l'apprentissage. Précision utile : il s'agit d'un entretien, pas de la présentation d'une étude. Les propos rapportés relèvent de l'analyse et des pistes d'un spécialiste, non de résultats expérimentaux publiés.
Un décalage entre étudiants et enseignants
Dan Schwartz rappelle qu'au Ve siècle avant notre ère, Socrate craignait déjà que l'écriture détruise la mémoire des gens et leur capacité à distinguer le vrai du faux. Il observe aujourd'hui plusieurs attitudes dans les hautes écoles : des enseignants qui introduisent l'IA dans leurs cours après l'avoir adoptée dans leurs recherches, certains qui développent des outils propres à leur discipline (par exemple un outil comparant la vidéo d'un chirurgien novice avec celle d'un expert pour identifier les différences entre leurs gestes), d'autres qui cherchent surtout à empêcher la triche, et enfin ceux qui refusent l'IA en bloc.
Selon lui, la difficulté tient au fait que « les outils d'IA sont particulièrement performants pour réaliser le type de tâches que nous donnons traditionnellement aux étudiants ». D'où un décalage : pour certaines tâches d'apprentissage, les étudiants sont en avance ; pour la recherche et les problèmes complexes, c'est le corps enseignant.
Mesurer la capacité à apprendre
Sur l'évaluation, sa position est nette : puisque les étudiants utiliseront ces outils dans leur vie professionnelle, « pourquoi ne pas également les laisser les utiliser lors de l'examen final et revoir la manière d'évaluer ? » Il fait le parallèle avec les débats sur la calculatrice, qui posaient déjà la question de ce qu'un élève doit absolument savoir faire seul.
Il distingue deux objectifs : mesurer la maîtrise d'un contenu enseigné, ou mesurer la capacité à apprendre ce qui viendra ensuite. Pour le second, il esquisse une piste : une évaluation qui observerait comment une personne apprend en résolvant un problème. Une IA pourrait repérer qu'elle répète sans cesse une stratégie qui ne fonctionne pas, et observer si elle parvient à en essayer une nouvelle. C'est une perspective, formulée au conditionnel, et non un dispositif existant.
Ce qu'il faut encore savoir
« Il faut savoir suffisamment de choses pour pouvoir interpréter ce qu'elle produit », souligne Dan Schwartz. Certaines connaissances doivent devenir automatiques, comme comprendre un mot à la lecture. D'autres, comme la proportionnalité ou les pourcentages en mathématiques, sont des concepts fondamentaux à comprendre en profondeur. En revanche, une procédure sans concept fondamental derrière pourrait, selon lui, être confiée à l'IA.
Des cours à reconcevoir
« Nous sommes encore en pleine phase d'expérimentation », reconnaît le chercheur. Ce qui l'intéresse, ce sont les situations où l'IA aide l'être humain plutôt qu'elle ne prend sa place. Dans un cours magistral, l'IA peut prendre des notes, ce qu'il juge peu intéressant. Lors d'un travail en petits groupes, un système pourrait en revanche remarquer qu'une personne monopolise la parole et suggérer qu'un autre étudiant pose une question, ou soutenir des enseignants débutants. Des formes de collaboration qu'il qualifie de « prometteuses », sans les présenter comme déjà déployées.
Quant au risque de voir les étudiants poser toutes leurs questions à l'IA, il le relativise. Mais « si tout le cours est conçu de telle manière que les réponses de l'IA suffisent systématiquement, alors il y a probablement un problème dans la conception du cours ». Il admet que repenser un cours représente énormément de travail, tout en estimant qu'à un moment donné, continuer exactement comme avant ne fonctionnera plus.
S'adapter et inclure
Pour préparer les étudiants à un monde qui change vite, Dan Schwartz pointe une difficulté sous-estimée : reconnaître qu'une situation exige d'apprendre quelque chose de nouveau. Il plaide pour une attitude d'ouverture face à la nouveauté, des stratégies pour donner du sens à de nouvelles informations et une base de connaissances suffisamment solide. Il cite aussi un enseignant d'anglais, dont un membre de la famille était sourd, qui a créé grâce à l'IA un outil capable de lire un texte et de produire un personnage utilisant la langue des signes, un produit trop spécifique pour intéresser une grande entreprise.
CLUE, le cadre suisse
CLUE (Joint Center for Research on Learning, Understanding and Education) a été officiellement lancé le 10 septembre à Berne. Hébergé à l'EPFL par le Centre des sciences de l'apprentissage (LEARN), créé en 2018, il vise à développer une recherche multidisciplinaire sur l'apprentissage humain, à former une nouvelle génération de spécialistes et à rapprocher la recherche des pratiques de terrain. L'intelligence artificielle figure parmi ses thèmes, notamment avec l'initiative RAISE (Responsible AI for Swiss Education). Le centre prévoit aussi de travailler sur la formation continue des enseignantes et enseignants. Ce sont, à ce stade, des objectifs annoncés.
