Correction Assistée par IA et Retour Personnalisé dans de Grandes Classes de Science Politique — Un Essai Randomisé Multi-Universitaire Mené à Houston

Corriger des questions à réponse courte à grande échelle est l'une des tâches les plus chronophages de l'enseignement dans les grandes classes universitaires, ce qui pousse de nombreux enseignants vers des tests à choix multiples, laissant moins de place aux étudiants pour développer et démontrer leur esprit critique. Une équipe de l'Université de Houston, de l'Université de Caroline du Sud, de l'Academia Sinica, de l'Université du Michigan et de l'Université nationale de Kangwon a testé si GPT-4 pouvait combler cet écart sans sacrifier la qualité de la correction.

Dans quatre grandes classes de science politique (271 étudiants, environ 3 080 réponses courtes, dont 88 % corrigées par IA), les enseignants ont construit des modèles de consignes contenant leur grille de notation, des exemples corrigés avec retour, et chaque nouvelle réponse d'étudiant. L'équipe a ensuite comparé les notes assistées par IA à la correction des enseignants selon plusieurs mesures : la cohérence des notes avec la performance de l'étudiant dans le reste du cours, la fréquence des demandes de recorrection (un indicateur indirect d'erreurs de notation), et l'utilité perçue du retour par les étudiants.

L'essai randomisé a montré que la correction assistée par IA se rapprochait de ce qu'un enseignant produirait pour une petite classe, sans augmentation des demandes de recorrection, tout en libérant du temps enseignant. Les auteurs précisent explicitement qu'il s'agit d'un outil de productivité et de cohérence pour la délivrance du retour, et non d'un remplacement du jugement de l'enseignant - une relecture humaine est restée présente dans chaque chaîne de correction testée.