evidoria

← Retour à la liste

Bonne pratique Importée

Anytime Testing Machine (ATM) — L'évaluation formative de Pratham et Anthropic propulsée par Claude dans les écoles indiennes

Inde · Mumbai · Voir le profil de Inde

Pratham et Anthropic ont testé l'Anytime Testing Machine (Claude) qui corrige les réponses manuscrites et donne un retour personnalisé, faisant passer la concordance avec des correcteurs humains de ~30 % à 80 % pour 1 500 élèves et 5 000+ femmes du programme Second Chance.

~30 %
Concordance de la précision de correction avec des correcteurs humains (avant affinement) (2026 pilot)
~80 %
Concordance de la précision de correction avec des correcteurs humains (après affinement) (2026 pilot)
~90 %
Concordance de la génération de questions avec les repères de la taxonomie de Bloom (2026 pilot)
1500 students
Élèves dans le projet pilote initial (2026)
Anytime Testing Machine (ATM) — L'évaluation formative de Pratham et Anthropic propulsée par Claude dans les écoles indiennes

Détails

Maturité
Pilote
Promoteur
Pratham Education Foundation, with Anthropic
Période
2026-present
Mots-clés
education technology, assessment, nonprofit

Contexte

En février 2026, Anthropic a annoncé son premier partenariat stratégique entre un laboratoire d'IA et une organisation à but non lucratif du secteur éducatif indien, la Pratham Education Foundation, pour co-développer l'Anytime Testing Machine (ATM), un système d'évaluation formative de bout en bout propulsé par Claude, destiné aux écoles indiennes.

Objectifs

Le système vise à corriger les réponses manuscrites des élèves selon des grilles alignées sur le programme scolaire et à générer un retour personnalisé en hindi et en anglais, les enseignants examinant et validant tout retour généré par l'IA avant qu'il ne parvienne aux élèves.

Activités

Les élèves rédigent leurs réponses à la main, les photographient, et le système convertit les images en texte puis évalue les réponses selon une approche de type « LLM-juge ». L'outil a été testé auprès de 1 500 élèves dans 20 écoles et adapté au programme Second Chance de Pratham, qui accompagne plus de 5 000 femmes se préparant à l'examen national de 10e année en Inde.

Résultats

Un affinement itératif a fait passer la concordance de la précision de correction du système avec des correcteurs humains experts d'environ 30 % à environ 80 %, et la précision de génération des questions a atteint environ 90 % de concordance avec les repères de la taxonomie de Bloom. Il s'agit de métriques de qualité de correction et de génération de questions, non de gains vérifiés dans l'apprentissage des élèves, et aucune évaluation indépendante des résultats d'apprentissage n'a encore été publiée.

Conclusions

Anthropic et Pratham prévoient d'étendre l'ATM à 100 écoles et le dispositif Second Chance à 15 000 femmes d'ici fin 2026, et conçoivent actuellement un essai contrôlé randomisé selon la méthodologie Teaching at the Right Level (TaRL) pour mesurer l'impact sur l'apprentissage.

Mise en œuvre
Coût indicatif
Moyen (50 k€–500 k€) — Funded through Anthropic's strategic partnership with Pratham; no public budget figures, but involves proprietary LLM API usage and iterative development cycles.
Délai jusqu’aux résultats
Court (< 1 an) — Piloted from February 2026; expansion to 100 schools and 15,000 Second Chance learners targeted by end of 2026, with an RCT under the TaRL methodology in the design stage.
Personnel et compétences
Pratham Education Foundation, Anthropic (technical/AI partner), Teachers (review and approve all AI-generated feedback before students see it)

Conditions de réussite

  • Human-in-the-loop teacher review of all AI-generated feedback before release to students
  • Iterative refinement cycles that measurably improved grading-accuracy alignment with human graders
  • Existing Pratham Second Chance programme infrastructure to reach women preparing for board exams

Modes d’échec courants

  • Initial grading-accuracy alignment with human graders was only about 30%, showing early LLM-graded assessment can be unreliable without iterative human correction
  • No independent learning-outcome evaluation exists yet; a planned RCT has not been completed

Où cela s’applique

Type de gouvernance
nonprofit + private AI-lab partnership
Échelle
pilot (20 schools, 1,500 students; Second Chance track scaling toward 15,000 women)
Niveau de revenu
lower-middle-income

Habituellement financé par

Philanthropic / foundation funding

Pistes de financement indicatives pour des pratiques de ce type — vérifiez toujours les appels en cours et les règles d'éligibilité de chaque programme.

Vous portez cette pratique ? Revendiquez-la — les porteurs vérifiés obtiennent un contact public sur la page et peuvent proposer des corrections.

Sources de données

D'où proviennent les informations de cette pratique, et quand.

Pièces jointes

Pratiques similaires qui pourraient vous être utiles

★ 33

Détection d'écriture par IA de Turnitin

États-Unis d'Amérique

Détection d'écriture par IA largement déployée — mais des faux positifs documentés, un biais contre les écrivains non-natifs en anglais, …