Essai randomisé à CHI 2026 (Univ. du Michigan) : un retour généré par IA, revu par des assistants d'enseignement, a amélioré les révisions d'essais de 354 étudiants en économie, effet équivalent à passer du 50e au 70e percentile ; contrôle final gardé par les assistants.
354 students
Étudiants dans l'étude
11 TAs
Assistants d'enseignement impliqués
88 %
Suggestions de l'IA utilisées par les TA sans modification
12 %
Suggestions de l'IA modifiées ou rejetées par les TA
50th to 70th percentile
Taille de l'effet du retour médiatisé par IA sur la qualité de la révision
Des chercheurs de l'Université du Michigan ont développé FeedbackWriter, un outil qui rédige des suggestions de retour pour les assistants d'enseignement (TA) qui corrigent les dissertations des étudiants, testé dans un grand cours d'introduction à l'économie avec 354 étudiants et 11 assistants d'enseignement. L'étude a été financée par la National Science Foundation des États-Unis et présentée à la conférence ACM CHI 2026.
Objectifs
L'essai visait à tester si un retour rédigé par IA, relu et modifiable par les assistants d'enseignement avant d'atteindre les étudiants, pouvait améliorer la qualité des révisions de dissertations des étudiants par rapport à un retour donné uniquement par les assistants d'enseignement.
Activités
Dans l'essai contrôlé randomisé, les assistants d'enseignement pouvaient accepter, modifier ou rejeter le brouillon de retour de l'IA pour chacun des deux devoirs de dissertation à forte densité de connaissances, avant qu'il n'atteigne les étudiants.
Résultats
Les dissertations ayant reçu un retour médiatisé par IA ont donné lieu à des révisions de meilleure qualité de la part des étudiants que celles n'ayant reçu qu'un retour des assistants d'enseignement, un effet que les auteurs décrivent comme à peu près équivalent à faire passer un étudiant du 50e au 70e percentile. Les assistants d'enseignement ont accepté et utilisé 88% des jugements suggérés par l'IA sans les modifier, en modifiant ou rejetant les 12% restants.
Conclusions
L'étude a été menée dans un seul cours au sein d'un seul établissement ; sa généralisabilité à d'autres matières, tailles de classe et établissements reste donc à établir.
Mise en œuvre
Coût indicatif
Faible (< 50 k€)
Délai jusqu’aux résultats
Court (< 1 an)
Personnel et compétences
11 teaching assistants, Research team: Xinyi Lu, Kexin Phyllis Ju, Mitchell Dudley, Larissa Sano, Xu Wang (University of Michigan)
Conditions de réussite
Teaching assistants review, edit or discard every AI-drafted suggestion before it reaches students (human-in-the-loop)
NSF funding supporting a dedicated research and tool-development team
Modes d’échec courants
Conducted in a single course at one institution; generalisability to other subjects, class sizes and institutions not yet established
No equity subgroup analysis reported
Habituellement financé par
National / regional programmes
Pistes de financement indicatives pour des pratiques de ce type — vérifiez toujours les appels en cours et les règles d'éligibilité de chaque programme.
Kit de réplication
Artefacts réutilisables de cette pratique — tels que publiés par leurs sources.