evidoria

← Retour à la liste

Bonne pratique Importée

Notation Automatique de Texte de la NZQA — Correction par IA de la Norme Nationale de Littératie en Écriture de Nouvelle-Zélande

Nouvelle-Zélande · Wellington · Voir le profil de Nouvelle-Zélande · Voir le profil de Wellington

Preuves: Observationnel / avant-après Top 56% 47/100 · Demandez à Evidence Copilot à propos de cette pratique

La NZQA néo-zélandaise a entraîné un modèle d'IA sur des dizaines de milliers de copies déjà corrigées pour noter l'examen national d'écriture du NCEA, atteignant 80 % d'accord avec les correcteurs humains et réduisant le délai de résultats de 3,5 semaines pour plus de 55 000 élèves en 2025.

80%
Taux d'accord entre l'IA et les correcteurs humains (2024 trial)
36,000
Échantillons d'écriture lors de l'essai de 2024
55,000+
Élèves lors du déploiement national de mai 2025
~20,000 ~40%
Copies encore vérifiées par un correcteur humain (May 2025)
3.5 weeks
Délai de résultats plus rapide (vs. previous year)
Notation Automatique de Texte de la NZQA — Correction par IA de la Norme Nationale de Littératie en Écriture de Nouvelle-Zélande

Détails

Maturité
Établie
Promoteur
New Zealand Qualifications Authority (NZQA)
Période
2024–present
Mots-clés
government agency, national qualifications authority, secondary education, assessment

Contexte

L'Autorité néo-zélandaise des qualifications (NZQA) a mis au point un outil de notation automatique de texte, entraînant un modèle d'apprentissage automatique sur des milliers de copies préalablement corrigées par des humains, afin de noter l'épreuve co-requise d'écriture du NCEA, une évaluation nationale de littératie que la plupart des lycéens doivent réussir pour obtenir leurs qualifications NCEA.

Objectifs

Accélérer et étendre la notation fiable d'une évaluation nationale d'écriture à fort enjeu, tout en conservant une relecture humaine pour les cas limites.

Activités

L'IA effectue la notation principale ; les correcteurs humains ne vérifient que les copies les plus limites, et lorsque les notes de l'IA et de l'humain divergent, c'est la note humaine qui prévaut. Un essai mené en 2024 a porté sur 36 000 échantillons d'écriture avant que l'outil ne soit déployé à l'échelle nationale pour l'examen de mai 2025, passé par plus de 55 000 élèves ; environ 20 000 copies (environ 40 %, concentrées près du seuil de réussite/échec) ont encore été vérifiées par un correcteur humain.

Résultats

La NZQA a signalé un taux d'accord de 80 % entre le modèle d'IA et les correcteurs humains lors de l'essai de 2024, selon le directeur général Grant Klinkum. Après le déploiement national de 2025, les écoles ont reçu les résultats 3,5 semaines plus tôt que l'année précédente.

Conclusions

La base de données probantes porte sur la précision de la notation et le délai de traitement, et non sur les résultats d'apprentissage directs des élèves. Le taux de désaccord de 20 % observé lors de l'essai n'est pas négligeable pour un examen de qualification à fort enjeu, ce qui explique pourquoi la NZQA a maintenu une relecture humaine obligatoire pour les cas limites plutôt que d'automatiser entièrement l'examen.

Mise en œuvre
Coût indicatif
Moyen (50 k€–500 k€) — A government qualifications-authority machine-learning system trained on historical marked scripts; no public budget figure was found, but building and validating an ML marking model at national-exam scale implies meaningful upfront investment.
Délai jusqu’aux résultats
Moyen (1–3 ans) — The 2024 trial (36,000 scripts) preceded the May 2025 national rollout for 55,000+ students, delivering results 3.5 weeks faster than the prior year.
Personnel et compétences
New Zealand Qualifications Authority (NZQA) — system ownership and human-marker retention for borderline cases

Conditions de réussite

  • Training the model on thousands of previously human-marked scripts before deployment
  • Retaining mandatory human review for borderline scripts (about 40% of scripts) rather than fully automating
  • Defaulting to the human mark whenever AI and human scores disagree
  • Publicly disclosing trial sample size and agreement rate before national rollout

Modes d’échec courants

  • A 20% disagreement rate between AI and human markers in the 2024 trial is non-trivial for a high-stakes qualification gate
  • Evidence covers grading accuracy and turnaround only, not direct student learning outcomes
  • No published subgroup equity analysis of the AI marking's effects

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.

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