Replay à visionner ici : https://video.umontpellier.fr/video/23345-enrichir-des-enseignements-avec-la-creation-de-ressources-complementaires-en-gagnant-du-temps-par-antoine-pietri/
Face à la difficulté de proposer des cas concrets adaptés à huit parcours de master, Antoine Pietri a conçu un GPT personnalisé pour générer des dossiers pédagogiques contextualisés, composés d’articles fictifs, de bases de données simulées et de consignes d’analyse.
L’objectif initial – gagner du temps – est atteint : la production de ressources passe de 30 heures à 12 minutes par dossier. Mais cette réussite technique soulève des doutes pédagogiques. Les étudiants, bien que globalement satisfaits, pointent le manque de réalisme des données générées. L’enseignant, lui, s’interroge : a-t-il vraiment répondu à la demande d’ancrage dans le réel ? A-t-il contribué à développer les compétences des étudiants en IA, ou seulement les siennes ?
Avec une grande honnêteté, Antoine Pietri revient sur les limites de son approche, les erreurs rencontrées, les écarts d’évaluation entre humain et IA, et les perspectives d’évolution. Une intervention qui interroge autant qu’elle inspire, et qui rappelle que l’innovation pédagogique est aussi un cheminement personnel, fait d’essais, de doutes et d’apprentissages.
« Peut-être que mon truc, en fait, c’est très gadget… mais peut-être pas très utile. » Antoine Pietri
Echange avec l’auditoire :
Plusieurs questions et remarques ont été formulées par les participants, révélant un vif intérêt pour les aspects pratiques, éthiques et pédagogiques de l’expérimentation :
- Partage et réutilisation du GPT : Un participant demande si Antoine Pietri a partagé son GPT avec d’autres collègues. Il répond que non, car il n’est pas encore convaincu de la pertinence de son approche, mais reste ouvert à transmettre ses prompts à ceux qui le souhaitent.
- Projets futurs : On l’interroge sur la suite de son projet. Antoine Pietri indique qu’il n’est pas certain de poursuivre dans cette voie, préférant peut-être explorer d’autres pistes plus ancrées dans le réel.
- Évaluation par l’IA : Plusieurs questions portent sur la correction automatisée des copies. Antoine Pietri explique avoir utilisé ChatGPT en mode éphémère, sans anonymisation manuelle, et reconnaît que l’IA a tendance à noter plus généreusement que lui. Un autre intervenant partage une expérience de variabilité des notes pour une même copie soumise plusieurs fois.
- Acculturation à l’IA : Une participante souligne que l’usage de l’IA semble avoir surtout profité à l’enseignant, et non aux étudiants. Antoine Pietri confirme ce constat et reconnaît que le développement des compétences des étudiants en IA n’a pas été observé, même si cela ne constituait pas un objectif initial du projet.
- Comparaison avec d’autres modèles : Antoine Pietri mentionne avoir testé Gemini en fin de parcours, qu’il juge plus performant pour les aspects mathématiques liés à sa recherche, bien qu’il n’ait pas approfondi son usage.
- Inspirations pédagogiques : Une participante évoque l’exemple de l’Université de Sherbrooke, où les étudiants travaillent sur des cas réels fournis par des entreprises locales. Antoine Pietri reconnaît que cette approche est pertinente, mais difficile à mettre en œuvre pour lui car il ne sait pas comment s’y prendre concrètement.
Points clés à retenir :
- Un objectif clair : gagner du temps
- L’expérimentation part d’un constat simple : la préparation de cas pédagogiques contextualisés pour huit parcours de master est chronophage (30 heures pour deux dossiers). L’usage d’un GPT personnalisé a permis de réduire ce temps à 12 minutes par dossier, après une phase initiale de formation et de conception.
- Une IA au service de la production pédagogique
- Le GPT conçu par l’enseignant génère des dossiers composés de trois articles fictifs, d’une base de données simulée et d’un codebook. L’enseignant reste l’intermédiaire entre l’outil et les étudiants, garantissant la cohérence des contenus.
- Des résultats contrastés
- Si le gain de temps est indéniable, l’impact pédagogique est plus nuancé. Les étudiants ont apprécié la démarche, mais certains ont regretté l’absence de données réelles, remettant en question le caractère « opérationnel » des exercices.
- Une évaluation automatisée… mais à manier avec prudence.
- Antoine Pietri a testé la correction des productions par l’IA. Il constate une générosité de notation (écart moyen de 2 points sur 20) mais une cohérence dans les classements. Il reconnaît toutefois que l’IA ne remplace pas l’analyse humaine, notamment pour les feedbacks qualitatifs.
- Une montée en compétence personnelle, mais pas collective.
- L’enseignant a beaucoup appris sur l’usage de l’IA, mais les étudiants, eux, n’ont pas été formés à son utilisation. Il y voit un échec partiel de son projet, qui n’a pas permis de développer leur autonomie face à ces outils.
- Une remise en question.
- En conclusion, Antoine Piétri s’interroge : n’aurait-il pas mieux valu chercher des partenariats avec des acteurs locaux pour proposer de vrais cas concrets ? Il envisage de réorienter son approche pour mieux répondre aux attentes initiales des étudiants.
Pour aller plus loin
Cette intervention s’inscrit dans une journée riche en échanges et en réflexions sur les transformations pédagogiques à l’ère du numérique.
👉 Retrouvez l’ensemble des interventions de la Journée PédagoNUM 2025 « IA et Evaluation » sur la page dédiée « Retour sur la Journée PédagoNUM ».