Un épisode réel : onze heures du soir, trente-septième copie en cours de correction. Pour la même erreur de format, j’avais déjà rédigé ce commentaire pour la onzième fois ce soir ; dans la colonne de commentaire de la copie suivante, ma main a commencé à taper malgré moi « veillez à respecter le format de citation » — exactement comme pour les dix précédentes.
À cet instant, j’ai réalisé que, pendant la majeure partie du temps de correction, je ne faisais pas du feedback, je faisais de la recopie.
Commençons par faire le compte du temps de correction
Si l’on décompose la correction d’un lot de 50 copies : ce qui exige réellement le jugement professionnel de l’enseignant — l’argument tient-il, la démonstration est-elle rigoureuse, la solution est-elle faisable — ne représente en fait qu’une partie. Le gros du reste : rédiger les mêmes commentaires pour des problèmes de format identiques, regrouper manuellement des problèmes communs dispersés dans les copies, et la baisse de qualité des commentaires due à l’heure tardive.
Ce ne sont pas les feedbacks eux-mêmes qui se répètent, mais leur support. Prendre conscience de cela a été le point de départ de la refonte du processus. Le rôle de muchsci dans ce processus est alors devenu clair : il ne touche qu’aux parties répétitives, et ne touche en aucun cas aux parties relevant du jugement.
Le processus de correction après refonte
Première étape : définir le barème. Commencez par écrire clairement le barème d’évaluation — en combien de dimensions se décompose cette copie, et quel poids pour chaque dimension. Le barème relève du jugement de l’enseignant et ne peut pas être externalisé.
Deuxième étape : la machine effectue un premier filtrage. Confiez ensemble le barème d’évaluation et le texte des copies des étudiants à muchsci : l’IA fait une passe et produit deux choses — des brouillons de commentaires pour chaque copie, et une synthèse des problèmes communs. Une observation transversale à toute la classe, du type « les trente copies présentent un format de citation non uniforme », est précisément ce que l’œil humain, en feuilletant copie par copie, risque le plus d’oublier.
Troisième étape : l’enseignant révise et finalise. Parcourez les brouillons de commentaires un par un : ceux que j’approuve sont validés directement, ceux que je n’approuve pas sont réécrits, et ceux qui concernent une situation particulière d’un étudiant sont rédigés à nouveau. L’IA rédige, l’enseignant finalise — cet ordre ne doit pas être inversé.
Après la refonte du processus, où se situent les limites
Ce que l’outil absorbe, c’est le travail répétitif, pas le périmètre de responsabilité de l’enseignant. Cette ligne, je la trace très clairement :
Ce qui ne peut pas être confié à l’IA : l’évaluation finale et la notation des étudiants, les retours individuels qui nécessitent un contexte pédagogique, et les constats en matière d’intégrité académique — ces trois éléments relèvent des responsabilités essentielles de l’enseignant, pas un mot ne doit être externalisé.
Ce qui peut être confié sans risque à l’outil : le regroupement et la synthèse des problèmes communs, les brouillons de commentaires pour chaque copie (à utiliser après révision par l’enseignant), le signalement uniforme des problèmes de format.
Depuis ce jour-là
Pour les mêmes 50 copies, la durée de correction a visiblement diminué, tandis que la qualité des commentaires est devenue plus stable que lorsqu’ils étaient écrits à la main au milieu de la nuit — parce que chaque brouillon de commentaire a été révisé par moi à un moment où j’étais lucide, et les problèmes communs ont en plus donné lieu à une liste que je pourrai aborder de manière concentrée au prochain cours.
L’outil absorbe le travail répétitif, l’enseignant préserve sa capacité de jugement. Le gain d’efficacité de correction apporté par des outils comme muchsci est bien réel, à condition que vous ayez d’abord réfléchi clairement à ceci : quelles sont les tâches que vous seul pouvez accomplir.