L’objectif est d’intégrer les outils numériques et l’IA générative de manière critique, transparente et pertinente : clarifier les usages permis, favoriser l’apprentissage (et non le contournement), développer la littératie numérique/IA et adapter les évaluations.

Concordia University – Generative AI teaching guidelines (CTL)
Conseils pour définir une politique de cours explicite sur l’IA (attentes, usages permis), promouvoir l’intégrité académique, former étudiants et enseignants, et mettre à jour les pratiques au fil des évolutions.

University of Alberta – AI & Generative AI Resources (CTL)
Principes d’usage responsable : transparence, limites et capacités de l’IA, implications pour l’évaluation, exemples de politiques de syllabus et ressources pour accompagner les enseignants.

Utah Tech University – Generative AI Tools: Guidelines for Teaching and Learning (CTL)
Recommandations pratiques : discuter des enjeux éthiques, adapter consignes et évaluations, concevoir des tâches exploitant l’IA sans diminuer l’effort cognitif, sensibiliser aux risques (biais, hallucinations).

Kean University – AI in Higher Ed (CTL)
Élaborer une politique disciplinaire de l’IA dans le cours, proposer des ateliers pour enseignants/étudiants, catégoriser les usages autorisés selon les activités et l’évaluation.

Alharbi, A., Aljuaid, A., & Alzahrani, A. (2024). Generative AI and higher education: Trends, challenges, and future directions. Information, 15(11), 676. https://www.mdpi.com/2078-2489/15/11/676
Revue systématique des usages de l’IA générative en ES : gains possibles (engagement, personnalisation, feedback) et risques (intégrité, biais), avec recommandations pour la formation des enseignants.

Rahman, N. A. A., & Aljohani, N. R. (2024). Rethinking the integration of AI in higher education teaching and learning: The AI-Curriculum Alignment Model. International Journal of Technology in Education and Development, 8(1), 1–16. https://open-publishing.org/journals/index.php/ited/article/download/1352/1026/6409
Propose le modèle AI-CAM (alignement objectifs–activités–évaluation) pour intégrer la littératie IA dans n’importe quelle discipline, avec étapes et exemples concrets.

Zawacki-Richter, O., & al. (2025). Integrating Generative Artificial Intelligence in Higher Education: Opportunities, challenges, and design guidelines. Education Sciences, 15(1), 32. https://www.mdpi.com/2227-7102/15/1/32
Lignes directrices de conception : scénarios d’usage (idéation, feedback, simulation), exigences éthiques et juridiques, équilibre entre assistance de l’IA et apprentissage authentique.

• Clarifier la politique de cours
  • Ajouter une section “Utilisation responsable de l’IA” au syllabus (ce qui est autorisé/interdit, comment citer l’IA, confidentialité des données).
• Développer la littératie IA
  • Séance d’initiation (prompts, vérification des sorties, limites/biais, confidentialité). Demander une note de méthode expliquant l’usage de l’IA.
• Concevoir des tâches qui tirent parti de l’IA sans la laisser “faire à la place”
  • Exemples : comparer/corriger une production de l’IA ; demander justification, sources et traçabilité ; exiger une réflexion critique sur les limites des résultats.
• Adapter l’évaluation
  • Favoriser des évaluations orales/in situ, des productions intermédiaires (brouillons, journaux d’apprentissage), des tâches ancrées dans des données/contextes locaux non accessibles à l’IA générale.
• Choisir des outils conformes et expliquer les risques
  • Privilégier des outils respectant la vie privée ; sensibiliser au stockage des données, aux biais, à la propriété intellectuelle.
• Boucles de feedback et amélioration continue
  • Interroger régulièrement les étudiants sur l’utilité/les difficultés ; ajuster consignes et ressources ; partager entre collègues les bonnes pratiques et exemples de consignes.

← Retour “Problèmes liés à l’évolution des savoirs et des technologies” | Accueil QAPES