1. Le premier dossier est d’une fluidité remarquable : concepts bien articulés, références précises au droit suisse, citations en anglais issues d’articles récents.

2. Le second adopte une structure quasi identique, mais intègre subitement une citation attribuée à Paulo Freire… sans qu’aucune source correspondante ne soit trouvée.

3. Le troisième mentionne un rapport de l’ONU (2023) sur la pauvreté en Suisse, introuvable dans les bases documentaires.

4. Le quatrième cite un blog d’une ONG allemande disparu d’internet.

5. Au fil des lectures, Nicolas repère les mêmes tournures de phrases, des transitions standardisées, des références tantôt exactes, tantôt inventées, et des passages traduits maladroitement.

Dans le silence du soir, Il perçoit une trame commune sous des voix multiples : fragments solides et plausibles se mélangent à des morceaux fictifs, liés par une logique qui ne semble plus totalement humaine. Son surligneur s’attarde sur les sources improbables. Une interrogation s’impose : comment distinguer l’appropriation réelle par l’étudiant·e de la médiation artificielle produite par une IA ?

1. Les premiers journaux sont d’une élégance impeccable : citations d’auteurs de référence (Paulo Freire, Donald Schön, Marie-Rose Moro) parfaitement intégrées, transitions fluides, vocabulaire soutenu.

2. Mais à la troisième lecture, Élise ressent une étrange uniformité : les récits utilisent les mêmes formules — « J’ai pris conscience que… », « Cette situation m’a amené·e à reconsidérer… » —, presque mot pour mot.

3. Les exemples concrets de stage restent vagues, décrits de manière générique sans détails situés (aucune mention précise des contextes, des publics, des dilemmes vécus).

4. Lors des entretiens oraux prévus pour approfondir l’évaluation, plusieurs étudiant·e·s peinent à expliquer ou développer un passage qu’iels avaient pourtant signé.

5. Certain·e·s avouent timidement avoir utilisé « une aide en ligne » pour rendre leur texte « plus académique ».

En fin de journée, Élise ferme son ordinateur. Sur son bureau s’empile une série de journaux réflexifs soignés mais uniformisés. Elle constate que lissé par un outil numérique, le récit de formation a perdu sa voix intime, ses hésitations, ses aspérités — alors que l’objectif même de l’exercice était de cultiver la sincérité, la réflexivité et la capacité à se confronter à la complexité du réel.

1. Le rapport de Julien est impressionnant : analyse de terrain claire, mobilisation d’outils théoriques précis (analyse systémique, empowerment), tableaux statistiques impeccablement mis en page, et une discussion nourrie de références internationales.

2. Le rapport de Sara adopte une structure quasi identique, avec des formulations semblables pour expliquer la méthodologie qualitative, les mêmes graphiques simplement appliqués à un autre terrain.

3. Un troisième rapport reprend exactement la même séquence de tableaux, juste réordonnés, mais sans explication claire des choix méthodologiques.

4. Lors des soutenances orales, Julien utilise les bons termes, mais peine à expliquer l’origine de ses indicateurs chiffrés ; Sara avoue avoir utilisé un « chatbot spécialisé » pour raffiner son analyse.

5. En vérifiant certaines données, Nadia découvre que plusieurs indicateurs sociaux ou sanitaires proviennent de bases de données payantes auxquelles les étudiant·e·s n’ont normalement pas accès.

Au final, les livrables respirent le professionnalisme et la rigueur apparente, mais la traçabilité du processus et la compréhension réelle de la démarche scientifique demeurent floues. Nadia se demande : comment distinguer ce qui relève d’une réelle appropriation méthodologique et ce qui résulte d’une production assistée – voire générée – par des outils d’IA ou des ressources hors de portée des étudiant·e·s ?

1. Le travail de Camille est impressionnant : vocabulaire précis, références aux derniers articles scientifiques, citations parfaites d’outils normés, tableau comparatif des avantages et limites des approches.

2. Le dossier de Malik, bien qu’organisé différemment, reprend les mêmes formulations et mêmes tableaux de synthèse.

3. Un troisième travail propose une grille d’évaluation encore plus détaillée… mais Sonia reconnaît qu’elle n’a jamais vu cet outil validé dans la littérature en ergothérapie.

4. Plus troublant encore : certains journaux de stage contiennent la description détaillée d’un entretien COPM avec une « patiente » prénommée Madame R.. L’étudiant·e rapporte des réponses riches, des émotions verbalisées, des priorités formulées par la patiente. Pourtant, après vérification avec le terrain, aucune rencontre de ce type n’a eu lieu. L’entretien semble avoir été généré artificiellement par un chatbot, puis intégré au travail comme un matériau empirique réel.

Lors de la mise en situation pratique quelques jours plus tard, Sonia demande à Camille de simuler une évaluation COPM avec un patient fictif. Camille hésite, inverse des étapes, oublie des consignes essentielles. L’écart entre la rigueur académique du document écrit et la maîtrise réelle de la pratique est flagrant.

En discutant avec les étudiant·e·s, Sonia découvre que plusieurs ont utilisé un chatbot spécialisé en santé pour « enrichir » leurs travaux, obtenant des références d’outils parfois fictifs et même des entretiens inventés — des récits cliniques écrits avec réalisme, mais sans base empirique réelle.

Question clé pour l’enseignante : comment évaluer la compétence professionnelle réelle et la fiabilité des écrits réflexifs lorsque des matériaux fictifs (patients, entretiens, données cliniques) peuvent être intégrés comme s’ils avaient été réellement observés ?

Les exemples concrets demeurent vagues ; les hésitations, absentes. Lors des entretiens individuels programmés pour compléter l’évaluation, plusieurs auteur·e·s cherchent leurs mots en relisant un passage qu’ils ont pourtant signé. Certain·e·s mentionnent à demi-voixune « aide en ligne » pour rendre le style plus académique.

À la fin de la journée, Malik referme son ordinateur. Une pile de journaux uniformément polis occupe son esprit : lissé par un outil, le récit de formation semble avoir perdu ses aspérités et sa voix intime – alors même que l’exercice visait la sincérité et la réflexivité personnelle.

Les rapports arrivent sur la plateforme : fichiers PDF impeccablement formatés, code Python proprement indenté, graphiques produits par matplotlib, références à Knuth et Cormen. Le premier projet détaille un « hybrid adaptive merge sort » avec une complexité annoncée en O(nlog⁡n)O(nlogn) et une preuve succincte. Le second reprend la même structure, jusqu’aux variables de nom identique. Le troisième propose un algorithme « inspiré des modèles de langage » et inclut des justifications en anglais technique parfaitement fluides.

Intrigué, Julien copie le code de l’un des projets dans un environnement d’exécution : l’algorithme tourne impeccablement, mais sa logique interne fait appel à des bibliothèques obscures générant du code machine à la volée. Lors de la soutenance orale, les étudiant·e·s expliquent avec aplomb la partie visible du code, mais peinent à commenter les détails de la preuve de complexité ; certains avouent avoir « demandé à un assistant d’expliquer la démonstration ». D’autres montrent fièrement leurs résultats expérimentaux sans pouvoir décrire la source des jeux de données.

Julien réalise alors que les livrables mêlent, sans indication claire, des fragments générés par des outils de complétion de code, des extraits de dépôts GitHub inconnus et des justifications produites par un modèle de langage. L’innovation annoncée semble réelle — mais de qui émane-t-elle ?
La frontière entre la maîtrise du concept et la délégation invisible de la conception devient floue : l’algorithme fonctionne, mais l’apprentissage algorithmique, lui, reste incertain.

Mais très vite, un malaise discret s’installe. Tous les témoignages ont la même longueur, la même tonalité émotionnelle, la même syntaxe quasi académique. Et surtout : aucune trace de fichiers audio, de notes brutes, ni même d’horaires ou de lieux d’entretien en annexe — alors que cela figurait clairement dans les consignes. Marion relit un passage : l’un des “participants” cite parfaitement Paulo Freire dans une phrase grammaticalement irréprochable. Cela ne ressemble pas à un extrait spontané.

Lors du rendez-vous oral, elle pose une question banale :
— « Peux-tu me décrire où a eu lieu ton premier entretien ? »

Un silence s’installe. Nadia cherche ses mots, hésite, finit par admettre à demi-voix :
— « En fait… j’ai fait générer des entretiens réalistes par un outil. Mais j’ai précisé la problématique moi-même. Et j’ai relu, bien sûr. »

À cet instant, Marion comprend que le problème n’est pas la tricherie au sens classique. L’étudiante n’a pas copié. Elle a fabriqué un terrain qui n’a jamais existé — parfaitement plausible, parfaitement ininterrogeable.
Le travail est brillant à la surface… mais son ancrage dans le réel est indémontrable.

Le doute grandit quand il examine les hyperparamètres : parfaitement optimisés, mais aucune trace de tests ratés, pas un log d'itération, pas un seul artefact prouvant un cheminement humain. Le modèle fonctionne — mais comme s’il était tombé du ciel.

Lors de la soutenance, il pose une question à l’étudiant :
— « Pourquoi avoir choisi cette valeur précise de régularisation ? »
— « …C’est celle que l’IA m’a recommandée. Elle m’a même écrit la justification dans la section “limitations”. »

Antoine s’arrête. Pas de mauvaise intention manifeste. Pas d’“escroquerie”. Mais un glissement invisible : l'étudiant ne pense plus le projet — il le pilote passivement. Le geste technique existe encore, mais l’appropriation intellectuelle disparaît. Le rapport est impeccable. Mais de qui est-ce réellement l’analyse ?

Sophie vérifie : l'article de Henderson n'existe pas. Elle interroge une base de données académique avec la phrase exacte "tensions dialectiques de la représentation baroque" : 8 résultats récents, tous des travaux étudiants d'autres universités, jamais de publication scientifique.

Elle remarque d'autres similitudes : ces 12 copies utilisent le même vocabulaire sophistiqué ("dispositif scopique", "économie visuelle du regard"), absent de leurs travaux précédents. Toutes mentionnent une "analyse comparative avec l'École de Fontainebleau" jamais abordée en cours. Les descriptions formelles sont précises, presque techniques, mais étrangement génériques - elles pourraient s'appliquer à plusieurs œuvres différentes.

Sophie relit les consignes d'examen : "Analyse en 3 heures, sur table, documentation autorisée (notes manuscrites uniquement), téléphones dans les casiers". Mais l'examen s'est déroulé dans un amphithéâtre de 400 places avec une seule surveillante pour 85 étudiant·e·s.

Le lendemain, en salle des professeurs, une collègue de littérature lui confie avoir trouvé des formules identiques dans plusieurs copies : "comme le souligne pertinemment Dubois", alors qu'aucun Dubois ne figure dans la bibliographie du cours.

Sophie hésite : doit-elle convoquer les 12 étudiant·e·s ? Les sanctionner collectivement ? Comment prouver quoi que ce soit ? Et surtout : comment repenser l'évaluation pour l'année prochaine ?

Malik commence sa lecture ; tout semble limpide, un véritable plaisir de correcteur. Pourtant, à la troisième copie, une sensation de déjà-lu s'installe : les fragments d'introspection utilisent les mêmes formules ("J'ai pris conscience que...", "Cette expérience m'a amené·e à reconsidérer...").

Les exemples concrets demeurent vagues ; les hésitations, absentes. Lors des entretiens individuels programmés pour compléter l'évaluation, plusieurs auteur·e·s cherchent leurs mots en relisant un passage qu'elles et ils ont pourtant signé. Certain·e·s mentionnent à demi-voix une "aide en ligne" pour rendre le style plus académique.

À la fin de la journée, Malik referme son ordinateur. Une pile de journaux uniformément polis occupe son esprit : lissé par un outil, le récit de formation semble avoir perdu ses aspérités et sa voix intime – alors même que l'exercice visait la sincérité et la réflexivité personnelle.

L'examen comporte des exercices classiques : calculs d'élasticité, optimisation sous contrainte budgétaire, analyse de courbes d'offre et de demande, une question de théorie des jeux. Rien de nouveau. Élise a même réutilisé certains exercices de l'année précédente avec des chiffres différents.

Pendant l'épreuve, tout se déroule normalement. Les étudiant·e·s semblent concentré·e·s, certain·e·s lèvent la main pour poser des questions de clarification, d'autres remplissent méthodiquement leurs copies. Élise observe le silence studieux habituel, les froncements de sourcils, les ratures. Rien d'anormal.

Puis arrive la correction. Dès les quinze premières copies, Élise fronce les sourcils. Les résultats sont étrangement faibles. Non pas catastrophiques, mais significativement inférieurs aux années précédentes. La moyenne générale s'établit à 9,2/20 contre 12,5/20 l'année dernière et 12,8/20 il y a deux ans.

Elle analyse plus finement : les étudiant·e·s échouent massivement sur des exercices pourtant similaires à ceux des travaux dirigés. Mais ce qui l'intrigue davantage, c'est la nature des erreurs. Ce ne sont pas des erreurs de calcul ou de distraction, mais des incompréhensions fondamentales. Des étudiant·e·s confondent élasticité-prix et élasticité-revenu, pourtant largement travaillées en TD. D'autres appliquent des formules sans comprendre ce qu'elles calculent. Plusieurs copies montrent une incapacité à interpréter graphiquement des situations économiques – alors que ces mêmes étudiant·e·s ont rendu des devoirs maison quasi parfaits.

Élise vérifie les notes de contrôle continu : moyenne de 14,3/20. Elle compare avec les résultats de l'examen final : 9,2/20. Un écart de plus de 5 points. L'année précédente, l'écart n'était que de 1,5 point.

Elle convoque quelques étudiant·e·s pour comprendre. "En TD, je comprends tout, mais à l'examen, j'étais perdue", confie l'une d'elles. Un autre explique : "Pour les devoirs maison, j'utilisais ChatGPT pour vérifier mes raisonnements et corriger mes erreurs, mais là, seule... je ne savais plus comment démarrer." Une troisième avoue : "Toute l'année, j'ai pris l'habitude de demander à l'IA de m'expliquer les concepts avec des exemples simples. En amphi, vos explications vont trop vite. À l'examen, sans aide, c'était le vide."

Élise réalise progressivement : ses étudiant·e·s n'ont pas triché pendant l'examen. Elles et ils ont travaillé toute l'année, mais en s'appuyant systématiquement sur des outils d'IA qui ont agi comme des "béquilles cognitives". Privé·e·s de ces outils en situation d'examen, leurs apprentissages se sont révélés fragiles, superficiels, non autonomes.

La question la taraude : a-t-elle évalué leur capacité à réussir ses devoirs avec l'aide d'outils, ou leur compréhension réelle des concepts ? Et surtout : comment ajuster sa pédagogie et ses évaluations pour cette nouvelle réalité ?