Une enquête mondiale auprès d’enseignants en informatique montre que de nombreux formateurs ont déjà modifié à la fois leurs méthodes d’enseignement et d’évaluation en réponse aux outils de codage fondés sur l’IA générative. L’enquête, menée par un groupe de travail de l’ACM, a porté sur plus de 700 enseignants dans 49 pays et révèle que 69 % estiment que l’IA a modifié les compétences requises pour le développement logiciel.

Les résultats font apparaître un net éloignement des exercices de programmation traditionnels centrés sur l’écriture de code à partir de zéro. À la place, les enseignants accordent davantage d’importance à la compréhension du code, au débogage, à la résolution de problèmes, aux examens oraux, aux séances de soutenance de code et aux travaux par projet. Dans le même temps, près de la moitié des répondants déclarent manquer d’exemples éprouvés pour intégrer l’IA dans leurs cours.

Les assistants de codage par IA tels que ChatGPT et GitHub Copilot peuvent réaliser de nombreux exercices de programmation typiques utilisés dans les cours d’introduction, souvent avec des performances comparables à celles d’un étudiant moyen. Cela crée un défi pratique pour les cours qui utilisaient traditionnellement ces exercices afin de vérifier si les étudiants pouvaient produire et expliquer de manière autonome du code fonctionnel. La nouvelle étude offre une vue plus large de la manière dont les enseignants en informatique du monde entier répondent à ce défi. Elle a été menée par l’"ACM Task Force on Generative AI and Programming Assessment", un groupe d’experts créé par le comité d’éducation de la société internationale d’informatique ACM.

Le groupe de travail a interrogé 763 enseignants de 49 pays entre mai et octobre 2025. Environ 500 questionnaires presque complets ont été inclus dans l’analyse. Selon les résultats, 69 % des répondants ont déclaré que l’IA avait modifié les compétences nécessaires au développement logiciel. La principale préoccupation des enseignants était la dépendance croissante des étudiants à la technologie, citée par 87 %, suivie de la triche et du plagiat, cités par 72 %.

L’enseignement se déplace de l’écriture du code vers sa compréhension

Soixante-quatre pour cent des répondants ont déclaré avoir déjà modifié leur manière d’enseigner. Une analyse thématique des réponses ouvertes a mis en évidence une orientation cohérente : moins d’accent sur l’écriture de code à partir de zéro et davantage sur la compréhension du code, la détection et la correction d’erreurs, ainsi que la résolution de problèmes. Trente-neuf réponses ont également identifié l’utilisation de l’IA et l’ingénierie de prompts comme des sujets d’enseignement explicites. D’autres enseignants ont indiqué présenter des outils d’IA en classe afin d’illustrer à la fois ce qu’ils peuvent faire et les limites qui subsistent.

"We know that students will likely be developing with AI tools when they enter the workforce," a déclaré Steven Gordon, professeur à Ohio State University et auteur principal du rapport. "The key is to produce graduates who are competent in programming and who understand both the capabilities and limitations of AI."

Les examens oraux et les évaluations par projet gagnent du terrain

Les pratiques d’évaluation évoluent encore plus rapidement. Soixante-huit pour cent des répondants ont déclaré avoir modifié la manière dont ils évaluent les étudiants. Les changements les plus fréquemment cités comprennent un recours accru aux examens en présentiel surveillés, avec 56 mentions ; une réduction du poids des devoirs, avec 38 mentions ; les examens oraux et les séances de soutenance de code, avec 36 mentions ; et les tests sur papier, avec 35 mentions. Les évaluations par projet ont également été citées 34 fois.

Certains enseignants exigent désormais que les étudiants déclarent si et comment ils ont utilisé des outils d’IA et, dans certains cas, qu’ils soumettent des journaux de leurs interactions avec ces outils. Ces changements reflètent un effort croissant pour distinguer la compréhension propre d’un étudiant du travail produit ou fortement assisté par un logiciel.

Les politiques institutionnelles restent inégales. Quarante-cinq pour cent des répondants ont déclaré que leur établissement dispose de directives sur l’utilisation de l’IA, tandis que 39 % ont indiqué que leur établissement n’en a pas. Les politiques existantes vont de l’interdiction totale à l’autorisation ou à l’encouragement explicite, à condition que les étudiants documentent leur utilisation de l’IA. Pour les enseignants, ce paysage réglementaire hétérogène signifie que les changements d’évaluation au niveau des cours sont souvent mis en place alors que les établissements décident encore de la manière dont l’usage de l’IA doit être encadré.

Les enseignants pointent le manque d’exemples de bonnes pratiques

L’obstacle le plus fréquemment cité à l’intégration de l’IA, mentionné par 48 % des répondants, est l’absence de bonnes pratiques éprouvées. Vingt-huit pour cent ont déclaré ne pas disposer d’une expertise suffisante en IA, tandis que 20 % ont dit ne voir aucune nécessité d’intégrer l’IA dans leur enseignement.

Les répondants ont également fait état d’un besoin accru de développement professionnel. Soixante-quatorze pour cent ont déclaré souhaiter une formation sur des méthodes d’enseignement efficaces, et 66 % vouloir un accompagnement pour repenser les évaluations. Le site de ressources du groupe de travail vise à combler cette lacune en rassemblant des exemples pratiques, mais les résultats de l’enquête suggèrent que de nombreux enseignants cherchent encore des modèles éprouvés qu’ils puissent adapter à leurs propres cours.

Les auteurs de l’étude ont relevé plusieurs limites. Les participants ont été recrutés principalement via les listes de diffusion de l’ACM et de la SIGCSE, ainsi que dans certains annuaires nationaux d’enseignants. Le panel de répondants était fortement concentré en Amérique du Nord, avec 227 répondants, et en Europe, avec 106. L’Asie comptait 57 répondants, l’Amérique du Sud 10, l’Océanie 9 et l’Afrique 3. Parmi les répondants ayant indiqué le type de leur établissement, 77 % travaillaient dans des universités, tandis que les établissements K-12 et les formations professionnelles étaient peu représentés. Les conclusions reposent également sur des données autodéclarées.

L’étude de l’ACM est disponible gratuitement en ligne. Le groupe de travail a également créé un site web proposant des exemples pratiques et des ressources pour les enseignants.

Des études récentes indiquent de meilleures notes, mais des acquis d’apprentissage plus faibles

Plusieurs études récentes concordent avec les préoccupations exprimées par les répondants. Une étude d’Anthropic a montré que des développeurs logiciels ayant utilisé une assistance par IA pour apprendre une nouvelle bibliothèque Python ont obtenu un score inférieur de 17 % à un test de connaissances ultérieur par rapport à un groupe témoin sans accès à l’IA. Un petit sous-groupe de participants ayant entièrement délégué le codage à l’IA a terminé les tâches le plus rapidement, mais n’a obtenu en moyenne que 39 % au test de connaissances.

Des résultats similaires ont été observés en dehors de l’informatique. Une étude longitudinale chinoise portant sur plus de 26 000 étudiants a montré que l’utilisation de l’IA augmentait les notes des devoirs de 18 % et réduisait le temps nécessaire pour les terminer de 30 %. Toutefois, après six mois, les scores aux examens à livre fermé ont chuté de 20 %. Lors d’examens d’entrée ultérieurs, les scores ont reculé de 18 % et de 24 %, selon le test.

Une analyse de l’UC Berkeley portant sur plus de 500 000 notes a constaté une forte hausse des meilleures notes après la sortie de ChatGPT, en particulier dans les cours comportant d’importants devoirs de rédaction et de programmation. L’augmentation était la plus marquée dans les cours où les devoirs non surveillés pesaient fortement dans la note finale. Selon le rapport de l’ACM, il s’agit précisément de la catégorie d’évaluation dont de nombreux enseignants réduisent désormais l’importance.