Cas anonymisé — Gestion des cours scolaires pilotée par l’IA : de la génération des cours à la révision par l’enseignant, au retour des notes et au suivi de la progression des élèves
Une gestion scolaire assistée par l’IA dont l’enseignant reste responsable — et non un enseignement confié à l’IA.
Un système de gestion des cours piloté par l’IA pour un établissement d’enseignement privé. L’IA prend en charge la génération, la précorrection, la détection d’anomalies, les rappels et les rapports au niveau opérationnel, tandis que les enseignants révisent, approuvent et restent responsables de chaque note publiée. Identité du client volontairement anonymisée.
Il ne s’agit pas d’une plateforme de cours en ligne ordinaire. Le client avait déjà un système de gestion de l’apprentissage (LMS), et les cours pouvaient y être téléversés manuellement. Le vrai problème, c’était tout ce qui entoure un cours scolaire une fois lancé : inscription des élèves, affectation aux groupes, avis de démarrage, génération des devoirs, précorrection par IA, révision par l’enseignant, publication des notes, gestion des pénalités de retard, rapports de progression, communication avec les parents et évaluation des risques pour l’intégrité intellectuelle. La réponse de NextAgent a été de placer l’IA au niveau des opérations, et non au niveau des décisions finales. L’IA génère, analyse, rappelle, détecte et résume; l’enseignant révise, approuve et porte la responsabilité pédagogique finale.
Note de confidentialité : ce cas omet le nom du client, la marque de l’école, le domaine, les détails des serveurs, le code d’inscription au cours, les renseignements personnels, les identifiants de base de données et les captures d’écran permettant une identification. Seuls l’architecture, le flux de travail et les résultats de la livraison sont présentés.
Le défi
Un cours peut être téléversé; les opérations qui l’entourent ne peuvent pas être gérées à la main à grande échelle. Le contexte d’identité et de groupe, les permissions des enseignants, le statut d’élève actif, la synchronisation des notes, la qualité du contenu, les politiques sur les retards, le suivi de la progression, la communication avec les parents et les risques pour l’intégrité doivent tous être traités de façon cohérente et vérifiable, pour chaque élève, chaque devoir et chaque session.
Notre approche
Placer l’IA au niveau des opérations, et non au niveau des décisions. L’IA prépare des ébauches de contenus de cours, précorrige, détecte les anomalies, envoie des rappels et génère des rapports; les enseignants approuvent, ajustent ou rejettent, et rien n’est publié sans l’approbation d’un enseignant. Chaque jugement de l’IA est consigné comme une étape vérifiable.
Résultats
Le cours livré comprenait 8 unités, 48 leçons thématiques, 336 questions à choix multiples (QCM), 32 questions à développement (FRQ) liées aux unités, 1 projet final, 18 évaluations et 96 vidéos pédagogiques vérifiées par oEmbed. La compilation de production, les vérifications TypeScript, les décomptes en base de données et les contrôles de santé des pages ont tous réussi : le cours a été livré prêt à fonctionner et à être lancé depuis le LMS, et non comme un amas de fichiers.
Humain dans la boucle : la responsabilité de l’enseignant
Le système ne laisse pas l’IA décider des notes des élèves. L’IA se charge des analyses répétitives, de la notation préliminaire, de la détection d’anomalies et de la production de rapports. Chaque résultat critique (notes aux questions à développement, notes finales, pénalités de retard, signalements de risque de tricherie et statut de réussite du cours) doit être révisé et approuvé par l’enseignant. L’enseignant est le responsable final; l’IA est une assistante de flux de travail et un outil de vérification.
Registre de révision de l’enseignant
Chaque jugement de l’IA est consigné comme une étape vérifiable, et non comme une note en boîte noire.
- Chaque note attribuée par l’IA est enregistrée comme note provisoire de l’IA.
- L’enseignant peut l’approuver, l’ajuster ou la rejeter.
- Le système consigne l’écart avant/après de toute modification faite par l’enseignant.
- Aucune note n’est publiée sans l’approbation de l’enseignant.
- Le rapport final de chaque élève indique : ébauche générée par l’IA, version finale révisée par l’enseignant.
Audit par enseignant (administration de l’école)
- Révisions en attente
- Révisions terminées
- Temps moyen de révision
- Proportion de notes de l’IA ajustées
- Travaux à risque élevé traités
- Registre des retards et des exemptions
C’est ce suivi détaillé des révisions des enseignants qui fait passer l’IA d’une notation en boîte noire à un processus pédagogique vérifiable.
Couche d’intégrité intellectuelle
À partir de ce déploiement, le prochain module est une couche d’intégrité intellectuelle assistée par IA. Elle ne doit pas accuser automatiquement les élèves : elle doit préparer des éléments de preuve pour l’enseignant.
- Empreinte de la remise du travail : horodatage, IP / appareil / session, durée d’édition, proportion de copier-coller.
- Profil de référence du style d’écriture de chaque élève.
- Détection de similarité avec l’IA ou de texte trop poli : langage d’une maturité inhabituelle, changements de style soudains, formulations stéréotypées.
- Similarité entre élèves d’une même classe.
- Vérification des sources : citations, contenus externes, passages suspects.
- Anomalies liées à l’échéance : afflux de travaux remis à l’approche de l’échéance, long texte rédigé en très peu de temps.
- Déclenchement d’une vérification orale : pour un travail à risque élevé, le système demande automatiquement à l’enseignant de planifier une courte confirmation orale.
- Décision finale réservée à l’enseignant : l’IA fournit un niveau de risque et des éléments de preuve, jamais un verdict automatique de tricherie.
Le système ne doit pas « accuser » automatiquement les élèves. Il produit pour l’enseignant un dossier de risque d’intégrité : ce qui a changé, ce qui semble inhabituel, quels éléments étayent le signalement et quel suivi est recommandé.
Automatisation du parcours de l’élève
Un agent IA de gestion scolaire surveille qui doit faire quoi, qui ne l’a pas fait, qui a besoin d’un rappel et qui a besoin d’une intervention de l’enseignant, tout au long du parcours de l’élève.
1. Inscription
L’IA et le système lisent le profil de l’élève, son niveau scolaire, ses besoins de cours, les coordonnées de ses parents, son identité dans le LMS et sa langue de préférence.
2. Affectation aux cours
Selon le cours, le groupe, la session et le contexte LTI, l’élève est inscrit dans le bon groupe, et les remises de travaux initiales, les devoirs et le suivi de la progression sont générés.
3. Avis de démarrage
Les élèves, les parents et les enseignants reçoivent automatiquement :
- Le point d’accès au cours
- Les échéances
- Les règles des devoirs
- La politique sur les retards
- Les coordonnées de l’enseignant
- Les attentes en matière de progression
4. Rapports de progression et de notes
L’IA génère périodiquement :
- Un rapport de progression individuel
- La liste des travaux manquants
- Le risque de notes faibles
- L’analyse des résultats aux questions à développement
- La maîtrise par unité
- Une synthèse de la classe pour l’enseignant
- Une version lisible pour les parents
5. Moteur de règles (pénalités et politiques)
Pas de simples déductions, mais un moteur de règles :
- Signale automatiquement comme en retard les travaux remis après l’échéance
- Applique des pénalités selon des règles (p. ex. 2 %/jour, plafonnées à 20 %)
- Permet à l’enseignant de faire une exception pour les cas particuliers
- Consigne la raison de chaque exception
- Déclenche des rappels, des avis aux parents et une intervention de l’enseignant en cas de travaux manquants à répétition
Concept de produit : un agent IA de gestion scolaire qui prend en charge « qui doit faire quoi, qui ne l’a pas fait, qui a besoin d’un rappel, qui a besoin de l’enseignant ».
Détails techniques
- Lancement LTI 1.3 : le LMS ouvre l’outil de cours externe et dirige les apprenants vers la bonne page de cours.
- Garde-fous du retour des notes : les notes ne sont renvoyées au LMS qu’une fois publiées, et seulement si l’apprenant est toujours membre actif du groupe.
- Chaîne de génération de cours : plan → leçons → banques de QCM et de questions à développement → évaluations → grille d’évaluation du projet final.
- Vérification des ressources : les vidéos pédagogiques sont vérifiées au moyen d’oEmbed de YouTube avant d’être ajoutées.
Leçons à retenir
- Un projet LTI n’est pas qu’un projet de connexion : les services de notes, l’appartenance aux groupes, la révision par l’enseignant et les journaux d’événements sont au cœur du produit.
- L’IA peut produire rapidement des ébauches de contenus de cours, mais les vérifications de structure, le décompte des questions, la répartition des réponses et les compilations doivent boucler la boucle.
- Une étude de cas publique doit montrer la méthode et les résultats, pas l’identité du client ni ses détails d’exploitation internes.
- La livraison d’une plateforme éducative doit être acceptée sous la forme d’un cours fonctionnel, et non d’un amas de pages ou de fichiers de contenu.
Vous voulez des résultats semblables ?
Parlez-nous de votre entreprise et nous concevrons une preuve de concept.