Une personne passe un examen en ligne à la maison lorsque son jeune enfant apparaît brièvement dans le champ de la webcam. Le système de surveillance détecte une autre personne et signale l’événement.
S’agit-il de tricherie?
Une personne formée à la révision des sessions peut examiner ce qui s’est passé : un enfant est entré dans la pièce, aucune aide n’a été apportée et la personne a poursuivi son examen. En tenant compte du contexte et des règles de l’examen, elle peut distinguer une interruption accidentelle d’une infraction.
L’IA peut signaler une activité inhabituelle. Cela n’en fait pas une preuve de tricherie.
Les limites d’une surveillance reposant uniquement sur l’IA
L’automatisation facilite la surveillance d’un grand nombre d’examens et permet de repérer les moments qui méritent une attention particulière. Le problème survient lorsque ces signalements sont traités comme des conclusions.
Détourner le regard, parler à voix haute ou disparaître brièvement du champ de la caméra peut avoir plusieurs explications. Une personne peut réfléchir à une question, bénéficier d’une mesure d’accommodement approuvée ou ajuster sa webcam. Déterminer si une règle a été enfreinte exige davantage que la reconnaissance d’un comportement.
Les limites techniques peuvent aussi toucher les personnes de façon différente. Une étude menée en 2022 à l’Université de Louisville auprès de 357 étudiants a révélé que le système de surveillance évalué détectait les visages en moyenne 78 % du temps chez les étudiants à la peau plus foncée, contre 92 % chez ceux à la peau plus claire. L’étude portait sur un seul système et utilisait des données d’examens de 2020. Ces chiffres ne représentent donc pas un taux d’erreur actuel pour l’ensemble du secteur. Toutefois, ils illustrent pourquoi les résultats de la détection automatisée doivent être examinés avec soin.
Les alertes non révisées créent également du travail pour les équipes administratives, qui doivent enquêter sur des événements ambigus et les expliquer aux personnes concernées.
Ce qu’apporte la révision humaine
Un modèle hybride combine la détection automatisée et la révision par des personnes formées.
L’automatisation repère les situations potentiellement problématiques. Les personnes responsables de la révision examinent les éléments de preuve disponibles, ce qui s’est passé avant et après l’événement, ainsi que les règles applicables à l’examen. Les mesures d’accommodement approuvées et les ressources autorisées doivent également être prises en compte.
La personne responsable de la révision peut alors écarter un signalement non fondé ou documenter les preuves d’une infraction. Cette évaluation du contexte est au cœur du processus de révision humaine d’Integrity Advocate, la solution de surveillance des examens en ligne intégrée à uxpertise LMS et à uxpertise XP.
La révision humaine n’est pas infaillible. Sa valeur repose sur la formation, des critères uniformes et des éléments de preuve suffisants. Ces garanties permettent de transformer une alerte en une conclusion réfléchie.
Des résultats fiables doivent pouvoir être expliqués
Lorsqu’une personne conteste une décision concernant l’intégrité de son examen, un score de risque automatisé fournit peu de réponses.
Une décision défendable est une décision que l’organisation peut expliquer : ce qui s’est produit, quelle règle s’appliquait, quels éléments de preuve ont été examinés et pourquoi cette conclusion a été retenue. Une révision humaine documentée permet de répondre aux questions et de réexaminer une conclusion lorsque cela est justifié. Ce lien entre les preuves et le raisonnement est au cœur de l’approche d’Integrity Advocate pour produire des résultats défendables.
Cette conclusion concerne l’intégrité de la session d’examen. Elle est distincte de la note obtenue.
Un exemple canadien : l’Institut national de la paie
Selon l’étude de cas publiée par Integrity Advocate, l’Institut national de la paie est passé d’un délai de plusieurs semaines pour rendre ses décisions concernant les incidents à un délai de 48 heures, avec des éléments de preuve documentés à l’appui.
L’étude de cas indique également que le nombre moyen d’incidents liés à l’intégrité académique est passé de 86 à 37 par mois après la mise en place d’une approche combinant la plateforme d’Integrity Advocate et une sensibilisation proactive à l’intégrité académique. Cette amélioration reflète l’approche combinée; elle ne permet pas d’isoler l’effet de la révision humaine seule.
Demandez ce qui se passe après un signalement
Lorsque vous évaluez une solution de surveillance des examens en ligne, demandez qui examine les infractions potentielles, si cette révision tient compte des règles de l’examen et des mesures d’accommodement, et comment les conclusions sont documentées et peuvent être contestées.
Ni l’IA ni les humains ne peuvent garantir la détection de toutes les infractions. Un processus hybride bien conçu apporte du contexte, une responsabilité claire et des fondements plus solides aux décisions qui influencent les notes, les certifications et les carrières.
Découvrez la surveillance des examens en ligne avec révision humaine offerte par uxpertise. Parlez à notre équipe.
