Cas d’entreprise septembre 2026 UiT The Arctic University of Norway
Retour d’information assisté par IA : résultats d’un projet pilote dans deux cours de master à l’UiT
Ce qu’il faut pour faire confiance au retour d’information de l’IA sur des travaux quantitatifs fondés sur des modèles.
Ceci vous concerne parce que :
- Vous voulez savoir comment le retour d’information assisté par IA se comporte sur des travaux quantitatifs à réponse fermée, et pas seulement sur des dissertations ouvertes.
- Vous avez besoin d’un compte rendu documenté d’hallucinations réelles et de leurs causes profondes avant de vous fier aux premiers résultats de l’IA.
- Vous voulez la preuve qu’une supervision humaine peut repérer chaque problème avant qu’il n’atteigne la population étudiante.
- Vous prévoyez un déploiement progressif et devez savoir quelle formation et quel calibrage de la consigne il exige réellement.
Résumé
Ce projet pilote a testé le retour d’information assisté par IA sur des travaux techniques de master fondés sur des modèles, à l’UiT : calculs EOQ et MRP en Manufacturing Logistics, et optimisation de la conception de réseaux en nombres entiers mixtes en Supply Chain Management. Les deux responsables de cours, Xu Sun, professeur associé, et Hao Yu, professeur, ont généré des retours assistés par IA pour dix copies et évalué ensemble le processus, avec deux personnes inscrites qui ont rempli un questionnaire d’évaluation détaillé.
Les deux responsables ont constaté de réelles hallucinations dans les premiers résultats de l’IA (problèmes inventés, erreurs non relevées et un calcul mal interprété) et n’ont pas jugé l’outil fiable sans retouche. Chaque hallucination a été repérée avant diffusion : chaque réponse a été vérifiée des deux côtés, et aucun retour peu fiable n’est parvenu à la population étudiante. Malgré ces débuts difficiles, le temps de notation a été réduit d’environ un tiers, et les deux responsables réutiliseraient l’outil et le recommanderaient à leurs collègues, à condition que le déploiement soit progressif et accompagné d’une formation. Leurs données de test ont directement alimenté une analyse des causes profondes menée par UNIwise, qui rattache les erreurs à six causes précises, dont plusieurs sont déjà résolues ou en cours de traitement en vue de la version d’octobre 2026.
Le PDF est disponible en anglais.