Politique d'IA de l'Université de Cambridge : Comment l'orientation en matière d'éducation numérique façonne les travaux de cours en 2026

Que dit réellement la politique d'IA de l'Université de Cambridge sur l'éducation numérique ?

L'approche de Cambridge envers l'IA générative en enseignement et évaluation est délibérément décentralisée. Plutôt que d'émettre une unique règle contraignante s'appliquant de manière identique à un ensemble de problèmes de physique, une dissertation en histoire et une thèse en informatique, l'orientation en matière d'éducation numérique de l'université énonce des principes partagés — intégrité académique, transparence et reconnaissance appropriée des sources — puis délègue les règles d'utilisation permises spécifiques aux facultés, départements et organisateurs de cours individuels. Cela signifie qu'un étudiant d'une matière Tripos peut être explicitement autorisé à utiliser un grand modèle de langage pour le remue-méninges ou la rédaction de code, tandis qu'un étudiant d'un autre département peut faire face à une interdiction complète de tout texte généré par l'IA apparaissant dans les travaux soumis. L'orientation considère cette flexibilité comme nécessaire car le profil de risque de l'assistance de l'IA diffère considérablement selon la discipline : un paragraphe généré pose une question d'intégrité différente dans une dissertation réflexive que ne le fait une fonction générée dans une tâche de programmation. Ce qui reste constant dans chaque faculté est l'attente que les étudiants vérifient les règles spécifiques pour chaque cours qu'ils suivent plutôt que de supposer l'application d'une politique générale, et que toute utilisation des outils d'IA au-delà de ce qui est explicitement autorisé doit être divulguée plutôt que dissimulée. Les superviseurs et directeurs d'études sont généralement le premier point de référence quand un étudiant n'est pas certain qu'un cas d'utilisation particulier — utiliser l'IA pour résumer une lecture, vérifier la grammaire, suggérer un plan — se situe à l'intérieur ou à l'extérieur de ce que son cours permet.

"Nous ne cherchons pas à écrire une règle qui s'adapte à chaque discipline. Ce qui doit être cohérent, c'est que les étudiants sachent où vérifier la règle pour leur propre cours, et que l'utilisation non divulguée soit traitée comme une rupture de confiance indépendamment de la discipline." — Résumé de l'orientation en matière d'éducation numérique de Cambridge, paraphrasé à partir des mises à jour de faculté publiées

Pourquoi Cambridge délègue-t-elle les règles d'IA aux départements individuels plutôt que de fixer une seule politique ?

Le modèle décentralisé reflète le fonctionnement de la structure d'enseignement collégiale et basée sur le Tripos de Cambridge pour la plupart des questions académiques — les formats d'évaluation, les critères de notation et les ressources autorisées ont longtemps varié selon la faculté plutôt que d'être normalisés centralement. L'extension de cette même logique à l'IA générative a maintenu la nouvelle orientation cohérente avec la gouvernance académique existante plutôt que de créer une bureaucratie parallèle à l'échelle universitaire. Il existe également une raison pratique : le rythme du changement dans les outils d'IA a été suffisamment rapide pour qu'un unique recueil de règles détaillé risque de devenir obsolète en un an universitaire. En définissant les principes au centre et en déléguant les détails, les départements individuels peuvent mettre à jour leur propre orientation à mesure que les outils changent — un département d'informatique peut réviser ce qui compte comme aide de codage assistée par IA acceptable à mesure que de nouveaux outils émergent, sans attendre un processus d'examen à l'échelle universitaire. Le compromis est que cette flexibilité confère aux étudiants plus de responsabilité dans la recherche active et la lecture de l'orientation pertinente pour chaque cours plutôt que de compter sur une seule règle mémorisée. Les directeurs d'études et les manuels de cours sont les canaux principaux par lesquels cette information atteint les étudiants, et les syllabi de cours incluent de plus en plus une déclaration explicite sur l'utilisation de l'IA aux côtés du langage d'intégrité académique existant.

1. L'orientation centrale en matière d'éducation numérique établit des principes partagés : intégrité, transparence, divulgation
2. Les facultés et départements individuels définissent des utilisations spécifiques autorisées et interdites
3. Les manuels de cours et syllabi sont le principal lieu où les étudiants trouvent des règles spécifiques à la discipline
4. Les directeurs d'études et superviseurs clarifient les cas limites non explicitement couverts
5. L'orientation départementale peut être mise à jour indépendamment à mesure que nouveaux outils d'IA deviennent disponibles

Comment les étudiants doivent-ils divulguer l'utilisation de l'IA selon les orientations d'éducation numérique de Cambridge ?

Lorsqu'un cours autorise un certain niveau d'assistance de l'IA, l'orientation de Cambridge s'attend généralement à une divulgation qui reflète comment les étudiants reconnaissent déjà d'autres formes d'aide, comme citer une source ou créditer un collaborateur. En pratique, cela signifie noter quel outil a été utilisé, pour quelle tâche spécifique — rédaction d'un plan, vérification de la syntaxe du code, génération d'une première ébauche de résumé de littérature — et ce qui a été par la suite modifié ou rédigé indépendamment par l'étudiant. Une brève déclaration à la fin d'une tâche ou dans une note de bas de page est le format le plus courant demandé par les départements, similaire à une section des remerciements dans une thèse. Le niveau de détail attendu s'ajuste à la centralité de la portion assistée par l'IA dans la soumission finale : un étudiant qui a utilisé un chatbot pour vérifier la grammaire sur un essai terminé fait face à une attente de divulgation plus légère que celui qui a utilisé l'IA pour générer une portion substantielle du contenu analytique qui a ensuite été édité. Le silence est le problème fondamental que l'orientation aborde — non la technologie elle-même. Un étudiant qui utilise un outil autorisé mais ne le divulgue pas, ou qui divulgue une forme plus légère d'assistance que celle réellement utilisée, est traité comme s'il avait mal représenté sa soumission indépendamment de si l'assistance sous-jacente aurait été autorisée si divulguée honnêtement. C'est pourquoi le cadre de Cambridge sépare systématiquement deux questions distinctes : cette utilisation de l'IA était-elle appropriée pour ce cours, et a-t-elle été divulguée avec précision — une soumission peut échouer sur l'une ou l'autre question indépendamment.

1. Identifiez si votre cours spécifique autorise une assistance de l'IA avant de commencer une tâche
2. Notez l'outil exact et la tâche si une assistance est utilisée — rédaction, résumé, vérification du code, édition
3. Indiquez clairement ce qui a été assisté par l'IA et ce qui a été rédigé ou vérifié indépendamment
4. Ajustez le niveau de détail de divulgation à la centralité de la portion assistée par l'IA dans le travail final
5. Quand vous n'êtes pas sûr qu'un cas d'utilisation nécessite une divulgation, demandez à votre superviseur ou directeur d'études avant de soumettre

Comment les cours de Cambridge vérifient-ils que les travaux soumis suivent la politique d'IA ?

Les approches de vérification varient selon le département de la même manière que le font les règles d'utilisation autorisées, mais plusieurs méthodes courantes ont émergé dans les facultés de Cambridge depuis l'introduction de l'orientation d'IA générative. De nombreux superviseurs s'appuient sur la connaissance directe du style d'écriture et de raisonnement d'un étudiant construite au fil de supervisions régulières, rendant un changement inexplicable dans le vocabulaire, la structure argumentative ou la fluidité technique un signal plus immédiat que n'importe quel outil automatisé. Les examens écrits et les vivas en personne — déjà centraux dans la culture d'évaluation de Cambridge — ont pris une importance accrue comme moyen de confirmer qu'un étudiant peut expliquer et défendre le raisonnement derrière les travaux de cours soumis, puisqu'un étudiant qui ne peut pas rendre compte de son propre argument sous questionnement soulève des préoccupations indépendantes de tout logiciel de détection. Certains départements ont également commencé à intégrer les outils de détection d'IA comme signal de soutien plutôt que comme unique déterminant, ce qui est cohérent avec l'accent plus large de l'université sur le jugement académique humain par rapport aux verdicts automatisés. Une note de détection, quand elle est utilisée, fonctionne comme un déclencheur pour un examen manuel plus approfondi plutôt que comme preuve en soi — un schéma cohérent avec la façon dont la plupart des établissements d'enseignement supérieur du Royaume-Uni ont positionnés ces outils compte tenu des risques documentés de faux positifs dans la détection d'IA automatisée. Les étudiants qui préparent une soumission pour un département qui a signalé qu'il peut vérifier le contenu assisté par l'IA — soit par conversation directe, un viva ou un outil de détection de soutien — bénéficient de pouvoir expliquer leur propre processus de rédaction et, le cas échéant, confirmer que leur écriture ne porte pas de schémas stylistiques qui créeraient de l'ambiguïté concernant une implication d'IA non divulguée.

1. La familiarité du superviseur avec le style d'écriture et de raisonnement habituel d'un étudiant reste une vérification principale
2. Les vivas et examens oraux permettent une confirmation directe qu'un étudiant peut expliquer son propre raisonnement soumis
3. Certains départements utilisent les outils de détection d'IA comme signal de soutien, non comme verdict autonome
4. Une note marquée déclenche généralement un examen manuel plus approfondi plutôt qu'une pénalité automatique
5. Les étudiants doivent être prêts à parcourir leur processus de rédaction s'il leur est demandé

"Une question de viva sur votre propre argument nous en dit plus en deux minutes que n'importe quelle note. Les outils sont utiles pour signaler où regarder plus attentivement — ce ne sont pas la découverte elle-même." — paraphrasé à partir des orientations de faculté de Cambridge sur l'intégrité de l'évaluation

Que se passe-t-il si le travail d'un étudiant est signalé selon les orientations d'IA de Cambridge ?

Parce que les règles d'utilisation autorisées et les méthodes de vérification se situent au niveau départemental, le processus qui suit une soumission signalée l'est également. Dans la plupart des cas, un superviseur ou examinateur ayant des préoccupations concernant l'utilisation d'IA non divulguée soulevera d'abord la question directement auprès de l'étudiant — par une conversation, une demande de brouillons ou de notes, ou une question de suivi lors d'une supervision — avant que ne commence un processus formel de faute académique. Cela reflète l'approche de longue date de Cambridge concernant le plagiat soupçonné, où la résolution informelle au niveau du cours est la norme et le renvoi formel à un organisme collégial ou universitaire est réservé aux cas impliquant des preuves plus solides ou un schéma sur plusieurs travaux. Les étudiants qui peuvent produire des brouillons, des notes ou un compte clair de leur processus de recherche et de rédaction sont généralement mieux positionnés pour résoudre une demande informelle rapidement. Lorsqu'un cas procède à un processus formel de faute académique, les procédures existantes de l'université — les mêmes utilisées pour le plagiat et autres préoccupations d'intégrité — s'appliquent, et un étudiant a le droit de répondre et de présenter des preuves. Compte tenu de la nature décentralisée de la politique, les étudiants confrontés à une demande concernant l'utilisation de l'IA sont encouragés à examiner les orientations publiées de leur cours ou département spécifique comme première étape, puisque la limite exacte d'utilisation autorisée qu'ils ont peut-être franchie — ou non — est définie là plutôt que dans un seul document central de Cambridge.

Comment les étudiants et chercheurs peuvent-ils vérifier leur propre travail avant de le soumettre à Cambridge ?

Étant donné que la précision de la divulgation a autant d'importance que l'utilisation sous-jacente de l'IA elle-même selon les orientations d'éducation numérique de Cambridge, une habitude pratique pour les étudiants est d'examiner un brouillon avant la soumission pour confirmer qu'il reflète ce qu'ils ont l'intention de divulguer — et, séparément, confirmer que toute section rédigée indépendamment ne porte pas de schémas stylistiques susceptibles d'attirer un examen inutile. Les outils comme NotGPT permettent aux étudiants et chercheurs de coller un brouillon et de voir une ventilation au niveau des phrases de la ressemblance à l'IA, ce qui est utile moins comme porte de passage/échec et plus comme moyen de capturer les passages où une édition importante ou un style d'écriture étroit et formel pourraient se lire ambigus pour un superviseur ou un examinateur. C'est particulièrement pertinent pour les étudiants en recherche écrivant dans un registre technique, ou pour les étudiants écrivant l'anglais comme langue additionnelle, qui peuvent tous deux produire une prose qui se lit de manière plus uniforme que l'écriture informelle native typique sans aucune implication d'IA. Effectuer une auto-vérification plusieurs jours avant une date limite — plutôt que la nuit avant — permet du temps pour revisiter des passages marqués spécifiques, confirmer que la déclaration de divulgation correspond au brouillon final, et, où un cours autorise une utilisation limitée de l'IA, s'assurer que la reconnaissance décrit ce qui a réellement été fait. Rien de cela ne remplace la lecture de l'orientation spécifique publiée par la faculté ou le département d'un étudiant, qui reste la source faisant autorité pour ce qui est et n'est pas autorisé dans un cours donné.

1. Lisez l'orientation spécifique publiée de votre cours ou département sur l'IA avant de commencer une tâche
2. Rédigez votre déclaration de divulgation aux côtés de votre travail, non comme une pensée tardive avant la soumission
3. Exécutez les sections rédigées indépendamment par le biais d'un détecteur d'IA pour capturer les schémas stylistiques ambigus
4. Révisez les passages marqués pour la variation naturelle des phrases plutôt que la formulation uniformément formelle
5. Confirmez que votre déclaration de divulgation finale correspond exactement à l'assistance qui a été utilisée
6. Conservez les brouillons et notes au cas où un superviseur vous poserait des questions sur votre processus d'écriture