Des banques de questions générées avec l'IA, avec un retour pour chaque réponse, au format GIFT ou XML, prêtes à importer dans Moodle. Plus de saisie : l'enseignant corrige et enrichit, directement dans la banque de questions.
Le niveau de délégation indique jusqu'où l'IA agit seule. Ici, l'IA enchaîne plusieurs tâches dans un cadre fixé à l'avance, et un humain valide les étapes clés.
Un QCM d'entraînement apprend surtout par ses retours, mais écrire un retour pour chaque réponse représente des heures de saisie.
Des QCM générés avec l'IA à partir du contenu de la semaine, avec un retour par réponse, importés directement dans Moodle.
Des étudiants qui comprennent pourquoi une réponse est fausse, et un enseignant qui passe de la saisie à la relecture du fond.
Un QCM d'entraînement apprend autant par ses retours que par ses questions. Une erreur expliquée au bon moment vaut mieux qu'une bonne réponse devinée.
Mais écrire dix questions par semaine, avec un retour pour chaque réponse, c'est des heures de saisie dans l'éditeur de Moodle. Alors, souvent, le retour se résume à « Faux ».
Une chaîne en quatre étapes, du contenu du cours au fichier prêt à importer.
Le contenu de la semaine, et seulement lui.
Les notions à vérifier, le niveau, les erreurs fréquentes des étudiants.
GIFT ou XML, avec catégories, pondérations et retours.
Dans la banque de questions de Moodle, après l'import.
GIFT et Moodle XML sont les deux formats d'import de questions dans Moodle : le premier se lit et se corrige comme un texte, le second décrit tout, images comprises.
L'IA ne se fatigue pas à la dixième question. Chaque réponse, juste ou fausse, reçoit un retour qui explique le raisonnement, et renvoie au cours.
Le gain repose sur deux étapes où l'expertise de l'enseignant reste indispensable.
L'import remplit la banque de questions. Créer le test, le régler (dont l'affichage immédiat des retours) et y ajouter les questions reste un geste de l'enseignant dans Moodle.
Trois indicateurs permettent de juger le dispositif.
Temps de production d'un QCM, avant et après
Temps de correction dans la banque
Avis des étudiants sur les retours

« Une erreur bien expliquée vaut mieux qu'une bonne réponse devinée. »
et c'est vrai pour les enseignants aussiL'IA ne reçoit que le contenu du cours : aucune donnée d'étudiant. Les fichiers GIFT restent modifiables à la main, sans dépendre d'un outil. Pour les questions avec image, le format XML permet d'ajouter un texte alternatif.
Les mauvaises réponses font la qualité d'un QCM : c'est là que la relecture compte le plus.
La chaîne fonctionne dans toutes les disciplines, dès qu'il existe un contenu de référence.
Ce que les étudiants savent déjà, avant de commencer.
Trois questions pour vérifier l'essentiel.
Avec un retour qui renvoie au bon chapitre.
Une banque large, tirée au hasard.
Trois conditions pour que ça marche : un contenu de référence par séquence, une consigne de format précise (catégories, pondérations, retours), et une relecture avant l'import.
Le kit contient le prompt de génération, un exemple GIFT commenté, un exemple XML et la procédure d'import pas à pas.
Prochaine étape : un agent auquel l'étudiant demande lui-même des questions. « Aide-moi à réviser ce chapitre », « encore trois questions sur cette notion », « plus difficile ». Même contenu de référence, mêmes règles de retour, mais à la demande.
Dans la veille : Maryland : un tuteur IA proposé, des notes en baisse · Middlebury : avec l'IA, on apprend plus, si on ne la laisse pas écrire