General
Évaluation résistante à l’IA : guide complet pour les universités
Loading blog content
This website uses cookies for authentication, security, analytics...View Cookie Policy
General
Imaginez une vice-présidente d’université découvrant le moment où l’ancien modèle d’évaluation a cessé de fonctionner. Son corps enseignant avait passé trois mois à remanier un cours de synthèse, en remplaçant l’examen final par une analyse de cas complexe. La première cohorte a remis ses travaux. Les textes étaient soignés, bien structurés et solides sur le plan analytique. Chacun d’entre eux avait été rédigé par ChatGPT. Les étudiants n’avaient rien appris. Les notes indiquaient exactement le mauvais résultat. Et le corps enseignant se retrouvait face à un choix impossible : consacrer le semestre à surveiller l’usage de l’IA ou admettre que le problème venait de l’évaluation elle-même.
Ce scénario se répète dans l’ensemble de l’enseignement supérieur. Le réflexe consiste à se tourner vers les outils de détection, les mises à jour des politiques et les révisions des codes d’honneur. Mais les données racontent une autre histoire. Une étude publiée dans l’International Journal for Educational Integrity a révélé que 50,9 % des étudiants ont utilisé ou envisagé d’utiliser l’IA générative à des fins universitaires, et que ce taux augmente à chaque semestre. Par ailleurs, les recherches de Burchfield et Sappington sur l’assiduité aux lectures, documentées dans plusieurs établissements, confirment ce que les enseignants constatent déjà : la plupart des étudiants ne font pas les lectures demandées, et cette tendance décline depuis des décennies. Le modèle traditionnel était déjà fragile. L’IA n’a fait qu’en révéler les fissures.
La solution n’est pas un meilleur détecteur. C’est un meilleur cadre d’évaluation, qui rend observables le raisonnement, les décisions, la pratique et la réflexion de l’apprenant, afin que l’IA puisse soutenir l’expérience sans remplacer le travail cognitif que l’évaluation est censée mesurer.
Une évaluation résistante à l’IA préserve sa validité même lorsque les étudiants ont accès à des outils d’IA générative. Elle ne repose pas sur l’hypothèse que l’étudiant a produit son travail de manière isolée. Au contraire, elle rend le processus de réflexion visible, vérifiable et difficile à déléguer. Ce concept s’appuie sur un ensemble croissant de recherches et de pratiques. Le livre blanc de l’Ivey Business School, « From Chalkboard to Chatbot » (août 2026), propose l’un des cadres les plus clairs. Il soutient que l’IA générative peut éliminer l’effort grâce auquel se construit un apprentissage durable, ce que les auteurs appellent la friction productive (PDF, p. 2-3). Une évaluation résistante à l’IA ne cherche pas à éliminer l’IA. Elle rétablit la friction qui permet à l’apprentissage de s’ancrer.
Une idée reçue veut qu’une évaluation résistante à l’IA exige d’interdire les outils d’IA. Ce n’est pas le cas. En fait, bon nombre des conceptions les plus efficaces intègrent délibérément l’IA, comme assistante de recherche, génératrice de commentaires, partenaire de jeu de rôle ou outil de tutorat. La distinction essentielle est de savoir si l’IA pense à la place de l’étudiant ou soutient sa propre réflexion.
Cette distinction est importante, car les interdictions générales sont à la fois impossibles à faire respecter et contre-productives sur le plan pédagogique. Les étudiants obtiendront leur diplôme et entreront dans un monde professionnel où l’IA est intégrée à tous les outils qu’ils utilisent. L’objectif de l’évaluation ne devrait pas être de simuler un environnement d’avant l’IA. Il devrait être de vérifier que l’étudiant peut accomplir le travail cognitif que l’IA ne peut pas remplacer : formuler des problèmes, évaluer les compromis, porter des jugements en situation d’incertitude et défendre ses décisions.
Les approches fondées sur la détection cherchent à empêcher l’usage de l’IA. Les évaluations résistantes à l’IA cherchent à préserver l’apprentissage. Il s’agit d’objectifs fondamentalement différents.
La détection pose la question suivante : « L’étudiant a-t-il utilisé l’IA ? » La conception d’évaluations résistantes à l’IA demande : « L’étudiant a-t-il appris ce que l’évaluation devait mesurer ? » La première question mène à une course aux armements entre détecteurs et moyens de les contourner. La seconde conduit à repenser l’évaluation elle-même.
Pendant des décennies, la dissertation a été la référence en matière d’évaluation des compétences intellectuelles supérieures. Une dissertation bien écrite exigeait que l’étudiant fasse des recherches, synthétise, argumente et conclue. Ce format demandait un effort cognitif, et la qualité du résultat constituait un indicateur raisonnable de la qualité du raisonnement.
Cette équation ne tient plus. Un étudiant peut coller une consigne dans ChatGPT et obtenir en quelques secondes une analyse acceptable de 2 000 mots. Le texte est soigné. La structure est solide. Les références semblent plausibles. Mais l’étudiant n’a accompli aucun du travail cognitif que la dissertation devait mesurer. La note communique désormais un signal dénué de sens.
Ce n’est pas un problème marginal. Une étude de 2024 menée par l’Université de Reading a révélé que les travaux d’examen générés par l’IA passaient inaperçus dans 94 % des cas et obtenaient systématiquement de meilleures notes que les travaux rédigés par de vrais étudiants. L’écart en matière de détection ne se réduit pas, il se creuse.
L’effet le plus insidieux de l’IA sur l’évaluation n’est pas la tricherie. C’est l’illusion de l’apprentissage.
Lorsqu’un étudiant utilise l’IA pour réaliser un devoir, il obtient souvent une bonne note. Cette note donne l’impression qu’il a appris. Pourtant, l’étudiant n’a pas construit les modèles mentaux sous-jacents, les cheminements de raisonnement ni le jugement que la note est censée représenter. Il a montré qu’il sait rédiger des consignes efficaces, pas qu’il sait analyser, évaluer ou créer.
Cette distinction entre les gains de performance (réussir l’évaluation) et les gains d’apprentissage (acquérir des connaissances et des compétences durables) est le principal défi de l’évaluation à l’ère de l’IA. Lorsque l’IA peut produire la performance sans apprentissage, l’évaluation n’est plus adaptée à son objectif.
Le marché des outils de détection de l’IA a explosé. Turnitin AI detection, GPTZero, Originality.ai : les universités investissent massivement dans la promesse que la technologie peut détecter la technologie. Les données racontent une autre histoire. Une étude évaluée par les pairs et publiée par Springer a révélé que les détecteurs d’IA présentent des incohérences systématiques. Des recherches publiées dans la revue Patterns de Cell Press ont confirmé que les détecteurs sont biaisés à l’encontre des personnes dont l’anglais n’est pas la langue maternelle, et qu’ils signalent leurs travaux originaux comme étant générés par l’IA à des taux disproportionnés. Au moins une douzaine de grandes universités, dont Yale, Vanderbilt et Northwestern, ont interdit ou déconseillé leur utilisation.
Le problème de fond est structurel. La détection suppose un jeu du chat et de la souris où l’établissement garde une longueur d’avance. Mais les grands modèles de langage progressent plus vite que les modèles de détection, et les étudiants ont tout intérêt à se tenir au courant des techniques de contournement. La course aux armements repart à zéro chaque semestre, et l’établissement est perdant à chaque fois.
Le rapport d’Ivey cartographie les outils d’apprentissage selon le parcours d’apprentissage et trois résultats : les connaissances conceptuelles, les compétences spécifiques et le jugement (PDF, p. 5, tableaux 2-3). Quatre facteurs distinctifs se dégagent de l’analyse des outils : le défi cognitif, la supervision du corps enseignant, la résistance à l’usage générique de l’IA, ainsi que le volume et la variabilité de la pratique (PDF, p. 5). Ces facteurs se traduisent en cinq principes de conception.
Les évaluations les plus résistantes à l’IA ne demandent pas aux étudiants de produire un texte qu’un grand modèle de langage peut générer. Elles leur demandent de prendre des décisions qui nécessitent du jugement, du contexte et une évaluation des compromis. Un point de décision oblige l’étudiant à s’engager dans une voie, à la justifier et à en assumer les conséquences. Il n’existe pas de réponse unique à copier-coller. L’évaluation saisit le processus de raisonnement, pas seulement le résultat.
Les consignes génériques sont vulnérables, car une IA générique peut y répondre. Les évaluations qui plongent les étudiants dans un contexte riche et précis, avec des parties prenantes, des contraintes, des informations incomplètes et des priorités concurrentes, sont beaucoup plus difficiles à déléguer. Il est bien plus difficile pour l’IA de composer avec la spécificité du contexte, et le résultat est plus observable lorsqu’elle essaie, car ce contexte n’existe qu’au sein de l’évaluation.
Lorsque seul le résultat final est remis, l’IA peut le produire. Lorsque l’évaluation exige que les étudiants montrent leur raisonnement, au moyen de journaux de décisions, de choix annotés ou de justifications étape par étape, le travail cognitif devient visible et vérifiable. C’est le cheminement du raisonnement qui est noté, pas la conclusion bien formulée.
Les évaluations réalisées en une seule fois sont faciles à déléguer, car l’étudiant n’a qu’une occasion de produire un résultat. Les évaluations en plusieurs étapes, qui exigent de réfléchir aux commentaires reçus, de réviser son travail et d’expliquer ce qui a changé et pourquoi, créent un processus beaucoup plus difficile à reproduire pour l’IA. L’IA peut produire un premier brouillon. Expliquer pourquoi l’étudiant a choisi de le réviser exige un cheminement de raisonnement personnel plus difficile à fabriquer.
Le rôle le plus productif de l’IA dans l’évaluation n’est pas de remplacer la réflexion, mais de l’accompagner. Lorsque l’IA donne des commentaires sur le raisonnement d’un étudiant, remet en question ses hypothèses ou suggère d’autres perspectives, elle renforce le processus d’apprentissage au lieu de le contourner. L’essentiel est que l’IA intervienne sur la réflexion de l’étudiant, et non à sa place.
L’un des principaux enseignements du rapport d’Ivey est que différents résultats d’apprentissage nécessitent différents formats d’évaluation. Aucun format ne devrait être censé mesurer les trois avec la même efficacité.
Ce qu’un étudiant sait sur un sujet. Il s’agit du domaine des connaissances déclaratives : cadres, théories, définitions et modèles. Les formats traditionnels, comme les dissertations, les examens et les questionnaires à choix multiples, peuvent toujours évaluer efficacement les connaissances conceptuelles, à condition que l’évaluation mesure la compréhension plutôt que la mémorisation. Le risque est que l’IA puisse produire des explications plausibles de concepts sans les comprendre véritablement. La solution consiste à demander aux étudiants d’appliquer les concepts à des situations inédites, et non de simplement les réciter.
Ce qu’un étudiant peut faire avec ses connaissances. Il s’agit du domaine des connaissances procédurales : analyse, calcul, diagnostic et exécution. Les évaluations fondées sur les compétences résistent davantage à l’IA que celles fondées sur les connaissances, car elles exigent que l’étudiant réalise une tâche au lieu de simplement la décrire. Les simulations, les analyses de cas et les exercices pratiques sont des formats naturels pour ce domaine.
Ce qu’un étudiant choisit lorsque la réponse n’est pas évidente. C’est le domaine le plus difficile à évaluer et le plus précieux. Le jugement exige que l’étudiant pèse des informations incomplètes, compose avec des priorités concurrentes et prenne une décision qui aura des conséquences. C’est aussi le domaine le plus résistant à l’IA, car le jugement dépend du contexte et de la personne. Aucun grand modèle de langage ne peut reproduire le raisonnement précis qui a conduit un étudiant donné à prendre une décision particulière dans un scénario précis.
Une erreur fréquente consiste à considérer un seul format d’évaluation, généralement la dissertation, comme une mesure universelle des trois résultats. Les dissertations peuvent évaluer les connaissances conceptuelles. Elles sont moins adaptées à l’évaluation des compétences pratiques. Elles sont presque inutiles pour évaluer le jugement en situation d’incertitude, car l’étudiant écrit ce qu’il ferait au lieu de le faire réellement.
La conséquence est claire : la conception de l’évaluation devrait partir du résultat d’apprentissage, et non du format. Si le résultat visé est le jugement, le format devrait être axé sur la prise de décision. Si le résultat visé est une compétence, le format devrait être axé sur la mise en pratique. Si le résultat visé est une connaissance, le format peut être plus traditionnel, mais devrait tout de même exiger une mise en application plutôt qu’une simple restitution.
Au lieu de : « Analysez les options stratégiques qui s’offrent à l’entreprise X et recommandez une ligne de conduite. »
Essayez : une étude de cas à embranchements où les étudiants doivent prendre trois décisions consécutives, chacune s’appuyant sur la précédente. Après chaque décision, ils rédigent une courte justification expliquant leur choix, les informations qu’ils ont privilégiées et ce qu’ils devraient savoir pour avoir davantage confiance. L’IA peut produire l’analyse. Elle ne peut pas produire la séquence de décisions que l’étudiant a réellement prise, car cette séquence dépend de ses choix précédents.
Au lieu de : « Lisez cette étude de cas de 20 pages et préparez une discussion. »
Essayez : une simulation où les étudiants reçoivent au fil du temps des messages de parties prenantes virtuelles. Le premier message présente un problème. Le deuxième révèle une complication. Le troisième introduit une partie prenante aux intérêts divergents. Les étudiants doivent décider à qui parler, quelles questions poser et quand agir. Les informations ne sont communiquées que lorsque l’étudiant pose la bonne question. L’IA peut résumer l’étude de cas. La mise en scène des échanges avec les parties prenantes rend la délégation plus difficile : l’IA peut simuler une partie prenante, mais la simulation rend observable l’engagement de l’étudiant, au lieu de le laisser invisible.
Au lieu de : une négociation simulée avec un camarade de classe.
Essayez : une série de jeux de rôle alimentés par l’IA où les étudiants négocient avec des interlocuteurs virtuels ayant différentes personnalités, contraintes et informations. Chaque répétition s’appuie sur la précédente. La stratégie de l’étudiant doit s’adapter au comportement de son interlocuteur. L’IA peut générer un scénario. Il est plus difficile de déléguer une adaptation convaincante aux actions précises de l’étudiant au fil de plusieurs tours, l’effort nécessaire pour maintenir l’illusion d’un tour à l’autre devenant une forme d’engagement à part entière.
Au lieu de : « Remettez votre recommandation finale. »
Essayez : un processus en trois étapes : remettre une recommandation initiale accompagnée du raisonnement, recevoir des commentaires générés par l’IA qui remettent en question les hypothèses, puis remettre une recommandation révisée en expliquant ce qui a changé et pourquoi. La note repose sur la qualité de la révision, et non sur la réponse initiale. L’IA peut produire une première réponse plausible. Expliquer pourquoi l’étudiant a choisi de la réviser exige un cheminement de raisonnement personnel plus difficile à fabriquer.
Toutes les évaluations n’ont pas besoin d’être repensées pour résister à l’IA. Certains formats sont structurellement résistants à l’IA. Les examens en présentiel sans documents, où les étudiants écrivent à la main, restent efficaces pour évaluer les connaissances fondamentales. Les soutenances orales en direct, où les étudiants doivent défendre leur raisonnement en temps réel devant un membre du corps enseignant, comptent parmi les formats les plus résistants à l’IA. Leur coût est le temps et la capacité d’accueil. Leur avantage est une quasi-certitude que le travail est bien celui de l’étudiant.
Le rapport d’Ivey recommande que les expérimentations pédagogiques définissent l’activité d’apprentissage susceptible d’être court-circuitée, la friction rétablie ou introduite et les preuves qui démontreraient l’apprentissage au-delà de la satisfaction (PDF, p. 7). La liste de vérification suivante concrétise cette recommandation.
Commencez par le résultat, pas par le format. Que devraient être capables de faire les étudiants après cette évaluation qu’ils ne savaient pas faire avant ? Soyez précis. « Faire preuve d’esprit critique » est trop vague. « Évaluer une fusion proposée en situation d’information incomplète » est suffisamment précis pour orienter la conception.
Comparez la tâche d’évaluation aux capacités des outils d’IA actuels. Un étudiant peut-il coller la consigne dans ChatGPT et obtenir une réponse acceptable en moins d’une minute ? Si oui, la tâche est vulnérable. La question n’est pas de savoir si les étudiants utiliseront l’IA, ils le feront. La question est de savoir si l’évaluation peut toujours mesurer l’apprentissage lorsqu’ils l’utilisent.
Une fois le raccourci identifié, concevez une friction qui rétablit le travail cognitif. Il peut s’agir d’ajouter un point de décision, d’exiger une trace du raisonnement, d’introduire une interaction avec des parties prenantes ou de divulguer les informations progressivement. La friction doit être proportionnelle à l’objectif d’apprentissage. Toutes les évaluations n’ont pas besoin de prendre la forme d’une simulation en plusieurs étapes. Mais chacune devrait comporter au moins un moment où l’étudiant doit s’engager dans une position que l’IA ne peut pas générer à l’avance.
Que noterez-vous ? Si la réponse est « le produit final », l’évaluation reste probablement vulnérable. Déplacez les éléments évalués vers le processus : le cheminement décisionnel, le journal de raisonnement, l’historique des révisions, la réflexion. Ces documents sont plus difficiles à falsifier et renseignent davantage sur ce que l’étudiant a réellement appris.
Précisez clairement quel usage de l’IA est autorisé et lequel ne l’est pas. Le rapport d’Ivey recommande de préserver, lorsque cela est approprié, des espaces d’évaluation ou d’apprentissage social sans IA (PDF, p. 7-8). Certaines évaluations devraient se dérouler sans IA. D’autres devraient être soutenues par l’IA. L’essentiel est que les limites soient transparentes, justifiées et liées à l’objectif d’apprentissage.
La première version d’une évaluation repensée ne sera pas parfaite. Testez-la dans un groupe. Faites le bilan avec les étudiants. Qu’ont-ils appris ? Qu’est-ce qui leur a semblé confus ? L’évaluation a-t-elle réellement mesuré ce qu’elle devait mesurer ? Appuyez-vous sur les données pour l’améliorer. Le rapport d’Ivey précise explicitement que son examen porte sur 14 outils et ne constitue pas un classement universel, ses évaluations étant subjectives (PDF, p. 9). La même modestie devrait guider toute refonte d’évaluation.
Les simulations sont l’un des formats les plus efficaces pour concevoir des évaluations résistantes à l’IA, car elles reposent sur des décisions structurées en situation d’information incomplète. Une simulation bien conçue présente un scénario aux étudiants, introduit des parties prenantes aux priorités concurrentes et leur demande de prendre des décisions qui auront des conséquences. Elle ne leur demande pas d’écrire ce qu’ils feraient. Elle leur demande de le faire.
C’est fondamentalement différent d’une étude de cas, qui présente des informations rétrospectives et demande aux étudiants d’analyser ce qui s’est passé. Une simulation présente les informations par épisodes et demande aux étudiants de façonner la suite des événements. Cette distinction est celle qui sépare l’analyse du jugement, et c’est pourquoi les simulations résistent structurellement à la délégation à l’IA.
Pour qu’un apprentissage se transfère à la performance dans le monde réel, trois conditions sont nécessaires : l’apprenant doit faire un choix, en vivre les conséquences et recevoir des commentaires alors que le lien entre les deux est encore évident. Les simulations remplissent ces trois conditions. Le choix est la décision de l’étudiant. La conséquence est la réponse du scénario. Les commentaires sont immédiats et précis.
C’est pourquoi les simulateurs de vol sont la référence absolue en formation aéronautique et pourquoi les simulations fondées sur des études de cas sont utilisées depuis des décennies dans la formation en gestion. Ce format oblige l’apprenant à agir, à s’engager dans une voie et à assumer les conséquences. Aucun contenu de diapositive ne peut reproduire ce qui se passe au moment où une personne doit choisir avec des informations incomplètes et sous la pression du temps.
L’un des avantages les moins appréciés de l’évaluation par simulation est la quantité de données qu’elle produit. Les décisions, les hésitations et les changements de cap sont consignés lorsque la simulation les enregistre. Le corps enseignant peut voir non seulement les conclusions des étudiants, mais aussi des indicateurs de la manière dont ils y sont parvenus. Cette visibilité transforme le bilan en intervention ciblée, plutôt qu’en discussion générale. Au lieu de demander « Qu’en avez-vous tous pensé ? », le corps enseignant peut demander : « Pourquoi 60 % d’entre vous ont-ils choisi l’option B au troisième point de décision, et quelles informations vous auraient fait changer d’avis ? »
Des plateformes comme LiveCase offrent un environnement d’apprentissage fondé sur des scénarios riches en décisions. Les étudiants interagissent avec des personnages alimentés par l’IA, reçoivent des informations partielles, prennent des décisions sous la pression du temps et voient les conséquences se dérouler. Le corps enseignant peut créer ses propres simulations ou choisir dans un catalogue de scénarios prêts à l’emploi, notamment les meilleures ventes publiées par Harvard Business Impact.
Mais LiveCase est un exemple de mise en œuvre, et non la définition de la catégorie. Les principes de l’évaluation résistante à l’IA s’appliquent que vous utilisiez une plateforme de simulation, un exercice de jeu de rôle, une étude de cas par étapes ou une soutenance orale en direct. Le format devrait être au service de l’objectif d’apprentissage, et non l’inverse.
Pour approfondir la manière dont les évaluations axées sur la prise de décision répondent à la tricherie liée à l’IA, consultez notre article précédent sur les raisons pour lesquelles les évaluations axées sur la prise de décision l’emportent sur la tricherie par l’IA. Pour découvrir comment évaluer concrètement l’esprit critique au-delà de la dissertation, consultez comment mesurer l’esprit critique. Enfin, pour un aperçu de la place des outils de simulation par l’IA dans l’évaluation de l’enseignement supérieur, lisez pourquoi les outils de simulation par l’IA sont l’élément manquant de l’évaluation dans l’enseignement supérieur.
Lutter contre la tricherie par l’IA : guide pratique pour le corps enseignant examine plus en détail les évaluations résistantes à l’IA.
Pour approfondir la question, lisez 7 vérités qui remettent en perspective l’idée que les technologies éducatives appauvrissent l’expérience pédagogique.
Une évaluation résistante à l’IA préserve sa validité même lorsque les étudiants ont accès à l’IA générative. Elle mesure le raisonnement, les décisions et la réflexion de l’apprenant plutôt que le résultat soigné qu’un grand modèle de langage peut générer.
Non. Aucune évaluation n’est entièrement à l’épreuve de l’IA, pas plus qu’aucune serrure n’est totalement impossible à crocheter. Une évaluation résistante à l’IA préserve son intégrité malgré l’usage de l’IA, car le travail cognitif qu’elle mesure ne peut pas être délégué à un modèle de langage.
Cela dépend de la conception de l’évaluation. Certaines évaluations résistantes à l’IA intègrent volontairement l’IA comme outil d’accompagnement ou de recherche. D’autres sont conçues sans IA. L’essentiel est que les limites soient transparentes, justifiées et liées à l’objectif d’apprentissage.
Déplacez les éléments évalués du produit final vers le processus. Demandez des journaux de décisions, des choix annotés, des traces de raisonnement et des révisions par étapes. Notez le cheminement du raisonnement, et non la conclusion bien formulée.
Le rapport d’Ivey recommande de préserver, lorsque cela est approprié, des espaces d’évaluation ou d’apprentissage social sans IA (PDF, p. 7-8). Les vérifications des connaissances fondamentales, les soutenances orales en direct et les exercices collaboratifs en présentiel sont des candidats naturels à une évaluation sans IA.
En observant les décisions prises par un étudiant lorsque la réponse n’est pas évidente. Cela nécessite un scénario comportant des informations incomplètes, des priorités concurrentes et des conséquences. Le cheminement décisionnel de l’étudiant révèle son jugement plus fidèlement qu’une dissertation ne pourrait le faire.
Commencez par un cours, un module, une évaluation. Repérez le résultat d’apprentissage le plus vulnérable à la délégation à l’IA. Repensez cette seule évaluation en appliquant les principes ci-dessus. Mesurez les résultats. Utilisez les données pour justifier une adoption plus large.
Vous souhaitez en parler ? Réservez un appel découverte gratuit de 15 minutes
Créez votre simulation, faites appel à notre Studio, partez d'un cas publié ou échangez avec notre équipe.
Demandez une démo, un devis ou parlez-nous de votre simulation. Nous répondons généralement en quelques heures.
Nous contacterCréez avec l'IA ou partez de zéro. Vous gardez le contrôle créatif.
Créer un compteTravaillez avec nos auteurs pour obtenir une simulation prête à l'emploi.
Découvrir le StudioParcourez des simulations conçues avec des enseignants de premier plan.
Voir le catalogue
Author: Denis Duvauchelle
Elevate your AI skills for better learning 🌟 | AI Developer & Education Innovator | 50K + Executives / HigherEd success stories. He specializes in both research and implementation, and is dedicated to creating the best possible experience for educational simulations, both in terms of design and usage. With a focus on driving engagement and learning outcomes, Denis is committed to delivering innovative and impactful solutions for his clients. https://www.linkedin.com/in/desduvauchelle/
Publié le: 28/10/2026
Articles liés
© 2021 — @Livecase
Powered by Recursive Solutions