GoodGrades

Corriger examens, rapports et études de cas par IA

GoodGrades est une application développé pour le client Kwark Education. Sa promesse : corriger par IA des examens, mais aussi des rapports de stage et des études de cas — des productions longues et nuancées, là où l'automatisation s'arrêtait jusqu'ici aux QCM. Pensé à la fois comme une application utilisable directement et comme une API mobilisable par d'autres services, GoodGrades fait gagner aux correcteurs un temps considérable, sans leur retirer le dernier mot sur la note.

Derrière l'idée simple — « faire corriger par l'IA » — se cache un processus rigoureux en plusieurs étapes, conçu pour que la correction automatique soit fiable, transparente et proche d'une notation humaine. C'est ce qui distingue un logiciel métier sur-mesure d'un simple appel à un modèle de langage.

Pourquoi corriger est si difficile à automatiser

Corriger un QCM est trivial : la réponse est juste ou fausse. Corriger une question ouverte, un rapport de stage ou une étude de cas est tout autre chose. Il faut comprendre le sens d'une réponse, juger sa pertinence par rapport à un attendu, tenir compte de formulations différentes pour une même idée, et appliquer un barème de façon cohérente d'une copie à l'autre. C'est précisément ce travail de jugement — long, répétitif et exigeant en constance — que GoodGrades automatise, sans le réduire à une correspondance de mots-clés.

La difficulté n'est pas de noter vite, mais de noter juste et de la même façon de la première à la dernière copie.

Un processus en plusieurs étapes

La force de GoodGrades tient dans sa méthode. Plutôt que de jeter les copies à l'IA en espérant une note, l'outil construit d'abord un référentiel de correction solide, validé par l'humain, avant de corriger quoi que ce soit.

Étape 1 — Déposer les consignes de l'examen

Tout commence par le dépôt des consignes : le sujet, l'énoncé, les instructions de l'examen, du rapport ou de l'étude de cas. C'est la matière première à partir de laquelle tout le référentiel de correction va être construit.

Étape 2 — Extraire automatiquement les questions

À partir des consignes, GoodGrades extrait automatiquement les questions à corriger. L'utilisateur n'a pas à ressaisir chaque item à la main : l'outil identifie les questions et structure l'examen, prêt à recevoir ses éléments de correction.

Étape 3 — Générer une réponse référente

Pour chaque question, l'IA génère une réponse référente — la réponse attendue, celle qui servira de point de comparaison lors de la correction. Disposer d'un attendu explicite est ce qui permet, ensuite, de juger les copies avec cohérence plutôt qu'au ressenti.

Étape 4 — Générer les critères de notation

En parallèle, GoodGrades génère des critères de notation : un barème qui indique à l'IA comment évaluer une réponse — ce qui est attendu, ce qui fait gagner ou perdre des points. Ces critères sont ce qui « aiguille » l'IA et garantit une notation alignée sur les intentions du correcteur.

Étape 5 — Relire, ajuster, valider

Vient alors une étape essentielle : la relecture humaine. L'utilisateur examine ce que l'IA a produit — questions extraites, réponses référentes, critères de notation — et le modifie si nécessaire. Rien n'est corrigé tant que ce référentiel n'est pas validé. C'est le garde-fou qui garantit que la correction reposera sur des bases justes, et que le correcteur reste maître de sa notation.

Étape 6 — Déposer les copies des étudiants

Une fois le référentiel validé, l'utilisateur dépose les copies de chacun de ses étudiants. La plateforme est prête à corriger, en s'appuyant sur l'attendu et le barème construits aux étapes précédentes.

Étape 7 — Voir la correction se faire, copie après copie

La correction s'exécute alors progressivement : copie après copie, question après question, l'utilisateur voit les notes et les commentaires apparaître. Plutôt qu'un résultat opaque livré d'un bloc, GoodGrades rend le processus visible et suivable, avec des statuts clairs pour chaque copie (correction en cours, corrigée, en erreur).

Une IA entraînée pour se rapprocher d'une notation humaine

Le cœur de la valeur de GoodGrades est là : l'IA de correction a été entraînée sur des milliers de copies, afin de se rapprocher le plus possible d'une notation humaine. L'enjeu n'est pas de noter mécaniquement, mais de reproduire le discernement d'un correcteur expérimenté — accorder le bon poids à une réponse partiellement juste, reconnaître une bonne idée mal formulée, appliquer le barème avec la même main d'une copie à l'autre.

Cette proximité avec le jugement humain est ce qui rend la correction automatique réellement utilisable : une note que le correcteur peut assumer, et non une approximation qu'il devrait entièrement reprendre.

L'humain garde le dernier mot

GoodGrades n'a jamais visé à remplacer le correcteur, mais à le décharger. À deux moments, l'humain garde la main : en amont, lors de la validation du référentiel (réponses référentes, critères) ; en aval, sur la note finale, qu'il peut ajuster. L'IA propose une note argumentée et un commentaire ; le correcteur valide ou corrige. Chaque décision — humaine ou automatique — est tracée, ce qui permet de justifier une note en cas de contestation.

La confiance dans la note : transparence et traçabilité

Une note générée par IA ne vaut que si l'on peut lui faire confiance — et, le cas échéant, la défendre. GoodGrades a donc été conçu autour de la transparence : chaque note s'accompagne d'un commentaire qui l'explique, et chaque décision, qu'elle vienne de l'IA ou du correcteur, est tracée. On sait ce qui a été proposé, ce qui a été modifié, par qui et au regard de quels critères.

Cette traçabilité n'est pas un détail technique : c'est ce qui rend la correction automatique acceptable dans un cadre éducatif. Face à un étudiant qui conteste sa note, le correcteur dispose des éléments pour justifier l'évaluation — l'attendu, les critères, le raisonnement. L'IA n'est jamais une boîte noire qui décide seule ; elle propose, l'humain tranche, et tout reste explicable.

Une application… et une API

GoodGrades existe sous deux formes complémentaires. C'est d'abord une application complète, utilisable telle quelle par un établissement ou un organisme. Mais c'est aussi une API mobilisable par d'autres services : la capacité de correction peut être intégrée dans un autre logiciel — un LMS, une plateforme d'examen, un outil interne — sans repasser par l'interface de GoodGrades. Cette double nature démultiplie les usages : ce qui est un produit pour les uns devient une brique d'infrastructure pour les autres.

Au-delà de l'examen : rapports de stage et études de cas

Là où beaucoup d'outils s'arrêtent aux questions courtes, GoodGrades a été pensé pour des productions longues et structurées : rapports de stage, études de cas. Ces formats demandent une lecture en profondeur et un jugement nuancé — exactement ce que le processus en étapes, avec son attendu et ses critères explicites, permet d'appliquer de façon cohérente, même sur des dizaines ou des centaines de copies.

À qui s'adresse GoodGrades

Vendu à Kwark Education, GoodGrades répond d'abord aux besoins d'un acteur de la formation confronté à de gros volumes de copies à corriger. Mais son intérêt dépasse ce cadre. Établissements d'enseignement, organismes de formation, écoles, services d'évaluation : partout où il faut corriger en nombre, vite et de façon homogène, l'outil trouve sa place. Les formateurs y gagnent des heures ; les apprenants, un retour plus rapide et plus régulier.

Et grâce à son API, GoodGrades s'adresse aussi à un public moins évident : les éditeurs de logiciels eux-mêmes. Une plateforme d'examen ou un LMS peut intégrer la correction de GoodGrades sans la redévelopper, et l'offrir à ses propres utilisateurs. La correction par IA devient alors un service que d'autres produits peuvent consommer.

L'interface de correction

Pour la relecture et la validation, l'interface a été soignée : une vue partagée avec la liste des copies d'un côté, les questions de l'autre, des commentaires de correction à côté de chaque réponse, et une note globale calculée en temps réel. Le correcteur ajuste une note en un clic, valide, ou relance une correction. La synchronisation en temps réel permet de travailler indifféremment depuis un ordinateur ou une tablette, l'état restant cohérent partout.

L'architecture technique

GoodGrades repose sur une stack Laravel + Inertia React 19 + Tailwind v4 + shadcn/ui. Le traitement des copies s'appuie sur une architecture événementielle : les copies sont corrigées par lots, en file d'attente, pour absorber le volume sans bloquer l'interface. Un cache des réponses du modèle limite le coût lorsque des questions reviennent d'un examen à l'autre. La synchronisation temps réel passe par Laravel Reverb (WebSockets), et chaque décision est tracée de bout en bout.

L'exposition sous forme d'API a guidé certains choix : la logique de correction est encapsulée de manière à être appelée aussi bien par l'interface que par un service tiers, avec les mêmes garanties de cohérence.

Le gain de temps, sans perte de qualité

L'effet concret de GoodGrades se mesure en heures. Corriger un lot de copies — surtout des rapports ou des études de cas — mobilise un correcteur pendant un temps considérable, avec le risque, à mesure que la fatigue s'installe, de noter la trentième copie autrement que la première. En préparant un référentiel validé puis en confiant la première passe à une IA constante, GoodGrades fait fondre ce temps tout en supprimant la dérive de notation.

Le correcteur n'arbitre plus chaque détail à partir de zéro : il relit, ajuste, valide. Son attention se porte là où elle compte vraiment — les cas limites, les copies atypiques, les contestations — plutôt que sur la répétition. Le résultat est double : un gain de temps qui permet de corriger des cohortes entières sans y laisser ses soirées, et une homogénéité que la correction purement humaine, sur de gros volumes, peine à garantir.

Les défis relevés

• Se rapprocher d'une notation humaine : entraîner et guider l'IA pour qu'elle note avec discernement, pas mécaniquement.
• La cohérence d'une copie à l'autre : appliquer le même barème sur tout un lot, sans dérive.
• La transparence : rendre chaque note explicable et traçable, pour qu'elle soit défendable.
• Le volume et le coût : corriger de grands lots par IA suppose traitement par lots et mise en cache.
• La double nature application / API : offrir la même capacité de correction à un utilisateur final et à un service intégrateur.

Une livraison par briques

Comme nos autres projets, GoodGrades s'est construit par étapes : le référentiel de correction (extraction, attendu, critères) d'abord, puis la correction des copies, puis la validation humaine et l'exposition en API. Cette démarche incrémentale a permis de valider la fiabilité de chaque maillon avant d'enchaîner — indispensable quand la confiance dans la note est l'enjeu central.

Le résultat

GoodGrades transforme une corvée chronophage en un processus rapide, cohérent et traçable, tout en gardant le correcteur aux commandes. En construisant d'abord un référentiel validé, puis en corrigeant à l'aide d'une IA entraînée à imiter le jugement humain, il rend l'automatisation de la correction réellement crédible — y compris sur des rapports et des études de cas. Et parce qu'il s'expose aussi en API, il dépasse le statut de simple application pour devenir une capacité réutilisable. Un bel exemple de ce qu'un logiciel EdTech sur-mesure apporte quand l'IA est mise au service d'un métier précis.

Un projet similaire en tête ?

Correction assistée par IA, traitement de copies à grande échelle, brique d'IA exposée en API : si vous avez un besoin de ce type, parlons-en. On part de votre processus réel et on construit, brique par brique, l'outil — ou l'API — qui s'y adapte.