- ▸ Ce que ces chiffres changent concrètement pour les facultés d'informatique
- ▸ Les faits : les seuils du département et le décrochage d'avril 2026
- ▸ Décryptage : entre fraude détectée et dépendance silencieuse aux LLM
- ▸ Qui est concerné : étudiants, enseignants, employeurs
Publié le 3 juin 2026 par le Daily Californian. En avril 2026, 35,3 % des étudiants de CS 10 et 10,6 % de ceux de CS 61A ont obtenu un F à l’Université de Californie à Berkeley. Des chiffres trois à cinq fois supérieurs aux seuils de référence du département, que les enseignants relient à un usage massif des grands modèles de langage. Premier choc statistique d’ampleur dans une faculté d’informatique de rang mondial.
Points clés – 35,3 % des étudiants de CS 10 et 10,6 % de ceux de CS 61A ont reçu un F en avril 2026, selon les données publiées par Berkeleytime. – Les directives du département d’ingénierie électrique et informatique (EECS) prévoient 7 % de D et F en lower division, et 5 % en upper division. – Un cours d’upper division a affiché un taux d’échec de 16,8 %, soit plus du triple du seuil considéré comme « typique ». – Les enseignants citent une « augmentation considérable de l’inconduite académique » liée à l’usage d’outils comme Claude et ChatGPT. – En spring 2025 et spring 2024, le taux de F n’avait dépassé 10 % dans aucune des deux classes concernées.
Ce que ces chiffres changent concrètement pour les facultés d’informatique
Le signal envoyé par UC Berkeley est inédit. Sur le campus californien, les cours d’introduction à l’informatique — The Beauty and Joy of Computing (CS 10) et The Structure and Interpretation of Computer Programs (CS 61A) — font office de référence mondiale. Lorsqu’un tiers d’une promotion échoue à un cours d’introduction réputé, le problème n’est plus marginal.
Selon Berkeleytime, 35,3 % des étudiants de CS 10 et 10,6 % de ceux de CS 61A ont reçu un F en avril 2026.
La comparaison avec les deux années antérieures rend la rupture visible. En spring 2024 et spring 2025, aucune de ces deux classes n’avait dépassé 10 % d’échecs. Le bond constaté en avril 2026 dépasse donc tous les seuils de variation usuels d’une promotion à l’autre. Les corps enseignants disposent désormais d’une donnée chiffrée pour documenter ce qui était jusqu’ici une intuition diffuse : l’arrivée des assistants d’IA générative dans les cursus modifie la mesure même de l’apprentissage.
Ce qui nous amène à examiner précisément le texte des grilles de notation et l’écart avec la réalité observée.
Les faits : les seuils du département et le décrochage d’avril 2026
Le département d’ingénierie électrique et informatique (EECS) de Berkeley publie depuis plusieurs années une grille indicative de notation. Pour les cours dits lower division — c’est-à-dire les enseignements de premier cycle, ouverts aux étudiants de première et deuxième année — 7 % des étudiants devraient obtenir un D ou un F. Pour les cours upper division, le seuil descend à 5 %.
Pour comprendre — Lower division désigne les cours fondamentaux du premier cycle américain, généralement suivis durant les deux premières années d’études. Upper division renvoie aux cours plus avancés, ouverts aux étudiants de troisième et quatrième année. CS 10 et CS 61A appartiennent à la catégorie lower division.
Les directives précisent par ailleurs qu’« une moyenne typique pour un cours de premier niveau se situera entre 2,8 et 3,3 », sur une échelle américaine plafonnée à 4,0. Le 4,0 correspond au A, le 3,0 au B, le 2,0 au C. Une moyenne de 2,8 à 3,3 reflète donc une notation centrée autour du B-/B+.
Les chiffres d’avril 2026 sortent de ce cadre. Avec 35,3 % de F en CS 10, le département se retrouve à un taux d’échec cinq fois supérieur au plafond indicatif. CS 61A, avec 10,6 % de F, dépasse de 50 % le même plafond. Un troisième cours, cette fois upper division, affiche un taux d’échec de 16,8 % — soit plus du triple du seuil de 5 % considéré comme typique pour ce niveau.
Ces données ont été extraites de Berkeleytime, l’outil étudiant qui agrège les distributions de notes publiées par l’université. Elles couvrent le semestre de printemps 2026, dont la session d’examens s’est tenue en avril.
Plusieurs enseignants des cours concernés relient ouvertement ce décrochage à deux phénomènes parallèles : une « augmentation considérable de l’inconduite académique » liée à l’usage des grands modèles de langage (LLM), et une érosion mesurable des compétences mathématiques de base à l’entrée du cursus.
Ce qui nous amène au cœur de l’analyse : que signifie un tel décrochage pour une faculté d’informatique de premier plan ?
Décryptage : entre fraude détectée et dépendance silencieuse aux LLM
Le premier mécanisme avancé par les enseignants concerne la détection accrue de l’inconduite académique. La hausse du taux d’échec serait, pour partie, mécaniquement liée au fait que davantage d’étudiants sont identifiés en situation de tricherie, puis sanctionnés. Selon le témoignage rapporté par le Daily Californian, certains professeurs estiment que les chiffres élevés s’expliquent « parce que nous les avons surpris (à tricher), nous les avons poursuivis et nous transmettons leurs dossiers au centre de conduite étudiante ».
Mais ce premier mécanisme — strictement disciplinaire — ne suffit pas à expliquer l’ampleur du phénomène. Un second mécanisme, plus diffus, est cité : la dépendance silencieuse aux assistants d’IA générative pendant le travail préparatoire. Le constat est formulé ainsi : « dans d’autres cas, ce sont des étudiants qui s’appuient un peu trop sur les LLM pour faire leur travail à leur place, et qui, au moment de l’examen, ne sont tout simplement pas prêts ».
Pour comprendre — Un LLM (large language model) désigne un grand modèle de langage capable de générer du texte, du code ou du raisonnement à partir d’une requête. Claude, ChatGPT et leurs équivalents en sont les exemples les plus connus. Pour un étudiant en informatique, l’usage typique consiste à demander au modèle d’écrire ou de corriger un programme, ou d’expliquer un concept algorithmique.
Le scénario décrit est cohérent avec les retours d’autres facultés : un étudiant peut produire, semaine après semaine, des devoirs corrects en mobilisant un assistant IA. Sa courbe de progression interne — celle que mesure la compréhension réelle des concepts — décroche en revanche silencieusement. L’examen, conduit dans des conditions surveillées et sans assistance, devient alors le seul moment où l’écart s’expose.
À ce mécanisme s’ajoute un facteur structurel : l’affaiblissement des compétences mathématiques d’entrée. Les enseignants observent que les étudiants arrivant en CS 10 et CS 61A présentent un niveau en mathématiques inférieur à celui des cohortes des années antérieures. Or l’informatique enseignée à Berkeley repose, dès le premier cycle, sur la manipulation rigoureuse de structures formelles, d’invariants et de récurrences. Lorsque le terreau mathématique s’érode, la pédagogie classique du cours « SICP » — The Structure and Interpretation of Computer Programs — perd une partie de son point d’appui.
Un troisième élément complète le tableau : la question de la courbe de notation. Plusieurs enseignants à Berkeley assument une position de principe selon laquelle on « ne devrait pas courber » les notes — c’est-à-dire ne pas réaligner artificiellement la distribution sur une cible préétablie. L’un d’eux ajoute être « fortement opposé à ce que fait Harvard pour dire que seule une fraction des étudiants peut obtenir un A ». Dans les cours concernés, chaque note dépendait d’un seuil de points fixe. Les étudiants qui ne l’ont pas atteint ont échoué, sans repêchage statistique.
Ce qui nous amène à identifier précisément qui est concerné par ce changement de paradigme.
Qui est concerné : étudiants, enseignants, employeurs
Les étudiants de premier cycle en informatique constituent la première population touchée. Le profil type à Berkeley combine deux trajectoires distinctes : les étudiants déclarés en Computer Science (filière sciences) et ceux engagés en Electrical Engineering and Computer Sciences (filière ingénierie). Les deux passent par CS 10 ou CS 61A. Un F dans ces cours retarde la progression, peut compromettre l’admission à des cours plus avancés, et pèse sur la moyenne générale.
Les enseignants et chargés de cours doivent désormais arbitrer entre plusieurs lignes : maintenir des seuils de notation absolus au risque d’un décrochage statistique massif, refondre les modalités d’évaluation pour les rendre plus résistantes aux LLM, ou investir dans la détection systématique de l’inconduite. Le cours Optimization Models in Engineering est cité comme exemple d’enseignement « differently challenging » — autrement dit, dont la difficulté évolue dans une direction nouvelle, sans que l’ancien dispositif d’évaluation reste pleinement adapté.
L’administration EECS se retrouve face à un écart visible entre ses propres directives publiées (7 % de D/F en lower division, 5 % en upper division) et la réalité d’une promotion. Le département devra trancher : assumer publiquement l’écart, réviser la grille, ou intervenir sur la pédagogie en amont.
Les employeurs et écoles d’ingénieurs observant le marché de l’embauche en informatique sont indirectement concernés. Un diplômé d’un cursus prestigieux pouvait jusqu’ici être présumé maîtriser les fondamentaux. Si une partie de la cohorte progresse dans le cursus en s’appuyant lourdement sur les LLM, la valeur de signalement du diplôme s’érode. Les processus de recrutement technique — entretiens algorithmiques en direct, exercices de débogage — gagnent en importance relative.
Les étudiants français ne sont pas spectateurs : les grandes écoles d’ingénieur observent attentivement les ajustements pédagogiques opérés à Berkeley, Stanford et MIT. Ce qui se décide en Californie en 2026 préfigure souvent les arbitrages européens à 18-24 mois.
Ce qui nous amène à examiner les arguments contradictoires soulevés par ces données.
Analyse contradictoire : signal disciplinaire ou symptôme pédagogique ?
Deux lectures s’affrontent. La première — disciplinaire — interprète les chiffres comme la preuve d’un succès des dispositifs de détection. Si davantage d’étudiants échouent, c’est que davantage de tricheurs sont identifiés. La position est cohérente avec le refus assumé de courber les notes : on sanctionne ce qui est documenté, sans diluer la note dans une moyenne lissée.
La seconde lecture — pédagogique — soutient que les chiffres signalent un problème de méthode plus profond. Les évaluations classiques (devoirs à rendre, projets) ne discriminent plus correctement les niveaux de maîtrise depuis que les LLM sont accessibles à tous. L’examen final, dernier dispositif sans assistance, agit comme un révélateur brutal d’un écart accumulé en silence pendant le semestre. Sous cette lecture, la priorité n’est pas la sanction, mais la refonte des modalités d’apprentissage continu.
Les deux lectures ne s’excluent pas mécaniquement. Elles appellent en revanche des réponses institutionnelles différentes : durcissement des sanctions d’un côté, refonte de la pédagogie de l’autre.
Ce qui nous amène aux questions juridiques et pédagogiques les plus fréquemment soulevées par ces chiffres.
FAQ
Quelles sont les causes principales de ces taux d’échec anormalement élevés ?
Les enseignants citent trois facteurs croisés. D’abord une « augmentation considérable de l’inconduite académique » liée à l’usage de modèles comme Claude et ChatGPT. Ensuite une dépendance silencieuse aux LLM pendant les devoirs, suivie d’un décrochage à l’examen surveillé. Enfin une baisse mesurable des compétences mathématiques à l’entrée du cursus, qui fragilise les fondations du cours.
Les cours de CS 10 et CS 61A étaient-ils notés sur courbe en avril 2026 ?
Non. Chaque note reposait sur un seuil de points fixe. Plusieurs enseignants de Berkeley assument une position de principe selon laquelle on « ne devrait pas courber » les notes, et l’un d’eux se dit « fortement opposé à ce que fait Harvard pour dire que seule une fraction des étudiants peut obtenir un A ». Les étudiants ayant reçu un F n’ont donc pas atteint le seuil minimal absolu fixé par l’équipe pédagogique.
Que prévoient les directives du département EECS pour les taux d’échec ?
La grille de référence publiée par le département prévoit que 7 % des étudiants en lower division (incluant CS 10 et CS 61A) obtiennent un D ou un F. Pour les cours upper division, le seuil descend à 5 %. Le département précise aussi qu’une moyenne typique de cours de premier niveau se situe entre 2,8 et 3,3 sur l’échelle américaine de 4,0.
Calendrier
Le printemps 2026 marque la première session où l’écart statistique devient indiscutable. Les regards se portent désormais sur la session d’automne 2026 : maintien des seuils absolus, ajustement de la grille EECS, ou refonte des évaluations. La position publique du département d’ingénierie électrique et informatique est attendue dans les mois qui suivent la rentrée. Question ouverte : combien d’universités d’élite documenteront un décrochage comparable d’ici à la fin 2026 ?
En résumé – 35,3 % d’échecs en CS 10 et 10,6 % en CS 61A à Berkeley en avril 2026. – Les seuils EECS de référence sont de 7 % en lower division et 5 % en upper division. – Les enseignants citent inconduite académique, dépendance aux LLM et baisse du niveau mathématique. – Aucun de ces cours n’était noté sur courbe : chaque F résulte d’un seuil de points absolu. – L’enjeu institutionnel se déplace de la sanction individuelle vers la refonte des modalités d’évaluation.
