Les étudiants en biométrie forestière font face à un double défi : une « anxiété liée au codage » marquée et une tendance à utiliser l’IA comme une « boîte noire » sans en saisir la logique statistique sous-jacente. Par conséquent, un cadre d’apprentissage par maîtrise, intégrant des évaluations formatives étayées, a été instauré dans les cours d’informatique forestière et de géomatique. Ce modèle remplace les évaluations traditionnelles par des séances progressives de résolution de problèmes supervisées. Dans cet environnement encadré, les étudiants emploient des outils d’analyse géospatiale et d’apprentissage automatique, passant du traitement de données fondamentales à des flux de travail complexes. Cette structure favorise une rétroaction en temps réel, renforçant les connaissances informatiques tout en veillant à ce que l'IA serve d’outil de compréhension plutôt que de raccourci. Les témoignages qualitatifs des étudiants et des assistants d'enseignement indiquent que cette approche accroît significativement la confiance et l'engagement. Cette session examine comment l’étayage cumulatif transforme l’expérience d’apprentissage, formant des analystes quantitatifs critiques et assurés.