Intégrité académique

Cette page est une traduction automatique de la page anglaise, non relue par un locuteur natif.

L'intégrité académique — le cadre éthique qui régit le travail académique honnête à l'ère de l'IA. La base de connaissances documente la manière dont le concept a été recadré par l'IA générative : d'un problème de détection des productions malhonnêtes vers un problème de conception consistant à rendre le travail honnête visible, vérifiable et digne d'être produit. La recherche sur l'intégrité académique dans ce domaine a évolué, d'approches centrées sur la détection, vers une refonte fondamentale de l'évaluation, une gouvernance menée par la pédagogie, et le fait d'apprendre aux étudiants à bien utiliser l'IA plutôt que de simplement surveiller s'ils le font.

Questions à examiner

• Repensez à la dernière fois où vous avez entendu parler de « triche par l'IA ». La conversation portait-elle sur le fait d'attraper les étudiants ou sur la conception de travaux que les étudiants auraient envie de faire honnêtement ? Quel accent vous est le plus familier, et pourquoi ?
• Une production soignée et plausible peut désormais être générée en quelques secondes. Si vous ne pouvez plus juger la capacité d'un étudiant d'après le produit qu'il rend, que faudrait-il que vous voyiez ou entendiez pour être convaincu qu'il l'a réellement apprise ?
• La recherche montre que les étudiants rationalisent souvent leur usage de l'IA (« copier un texte d'IA ne fait de mal à personne ») plutôt qu'ils n'en abusent par malveillance. Quelles hypothèses sur les motivations des étudiants une politique d'intégrité purement punitive implique-t-elle — et en quoi ces hypothèses pourraient être fausses ?
• Une ligne de recherche traite l'usage de l'IA par les étudiants comme un problème de coordination : le comportement change lorsque les attentes des pairs et les incitations de l'évaluation changent, non lorsque les règles sont réaffirmées. Quels facteurs de pairs ou de conception, dans votre propre contexte, pourraient modeler silencieusement le caractère honnête de l'usage de l'IA ?
• Les études montrent que la crainte de la sanction pousse les étudiants à cacher leur usage de l'IA, et que des étudiants transparents peuvent même attirer la suspicion. Si vous conceviez un formulaire de « déclaration d'usage de l'IA », qu'est-ce qui donnerait réellement envie à un étudiant de le remplir honnêtement ?
• La même politique institutionnelle d'IA est interprétée différemment selon les cultures des étudiants — c'est la culture, et non la formulation de la politique, qui détermine ce qui paraît répréhensible. Comment une politique d'intégrité devrait-elle être communiquée à une promotion culturellement diverse pour que les attentes soient réellement comprises ?

Introduction

L'arrivée de l'IA générative n'a pas créé le besoin d'intégrité académique — elle a rendu les faiblesses des approches existantes plus difficiles à ignorer. Un produit soigné et plausible peut désormais être généré en quelques secondes, si bien que la ressemblance du produit est un signal de plus en plus peu fiable de la capacité. Cela déplace la question de l'intégrité de « pouvons-nous attraper les usages de l'IA ? » vers « nos évaluations justifient-elles encore les inférences que nous tirons sur l'apprentissage des étudiants ? »

L'évolution de la détection vers la refonte

• Scepticisme à l'égard de la détection : les recherches sur l'Détection de l'IA et les analyses institutionnelles constatent de plus en plus que les outils de détection de l'IA sont peu fiables et procéduralement injustes. La détection de texte produit par LLM se heurte à des limites fondamentales. Des productions entièrement générées par l'IA peuvent traverser les systèmes d'examen en direct sans être largement détectées, et les correcteurs expérimentés ne repèrent pas de façon fiable les travaux rédigés par GenAI. La détection est, au mieux, un outil limité et situationnel — non une stratégie de premier recours. Le volume qu'on lui demande néanmoins de traiter est loin d'être marginal : une analyse de six ans d'un cours d'informatique de deuxième année à large effectif a constaté que 45.7% des étudiants du semestre de printemps 2026 étaient signalés pour des schémas compatibles avec un codage assisté par LLM (Racovan et al. (2026)).
• La marge étroite de la détection, et la triche comme comportement planifié : Leaton Gray, Edsall et Parapadakis (2025) rassemblent les arguments selon lesquels l'IA amplifie une vulnérabilité que le secteur possédait déjà. Un texte généré par l'IA a été pris pour un texte rédigé par un humain dans jusqu'à 80% des cas, tandis que les données probantes qu'ils citent situent la détection par machine à environ 80% contre 78.4% pour les évaluateurs humains, une marge trop étroite pour fonder une constatation de faute. Leur analyse motivationnelle constitue la contribution la plus originale : en partant de la théorie du comportement planifié d'Ajzen et de la théorie de l'auto-efficacité de Bandura, ils rapportent que la méta-analyse de Krou et al. (2021) trouve que le sentiment d'efficacité personnelle corrèle négativement avec la triche, alors que la capacité réelle ne corrèle pas du tout inversement avec elle. Un étudiant capable et confiant qui perçoit une évaluation comme injuste peut donc tricher pour reprendre le contrôle. La conclusion suit la même inversion que cette page documente ailleurs — une évaluation à laquelle un modèle peut répondre de manière convaincante est une évaluation intellectuellement triviale, et l'échec appartient à l'évaluation plutôt qu'à l'étudiant.
• Refonte de l'évaluation : l'évaluation authentique, les approches au-delà de la détection et l'échelle d'évaluation pour l'IA déplacent l'attention de l'interception des usages de l'IA vers la conception d'évaluations où l'usage de l'IA est soit sans objet, soit transparent, soit requis pour démontrer une capacité spécifique.
• Vulnérabilité structurelle de la notation : Chan et al. fournissent une étude de cas concrète de la manière dont la notation actuelle est structurement exposée à la malhonnêteté médiée par l'IA. Dans un département de biologie, les enseignants ne percevaient que les examens surveillés en présentiel comme minimalement vulnérables ; les travaux hors cours étaient considérés comme fortement vulnérables, laissant environ un tiers de la note d'un étudiant fortement vulnérable et 80% au moins quelque peu vulnérables. Cela présente le problème de l'intégrité comme en partie un problème de conception de la notation, ce qui motive un rééquilibrage vers l'évaluation surveillée ou en classe et vers des dispositifs d'évaluation authentique plus difficiles à externaliser. Ivory et al. (2026) apportent la contrepartie disciplinaire avec un programme de psychologie complet de trois ans : 36 des 40 évaluations, relevant de 16 types, produisaient du contenu acceptable avec un effort minimal, et les quatre qui échouaient étaient celles qui exigeaient la présence, des supports visuels ou le propre jeu de données de l'étudiant. Leur lecture du pourquoi cela passe est la partie qui se généralise — une notation qui récompense la structure fluide et le usage de bonne foi de la bonne analyse tolère des valeurs fabriquées et des références hallucinées, si bien que c'est le seuil de réussite, et non la détection, qui décide si une production de l'IA est notée comme un accomplissement, et que la vulnérabilité de l'évaluation « ne peut être imputée au seul usage par les étudiants ».
• Le travail rendu comme surface d'attaque : l'injection d'invites contre la notation par IA. Humble (2026) soumet un flux de notation quotidien à un exercice d'équipe rouge et montre qu'un travail d'étudiant peut porter des instructions cachées qui changent la note produite par un outil d'IA : deux des cinq stratégies d'injection indirecte intégrées au fichier du travail ont fait passer une dissertation de la note d'échec à la note de réussite sans avertissement visible pour l'utilisateur, avec des taux de réussite rapportés de 100% (9/9) et 94% (17/18), combinant toutes deux manipulation d'instructions, jeu de rôle et obscurcissement, sur les formats docx, pdf et htm. L'attaque la plus basique a complètement échoué, et son refus est resté silencieux — l'outil a désactivé la conversation sans signaler la tentative — tandis qu'une seule injection détectée a produit une assurance selon laquelle l'outil noterait « uniquement selon les instructions officielles du devoir », avant que six exécutions supplémentaires du même fichier n'élèvent la note malgré tout. La conséquence pour l'intégrité joue dans les deux sens : une note élevée par une instruction cachée n'étaye aucune prétention à la validité, la même technique pourrait servir à dégrader un travail sans laisser de trace durable dans la production, et le correcteur humain reste le seul contrôle réel d'une manipulation conçue pour ne pas être visible.
• La validité comme cadre organisateur : la validité de l'évaluation recadre l'intégrité comme un problème probatoire. La recherche sur l'évaluation authentique introduit la substitution de construit — une production générée par l'IA est attribuée à l'étudiant, si bien que l'évaluation infère la capacité de l'outil plutôt que celle de l'étudiant. La question probatoire survit à toute politique d'IA : que l'usage soit interdit, permis ou requis, l'évaluation doit encore produire des données probantes justifiant l'inférence que l'on tire.
• La variation à grande échelle comme mécanisme d'intégrité sans surveillance : VARIA (Lee 2026) met à l'épreuve les prémisses de l'évaluation authentique intégrant l'IA (AIAA) — qui remplace la surveillance par examen par une variation des tâches par étudiant, rendant la copie structurellement inutile. La garantie d'intégrité est conditionnée à la capacité des LLM à générer des variantes distinctes en surface et équivalentes du point de vue du construit ; le pilote à 600 variantes de VARIA constate que les modèles de pointe ne satisfont cette condition qu'à la marge (score conjoint 0.81–0.88) tandis que les modèles non de pointe s'effondrent (0.50–0.55), si bien que « la variation à grande échelle ne peut être résolue par la seule conception d'invites ». Cela donne au débat détection-contre-refonte une vérification empirique et falsifiable : la promesse d'absence de surveillance d'une évaluation authentique à tâches variées dépend désormais d'une capacité de génération mesurée (et encore étroite) plutôt que supposée.
• Authentifier la réflexion de l'étudiant face à GenAI : Kadel et al. (2026) soutiennent que les modèles de réflexion traditionnels ne peuvent plus authentifier la réflexion de l'étudiant dès lors que GenAI peut rédiger une prose réflexive, et intègrent l'intégrité directement dans un modèle de réflexion — l'étape Pitfalls du cadre 5P traite explicitement du plagiat, du risque d'hallucination et de la dépendance excessive, tandis que ses étapes Process et Product exigent de documenter les invites et de valider les productions pour que le raisonnement propre aux apprenants soit distinguable des contributions générées par l'IA.
• Élaboration des politiques : les politiques institutionnelles d'IA et la recherche sur la politique éducative et l'IA examinent comment les universités élaborent et communiquent les attentes en matière d'intégrité — et pourquoi les déclarations de principe abstraites échouent si souvent.
• L'intégrité comme problème de gouvernance, et non comme problème de détection. Coates, Croucher et Calderon (2025) déplacent la contrainte déterminante du comportement des étudiants vers la gouvernance académique, qu'ils qualifient de résiliente mais « mal positionnée et peu préparée » à faire face aux menaces liées à GenAI pesant sur l'authentification de l'évaluation des étudiants. Leur réponse est un cadre d'indicateurs d'intégrité de 130 items répartis sur huit dimensions, allant de Designing (19 items) à Improving (6), et composé de questions de gouvernance plutôt que d'échelles psychométriques — si le conseil d'administration de l'établissement reçoit des mises à jour sur la qualité de l'évaluation, quel pourcentage des évaluations ressemble à des problèmes pertinents et signifiants, quel pourcentage des étudiants est connu individuellement par les enseignants qui les évaluent. Il a été élaboré par une revue de recherche pluriannuelle, cinq études de cas d'universités australiennes, un prototypage, une confirmation d'experts auprès de 60 experts invités de six régions du monde et un pilotage quantitatif, et il est assorti de réformes des architectures de gouvernance, des personnes, ainsi que des technologies et ressources dont les auteurs s'attendent à ce qu'elles ne portent leurs fruits que sous une pression externe de la réglementation, de la comparaison et de la concurrence interétablissements ; ils présentent le cadre comme formatif et appellent à une validation psychométrique avant qu'il ne serve à la comparaison ou à la mesure.
• Ce que disent réellement les documents : l'intégrité domine la politique institutionnelle d'IA. Eldredge et al. (2026) ont analysé les documents de politique et d'orientation en matière d'IA de l'ensemble des 48 programmes de master en informatique de santé et en gestion de l'information de santé accrédités CAHIIM aux États-Unis : 40 (83%) comportaient au moins un document éligible, et ces documents présentaient l'IA de manière écrasante comme une question de prévention des usages abusifs des étudiants dans les travaux de cours, en centrant l'intégrité académique et l'usage acceptable. L'intégrité académique était de loin le mot-clé le plus fréquent (n = 139, devant citation à 59, assessment à 50, et plagiarism à 38), tandis que les thèmes de la vie privée, de la propriété intellectuelle et de la réglementation étaient présents mais moins courants (HIPAA n = 5, FERPA n = 11, guidance IRB n = 8). Une modélisation thématique sur le même corpus a fait apparaître quatre thèmes, le premier étant l'intégrité académique et l'usage approprié de l'IA, aux côtés de l'IA générative dans l'enseignement, de l'IA et de l'usage des outils de données dans la recherche, et de l'engagement des étudiants avec les systèmes d'IA conversationnelle. La valeur probante pour cette page tient à la quantification : le cadrage centré sur l'intégrité n'est pas seulement le défaut rhétorique de la politique institutionnelle d'IA, c'en est empiriquement le contenu dominant. L'observation la plus incisive des auteurs porte sur l'endroit où cette attention s'arrête, notant que relativement peu d'orientations couvrent l'usage de l'IA dans l'apprentissage appliqué, la recherche et les environnements simulés, là où les préoccupations curriculaires et de gouvernance des données se croisent, si bien que les documents gouvernent les travaux de cours tandis que les contextes pour lesquels le diplôme prépare les étudiants restent largement inabordés.
• Le cadrage en termes d'intégrité cède la place à une régulation par type de tâche : l'étude longitudinale de Chirikov (2026) portant sur plus de 31,000 programmes de cours montre que les politiques d'IA des enseignants s'éloignent d'un cadrage purement fondé sur l'intégrité : les mentions d'intégrité académique dans les programmes sont passées de 63% (printemps 2023) à 49% (automne 2025), tandis que les références à l'impact de l'IA sur l'apprentissage sont passées de 1% à 29%. Les enseignants régulent de plus en plus l'IA par type de tâche — en la restreignant pour la rédaction et le raisonnement (là où l'IA déplacerait l'apprentissage) et en la permettant pour l'édition, la relecture et le soutien à l'étude — plutôt qu'en appliquant une interdiction d'intégrité généralisée. Cela recadre la politique d'intégrité comme une décision de conception au niveau de la tâche plutôt que comme une règle binaire.
• La résistance à la machine comme prévention, et non comme détection. Perturber le document lui-même — espacement des caractères, des mots et des lignes, variations d'opacité, superpositions de bandes et bruit d'image, plus des attaques adversariales fondées sur les décisions — augmente l'effort requis pour un usage superficiel des LLM à la source, tout en mesurant la même connaissance (Salaun et al. (2026)). La transcription manuelle reste possible, et les attaques adversariales ne protègent que des lignes choisies, laissant le taux d'erreur sur les caractères de l'ensemble du document sous les 8,44 %.

La procédure de faute et son effondrement probatoire

La machinerie de mise en œuvre qui surmonte la politique d'intégrité est elle-même une décision de conception, et l'IA générative a démantelé son fondement probatoire. Teichmann (2026) soutient que la procédure de faute que les universités ont importée du plagiat suppose que l'usage interdit peut être détecté et prouvé — une prémisse que la technologie dissout. À la différence du logiciel de comparaison de textes, qui renvoie à une source copiée, un classificateur de textes produits par l'IA n'identifie aucune source (il n'en existe pas) ; il produit un jugement probabiliste sur le style, qui se dégrade sous paraphrase, étiquète systématiquement de façon erronée l'anglais rédigé par des non-natifs, et ne peut être ni expliqué ni contre-interrogé, tandis qu'un usage habile ou légèrement édité ne laisse aucune trace. Persister quand même renverse la charge de la preuve (on demande à l'étudiant de prouver un négatif), met à mal chaque élément de la justice procédurale, et fait porter le préjudice de la fausse accusation le plus lourdement sur les déjà défavorisés. Le remède proposé est double : un standard probatoire en vertu duquel un score de détecteur ne fonde à lui seul aucune constatation, accompagné de réponses progressives et d'abord éducatives, et un déplacement de l'effort institutionnel vers une conception d'évaluation centrée sur la validité et l'évaluation authentique — la réponse à une IA indétectable étant une meilleure évaluation plutôt qu'une meilleure surveillance. Le cas limite n'a aucune machinerie du tout : Isley, Gaebler et Goel (2026) documentent un programme américain de master en politiques publiques qui interdisait l'assistance par IA générative dans une attestation signée et n'examinait aucun travail, où 56.1% des candidats de 2025 ont soumis au moins une dissertation qu'un détecteur commercial classait comme principalement rédigée par l'IA, et chaque dissertation signalée était associée à une probabilité d'admission inférieure de 1.5 point de pourcentage (p < .01), montant à 2.6 points (p < .001) une fois la qualité de la dissertation tenue constante. Sans aucune étape de détection, d'arbitrage ou de mise en application entre la règle et le résultat, la sanction était délivrée entièrement par le jugement non écrit des lecteurs de dossiers d'admission — l'interdiction plus le jugement d'un lecteur sans aide reproduisant la sanction discrétionnaire et inexpliquée qu'une procédure équitable existe précisément pour éviter.

Munoz et al. (2026) fournissent la contrepartie empirique en codant chaque affaire de faute liée à GenAI dans une université régionale australienne sur trois ans : 1,162 affaires portant 1,855 éléments de preuve, chacun noté pour sa pertinence, sa crédibilité et sa force inférentielle. La production du détecteur était la preuve la plus mobilisée et la moins capable de porter du poids — les rapports Turnitin ou de similarité présentaient 100% de force inférentielle faible et la production autonome d'un détecteur 100% de crédibilité faible, et la preuve par détecteur est tombée à 0.5% des éléments en 2025, à mesure que les institutions intégraient ce qu'elle ne pouvait pas prouver — tandis que les types de preuve les plus solides étaient ceux qui ne reposent pas sur la classification probabiliste de textes : les aveux des étudiants, les comportements interdits observés en examen, et les références fabriquées vérifiées de manière indépendante, qui constituaient le glissement structurel le plus important, à 22.3% des éléments. Leur critique la plus incisive est structurelle plutôt que probatoire, puisque « rien n'exige des enquêteurs qu'ils évaluent la qualité probante des preuves avant de faire avancer une allégation, aucun seuil probatoire minimal à aucune étape du processus », si bien que la qualité des preuves n'entretenait aucun lien fiable avec les issues des affaires. Ils consignent aussi la manière dont la politique a rattrapé la pratique : la politique d'évaluation en vigueur jusqu'en 2024 ne disait rien de l'IA, et à partir de janvier 2025 une politique révisée autorisait les logiciels d'authenticité approuvés tout en interdisant le téléversement des travaux d'étudiants vers des outils tiers de détection de l'IA.

Un deuxième échec tient à la portée plutôt qu'à la preuve. Wright (2026) montre que des interdictions rédigées au niveau de l'identité de la plateforme plutôt que de la fonction capturent la conversion de format non générative — la transcription de la parole en texte, l'OCR, le texte brut vers LATEX — aux côtés de la rédaction générative qu'elles visent à barrer, bien que la littérature informatique évaluée par les pairs traite la reconnaissance et la génération comme des opérations distinctes. Le coût se répartit de manière inégale : les étudiants atteints de troubles affectant le contrôle moteur fin, la lisibilité de l'écriture manuscrite ou la précision de la frappe se sont précisément appuyés sur ces outils, et à mesure que les produits autonomes de conversion voix-texte sont abandonnés ou dégradés, la transcription assistée par l'IA comble le fossé fonctionnel ; une règle trop inclusive supprime ainsi un moyen premier de produire un travail lisible, ce qui fait du différend une question d'accessibilité et d'équité avant d'être une question d'intégrité. Le remède de Wright est une définition de l'IA générative fondée sur la fonction, accompagnée de quatre critères opérationnels — fidélité, non-augmentation, traçabilité et attestation — qui donnent à l'étudiant une voie structurée pour contester une allégation de transcription seule, tout en laissant la charge de la preuve à l'institution.

Le problème probatoire de la détection est aussi un problème de validité. Parce que l'assistance par l'IA est itérative et entrelacée avec la rédaction plutôt qu'externalisée en bloc, la paternité et la propriété du sens se séparent, et un produit rendu sain peut ne pas établir que l'étudiant a exercé le jugement que la tâche visait. La performance des détecteurs varie selon les tâches, les disciplines et les versions de modèles, et l'usage de l'IA déclaré ou suspecté peut agir comme un indice biaisant pour les correcteurs, si bien qu'une réponse par la détection ajoute de la variance non pertinente au construit au lieu d'en retirer. Là où les débats sur l'intégrité demandent qui a produit les mots, une analyse en termes de validité demande quelle affirmation sur l'étudiant la performance justifie.

Le problème de la rationalisation

Les étudiants n'abusent généralement pas de l'IA par malveillance ; ils la rationalisent. La recherche par entretiens identifie au moins cinq lieux de déconnexion où l'interprétation que les étudiants donnent de la politique d'IA diverge de l'intention des enseignants, et une taxonomie de plus de 20 rationalisations distinctes — allant de « copier un texte d'IA ne fait de mal à personne » à « un texte reflétant mes croyances est ma propre écriture ». Ces rationalisations sont ad hoc, a posteriori et incohérentes en interne, et elles décrivent une « pente savonneuse éthique abrupte » sur laquelle les étudiants glissent bien au-delà des objectifs pédagogiques. C'est pourquoi les idées fausses des étudiants sur l'IA sont la cause amont des violations de l'intégrité, et pourquoi l'éducation à l'intégrité doit porter sur le raisonnement éthique, et pas seulement sur la compétence technique.

La revue de cadrage de Ji (2026) portant sur 38 études empiriques des voix étudiantes fournit la synthèse sur laquelle repose cette section. Ses quatre thèmes sont l'ambiguïté (produire une tâche entière est lu comme de la triche, la correction grammaticale et le remue-méninges sont largement acceptables, et la paraphrase, le plan et la traduction relèvent d'une zone grise), l'autonomie éthique dans laquelle les étudiants construisent des règles personnelles dans un vide d'orientation qu'ils lisent comme une approbation silencieuse de leurs actes, l'écart entre conscience éthique et pratique, et la diversité selon le genre, le niveau, la discipline et la culture. L'écart entre conscience et pratique est le problème de la rationalisation mesuré à grande échelle : l'indice de dissonance éthique de Huang et al. a réparti 522 étudiants chinois en quatre groupes, dont l'un faisait fréquemment ce qu'il considérait comme illégitime, et la modélisation par équations structurelles d'Ofem et al. portant sur 4,679 étudiants nigérians a constaté que des perceptions positives de ChatGPT prédisaient un usage malhonnête tandis que des attitudes d'intégrité positives agissaient comme un médiateur négatif significatif. Ji lit les étudiants ni comme des récipiendaires passifs de GenAI ni comme des coupables sans frein moral, mais comme des agents actifs naviguant dans une zone grise éthique, ce qui explique pourquoi les études examinées convergent vers des réponses co-construites, éducatives et sensibles au contexte plutôt que punitives.

Pourquoi la politique seule échoue : le problème de coordination

Un cadre fondé sur le jeu de coordination fournit une explication au niveau des mécanismes de la raison pour laquelle les déclarations de politique changent rarement le comportement : l'usage de l'IA par les étudiants est un problème de coordination, où les choix individuels dépendent des attentes des pairs et de la conception de l'évaluation. Le constat clé du modèle est celui de dynamiques de seuil non linéaires — des changements modestes et bien calibrés des incitations à l'évaluation réflexive peuvent déclencher des basculements rapides à l'échelle de toute une promotion vers un usage responsable, tandis que des incitations faibles ou mal alignées laissent persister les pratiques opportunistes. En termes pratiques, une refonte modeste (par exemple exiger des étudiants qu'ils réfléchissent à leurs interactions avec l'IA) peut avoir des effets disproportionnés là où les règles abstraites n'en ont aucun.

La responsabilité mutuelle entre pairs ne pointe pas toujours vers l'intégrité, comme l'ont constaté Chen et Zou (2026) dans une évaluation de groupe notée : sept des quinze groupes d'étudiants ont délibérément réduit leur usage de GenAI en partie pour éviter de profiter du travail de leurs camarades, puisque les conséquences de groupe étaient partagées plutôt qu'autonomes ; pourtant dans cinq groupes, un climat collectif permissif — « tout le monde dans mon groupe utilise GenAI » — a abaissé le risque perçu d'usage abusif et inversé le mécanisme même de responsabilisation que le travail de groupe est censé créer. La même étude a constaté que les étudiants recadraient l'originalité comme la fidélité à la compréhension que leurs camarades avaient construite ensemble, et sa recommandation pratique en découle directement : faire de la négociation de l'usage acceptable de l'IA un résultat explicite, documenté et évaluable, plutôt que de laisser la norme émerger de la pression des pairs ou du risque perçu.

L'incohérence des politiques au sein de l'institution a produit exactement les suppositions que l'analyse en termes de coordination prédit. Neuf des onze personnes interrogées dans Zou et al. (2026) ont présenté l'autorisation explicite, propre à leur cours, d'utiliser l'IA générative comme un possible « piège » — un appât pour identifier les étudiants incapables de résister — alors même que la politique était ouverte et inscrite dans les consignes d'évaluation ; les étudiants généralisaient à partir des interdictions et des avertissements rencontrés ailleurs plutôt que de lire les règles de leur propre cours pour ce qu'elles étaient. La conclusion des auteurs suit le mécanisme plutôt que la formulation : la clarté au niveau du cours ne suffisait pas, et une cohérence au niveau du programme ou de l'institution est nécessaire pour que les étudiants cessent de déduire l'intention de la culture environnante.

Une conduite identique, des verdicts différents — et une déclaration qui ne change rien. Poudyal (2026) a appliqué 15 vignettes standardisées aux environnements politiques de 20 universités australiennes et a produit 300 classifications : 120 (40.0%) clairement interdites, 56 (18.7%) indéterminées, et aucune clairement autorisée, tandis que les instruments contraignants étaient muets sur l'IA générative dans 100 combinaisons que des orientations résolvaient dans 88 cas. La déclaration ne déterminait pas les résultats — le même statut de déclaration produisait des classifications différentes selon les règles d'autorisation et les consignes de tâche, et le champ de déclaration a enregistré 117 exigences satisfaites et 80 fausses déclarations.

Les procédures comptent autant que les politiques, et leur fondement probatoire s'est effondré pour l'IA. Teichmann (2026) soutient que la procédure de faute que les universités ont importée du plagiat repose sur une prémisse que l'IA générative a démantelée : que l'usage interdit peut être détecté et prouvé. À la différence du logiciel de comparaison de textes, qui peut renvoyer à une source copiée, les classificateurs de textes produits par l'IA n'identifient aucune source parce qu'il n'en existe pas — ils produisent un jugement probabiliste sur le style, qui se dégrade sous paraphrase, classe erronément les locuteurs non natifs de manière systématique, et ne peut être ni expliqué ni contre-interrogé, tandis qu'un usage habile ou légèrement édité ne laisse aucune trace. Persister quand même renverse la charge de la preuve (on demande à l'étudiant de prouver un négatif), met à mal chaque élément de la justice procédurale, et fait porter le préjudice de la fausse accusation le plus lourdement sur les déjà défavorisés. Le remède proposé est double : publier un standard probatoire en vertu duquel la production d'un détecteur ne fonde à elle seule aucune constatation, accompagnée de réponses progressives d'abord éducatives, et déplacer l'effort institutionnel vers une conception d'évaluation centrée sur la validité et l'évaluation authentique. Mohamed et Temimi (2026) fournissent la contrepartie au niveau des mécanismes, du côté de l'étudiant : parce que chaque environnement d'évaluation rend une certaine réponse la plus attractive, l'interdiction rend la dissimulation attractive lorsque la vérification est mince, la surveillance rend l'usage caché plus coûteux sans rendre la déclaration sûre, et seule la refonte — en abaissant le gain retiré de l'externalisation tout en augmentant la valeur du raisonnement visible — oriente les étudiants vers un usage responsable. Leur résultat le plus incisif est que la dissuasion passe par la capacité de discrimination d'un détecteur entre usage caché et travail légitime, et non par son taux d'interception ; ainsi, lorsque les faux positifs augmentent plus vite que les vrais positifs, une surveillance accrue peut rendre la dissimulation relativement plus attractive.

• Le devoir d'intégrité peut être réécrit comme une compétence individuelle. Sur 366 résumés d'articles d'enseignement supérieur portant sur GenAI, le mot integrity apparaît 461 fois, mais seulement 6 des 166 expressions d'obligation nomment les étudiants, si bien que la vérification et la déclaration apparaissent comme des compétences que les étudiants sont censés posséder plutôt que comme des obligations que les institutions font appliquer (Poudyal, 2026).

• Le degré de prescription d'une politique d'intégrité ne révèle pas le degré d'exposition de l'évaluation. En auditant 15,587 enregistrements d'unités, Villanueva (2026) a constaté que les universités porteuses de mandats de réforme à l'échelle de l'établissement et celles dotées de cadres généraux se répartissaient sur la même plage d'exposition de l'évaluation — la contrepartie empirique de l'analyse par le jeu de coordination rendant compte de la raison pour laquelle les déclarations changent rarement le comportement.

La dimension socio-émotionnelle

L'application de l'intégrité a un coût émotionnel négligé. La recherche sur la honte et la culpabilité menée auprès d'étudiants montre que ces émotions régulent le moment et la manière dont l'usage de l'IA devient visible, produisant des comportements de dissimulation et une déclaration sélective — et qu'elles coexistent avec un usage continu, créant des cycles de réduction de l'autonomie et de tension morale plutôt qu'un changement de comportement. C'est pourquoi les normes autour de l'usage de l'IA régulent la visibilité plus efficacement qu'elles ne régulent l'usage. Les étudiants décrivent même leur usage de l'IA dans un langage d'addiction. L'implication : une politique axée sur la détection et la surveillance risque de pousser l'usage abusif dans la clandestinité plutôt que de le traiter, ce qui sape la négociation franche qu'un usage productif exige.

L'envers de la dissimulation est le refus, et il porte son propre coût émotionnel. Parmi les 85 étudiants enseignants que Zou et al. (2026) ont interrogés dans le cadre d'une politique d'évaluation autorisant explicitement l'IA générative, 62.4% (53) ont choisi de ne pas l'utiliser du tout, et l'usage des adoptants était superficiel et correctif — la relecture (43.8%) et les vérifications de clarté (34.4%) dépassaient de loin la génération de texte (18.8%) et le remue-méninges (12.5%). La crainte d'une accusation injustifiée, bien plus que la difficulté technique, a fait une grande part du travail : 41.5% des non-adoptants l'ont citée, contre 13.2% évoquant un manque de connaissances ou de compétences, tandis que 77.4% ont présenté le non-usage comme une simple préférence pour le travail solitaire. Lorsqu'une politique permissive est lue comme un piège, la réponse sûre consiste à refuser l'offre — ce qui coûte à l'institution le travail intégrant l'IA qu'elle cherchait à susciter.

Les déclarations d'usage de l'IA

Les déclarations d'usage et de divulgation de l'IA sont le mécanisme concret par lequel les attentes d'intégrité sont opérationnalisées — et la recherche montre qu'elles échouent souvent lorsqu'elles sont traitées comme des formulaires de conformité neutres. Gonsalves (2025) a constaté que 74% des étudiants ne déclaraient pas leur usage de l'IA sur une page de garde obligatoire de travaux, poussés par la crainte des sanctions, l'ambiguïté des consignes, l'incohérence de l'application et les normes des pairs. Kirsanov et al. (2026) et Vetter et al. (2026) confirment que la crainte des représailles et l'obscurité de la politique refroidissent la déclaration — et que des étudiants transparents peuvent même attirer la suspicion. Chang et al. (2026) recadrent la déclaration comme un comportement de recherche d'aide et d'autorégulation que l'anxiété redirige vers les pairs. La leçon collective : les politiques de déclaration doivent traiter les barrières affectives et sociales, être claires et cohérentes, et traiter la déclaration comme une pédagogie formatif plutôt que comme de la surveillance. Luo & Dawson (2026) ajoutent la part qui revient à l'enseignant : la notation par les enseignants des travaux assistés par GenAI est régie par des jugements de valeur sur l'honnêteté, la diligence et la confiance de l'étudiant, et beaucoup d'enseignants pénalisent (ou sont tentés de pénaliser) les étudiants qui déclarent un usage de GenAI — même lorsque la qualité du travail est forte. C'est le problème de la transparence « dans les deux sens » : on attend des étudiants qu'ils déclarent leur usage, mais les enseignants clarifient rarement l'effet de cette déclaration sur les notes, si bien qu'une déclaration honnête peut porter une pénalité de notation non énoncée. L'étude ancre le problème de la déclaration dans la réalité chargée de valeurs de la notation par les enseignants et soutient que la transparence doit jouer dans les deux directions.

Les rapports des étudiants eux-mêmes quantifient à quel point ce message passe mal. Dans une enquête auprès de 504 étudiants de premier cycle en sociologie, 81 pour cent ont dit que leurs enseignants ou leurs assistants d'enseignement leur avaient donné des orientations sur l'usage de l'IA, mais seulement 46 pour cent ont jugé ces instructions très claires ; 19 pour cent ont dit n'avoir reçu aucune orientation, et les autres l'ont décrite comme au mieux assez claire (Kuznetsov, Sheely & Baker, 2026). La crainte de commettre une faute académique était la deuxième préoccupation la plus souvent exprimée par les étudiants (28 pour cent) — un coût imposé par l'ambiguïté plutôt que par l'application des règles, puisque seulement 3 pour cent ont déclaré utiliser GenAI pour produire le texte d'un devoir et 2 pour cent pour produire un brouillon complet. L'implication pratique est que la clarté de la communication est elle-même un mécanisme d'intégrité, et qu'un étudiant qui ne peut distinguer ce qui est permis porte un risque que l'institution n'a jamais eu l'intention d'imposer.

L'autorisation au niveau du cours ne résout pas non plus le dilemme de la déclaration. Dans l'étude de Zou et al. (2026) portant sur 85 étudiants enseignants dont les évaluations autorisaient explicitement l'IA générative, les autodéclarations totalisaient 28 utilisateurs contre 32 dans l'enquête anonyme, et les deux sources divergeaient dans des directions opposées selon les cours — le cours A enregistrait 14 utilisateurs dans l'enquête mais seulement 8 déclarations, tandis que le cours C inversait la tendance (8 dans l'enquête, 12 déclarations). Les auteurs lisent cette divergence comme l'effet des conséquences sur la note, qui façonnent ce que les étudiants sont disposés à rendre visible, ajoutant aux témoignages d'étudiants enseignants qu'un système de déclaration mesure le comportement de divulgation autant qu'il mesure l'usage.

La variation culturelle et contextuelle

Le texte d'une politique n'est pas la perception de cette politique. La recherche transnationale a constaté que, malgré des politiques institutionnelles fonctionnellement identiques, des étudiants d'universités différentes évaluaient différemment les mêmes pratiques assistées par l'IA — c'est la culture, et non la formulation de la politique, qui déterminait le caractère perçu comme répréhensible. L'harmonisation des politiques ne produit pas d'harmonisation des perceptions, si bien que des promotions culturellement diverses interprètent les mêmes règles différemment — un enjeu d'équité pour l'application des règles et la notation, qui plaide pour des clarifications par scénarios plutôt que pour des énoncés de règles abstraits.

Le bagage linguistique, plus que la culture, constitue un deuxième axe de variation. Li (2026) soutient que, parce que la même interface assure à la fois l'édition linguistique autorisée et la rédaction substantive interdite, des règles d'intégrité traitant GenAI comme une seule catégorie d'assistance non autorisée convertissent le désavantage linguistique en risque d'intégrité : une interdiction pure et simple supprime une forme extensible de soutien linguistique, un régime du type « autoriser mais déclarer » fait peser la charge de conformité sur les étudiants de langue anglaise additionnelle (EAL), dont l'usage est plus fréquent et itératif, et les interdictions d'éditer au-delà de modifications mineures concentrent la suspicion sur les auteurs dont la maîtrise de la langue a le plus évolué. La frontière que propose Li est fondée sur la finalité plutôt que sur l'outil — un soutien autorisé n'ajoute ni nouvelles idées, ni nouvelles sources, ni réordonnancement substantiel de l'analyse, tandis que la substitution crée ou remanie substantiellement le travail intellectuel évalué — et elle est ancrée dans le construit de l'évaluation, parce que des grilles qui attribuent des points pour la fluidité et l'expression idiomatique introduisent de la variance non pertinente au construit pour les auteurs EAL (Validité de l'évaluation). Le cadre relègue la production des détecteurs au rang de signal de triage qui constitue rarement une preuve, lui préférant la triangulation par des travaux rendus par étapes, des historiques de brouillons, des pistes de sources vérifiables et un bref entretien aligné sur le construit, et il calibre la déclaration de sorte qu'un soutien routinier n'entraîne pas de coûts de conformité supérieurs à ceux que supportent les pairs monolingues.

Du contrôle policier vers la pédagogie

La base de connaissances documente un changement de paradigme : de l'IA comme menace pour l'intégrité à surveiller, vers l'IA comme outil dont l'usage approprié doit être enseigné. C'en est la dimension éthique de l'littératie en IA, qui se trouve incarnée dans une conception pratique :

• Déclarations d'usage de l'IA spécifiques à la tâche : les cadres de déclaration propres au domaine remplacent les cases à cocher génériques « j'ai utilisé l'IA » par des déclarations structurées reliant l'usage aux étapes cognitives (par exemple la planification structurelle par rapport à la génération de contenu), forçant la réflexion et déplaçant l'attention du contrôle policier vers la pratique professionnelle.

• Évaluation transparente quant au processus : des architectures telles que la gestion cognitive, les travaux rendus par étapes, les soutenances orales et l'AI Viva (un agent conversationnel qui sonde si les étudiants comprennent leurs travaux) rendent visibles le jugement humain, la vérification et la responsabilité. Miles, Haber-Curran et Arar (2026) poussent la même logique jusqu'à l'invite elle-même : leur grille d'exemple note l'affinement itératif, l'interprétation critique de la production et la révision réflexive, si bien que ce qui est évalué est l'engagement de l'étudiant avec l'outil plutôt que l'artefact qu'il a produit, et ils soutiennent qu'enseigner aux étudiants à ne faire qu'optimiser la production laisse intouchées les dimensions éthiques et épistémologiques de l'usage.

• Réduire les usages abusifs : l'intégrité se situe aux côtés des usages abusifs de l'IA et de leur coût pour l'apprentissage et de la réduction des usages abusifs (les interventions qui les préviennent), reliant l'honnêteté à un apprentissage véritable plutôt qu'au respect des règles.

• La transparence comme stratégie d'intégrité, et pas seulement comme une courtoisie : l'étude de conception de McCorkle (2025) traite la justification de chaque usage autorisé ou non de GenAI comme le mécanisme d'intégrité lui-même. Des étudiants interrogés après avoir ignoré une politique d'interdiction ont expliqué qu'ils ne se considéraient pas comme se comportant malhonnêtement, ce qui recadre l'échec comme une ambiguïté plutôt que comme une non-conformité — la refonte y a donc répondu en justifiant chaque restriction par l'évaluation spécifique qu'elle protège, et en concevant pour le « milieu 20-60-20 » persuadable de McCabe plutôt que pour la minorité déterminée. L'étude nomme aussi le coût d'équité d'une politique vague : ce sont des attentes peu claires et inégales selon les enseignants qui convertissent l'échec de la politique en action disciplinaire (L'équité).

• Concevoir, et non détecter : le cas de Bochum. La refonte par l'université de la Ruhr à Bochum de l'introduction à la physique nucléaire et des particules (physique) (Mikhasenko et al., 2026) a relié sa politique d'IA à un échec pratique d'intégrité plutôt qu'à la détection : parce que les problèmes de travaux dirigés étaient divulgués à l'avance, certains étudiants préparaient des solutions générées par l'IA et les recopiaient au tableau sans s'engager dans le raisonnement visé. Les auteurs traitent cela comme un problème de conception — en déplaçant les problèmes de travaux dirigés vers une discussion en classe préparée et en faisant de l'examen écrit le déterminant de la note — plutôt que comme un problème de contrôle policier, tout en autorisant explicitement l'IA dans l'étude, en expliquant que la vérification est la responsabilité de l'étudiant, et en notant que les devoirs à domicile ouverts et autorisant l'IA ont aussi accru la dépendance, l'inégalité d'accès aux modèles payants, et la charge de travail des assistants d'enseignement.

L'énoncé le plus clair de l'inversion pédagogique vient d'El Khoury et Ma (2026), qui soutiennent qu'une réforme partant de la suspicion rétrécit l'imagination éducative au contrôle, à la conformité et à la surveillance, et que l'intégrité devrait être une conséquence d'une évaluation conçue pour l'engagement plutôt que son point de départ. Leur observation à l'appui est un mécanisme déjà visible ailleurs dans cette base de connaissances : le désengagement est l'une des conditions sous lesquelles la malhonnêteté devient plus probable, si bien que des programmes qui mettent les évaluations à l'épreuve ou contraignent l'usage de l'IA sans traiter l'engagement laissent une partie du problème intacte.

Les étudiants étrangers à l'enseignement supérieur anglophone décrivent la même tension dans leurs propres termes. Mulisa et Mezgebu (2026) ont interrogé 27 étudiants de premier cycle d'une université éthiopienne et ont trouvé le corps étudiant divisé contre lui-même : presque tous utilisaient GenAI ou voyaient leurs pairs l'utiliser, la plupart lui créditaient une amélioration de leur réussite académique, une petite minorité qualifiait un tel usage de faute caractérisée, et presque tous décrivaient un terrain de jeu inégal où les travaux assistés par l'IA obtenaient de meilleures notes qu'un effort honnête tandis que les travailleurs indépendants perdaient leur sens de la diligence. Le trait le plus marquant du récit tient à la définition du plagiat qu'en donnent les étudiants, techniquement défendable et pourtant incomplète — si le plagiat consiste à reproduire les mots de quelqu'un d'autre, un texte rédigé par une machine qui ne copie rien n'est pas du plagiat — c'est pourquoi les auteurs soutiennent que la définition doit s'étendre au-delà du copier-coller, suivant le « AI-plagiarism » de Ka et Chan (2025), et pourquoi ils placent les croyances propres des étudiants, et pas seulement les règles institutionnelles, au centre de l'usage éthique.

Sharma (2026) pousse l'inversion pédagogique un cran plus loin en étendant le cadre postplagiat d'Eaton d'une orientation éthique vers la conception de l'évaluation. L'intégrité, selon ce compte, s'accomplit par l'jugement évaluatif — la capacité de l'apprenant à peser des options, justifier des choix académiques et assumer la responsabilité face à l'incertitude épistémique — et se rend visible par quatre pratiques : des pistes de décision annotées, des pratiques de vérification et de responsabilité, la soutenance orale et la responsabilisation dialogique, et les différences entre brouillons avec l'historique des versions. La détection n'est conservée que comme couche supplémentaire en cas de fausse représentation claire ou d'externalisation délibérée du travail intellectuel, jamais comme infrastructure première de l'intégrité, parce qu'elle demande si GenAI a été utilisé plutôt que comment les décisions derrière le travail ont été prises ; l'argument nomme aussi le risque d'équité selon lequel les modèles centrés sur la détection pèsent le plus lourdement sur les apprenants qui s'appuient sur des outils génératifs pour un étayage linguistique ou cognitif.

Une troisième voie se situe entre la détection et la refonte. Akçapınar (2026) prédit le risque de triche assistée par l'IA à partir des traces du LMS de début de semestre, avec une AUC de 0.763, et présente la sortie comme un accompagnement académique à faible enjeu — rappels, suivi des devoirs, brefs entretiens — plutôt que comme une preuve de faute, en insistant pour que le score reste séparé de la notation et des dossiers disciplinaires.

Connexions

L'intégrité académique est liée à la validité de l'évaluation, à la littératie en IA, à la détection de l'IA, à l'évaluation authentique, à l'évaluation, à la politique éducative et l'IA, à la réglementation, à l'éthique et à l'équité. Elle est la dimension éthique de l'IA en éducation, inséparable du délestage cognitif et de la question plus large de la manière dont l'IA générative refaçonne l'enseignement supérieur et l'apprentissage au primaire et secondaire.

• Synthèse par revue systématique. Une revue PRISMA de 25 études (Balalle & Pannilage 2025) constate que l'IA agit à la fois comme une menace (écriture générée par l'IA, outils de paraphrase) et comme un outil de détection (scores d'IA de Turnitin), que les logiciels de détection sont peu fiables pour les travaux générés par l'IA, et que les institutions doivent bâtir une culture d'intégrité académique par une politique claire, la refonte de l'évaluation et la formation à l'éthique, plutôt que par le seul contrôle policier.(Reassessing Academic Integrity in the Age of AI: A Systematic Literature Review on AI and Academic Integrity)

• Du contrôle policier au dialogue : la vérification de l'apprentissage. Un récit de praticien du cadre à l'échelle de l'établissement de la Grand Canyon University (Mandernach 2026) soutient que la détection est peu fiable et que les processus formels d'intégrité aboutissent rarement, laissant les enseignants avec une « suspicion sans recours ». GCU a au contraire adopté la vérification de l'apprentissage — demander aux étudiants de démontrer leur compréhension du travail rendu dans un bref entretien — recadrant l'intégrité d'un problème de conformité vers un problème d'évaluation. Cela restaure l'autorité de l'enseignant, fait passer les étudiants du « comment ne pas se faire prendre » à un véritable engagement, et traite l'usage de l'IA comme acceptable lorsque l'étudiant peut démontrer son apprentissage ; l'anxiété initiale des étudiants à l'égard de la vérification souligne qu'une politique lourdement axée sur la surveillance peut corroder la confiance.

• GenAI vient à bout des devoirs auto-notables (2026) : ChatGPT a réussi chacune des 150 sessions de test sur des devoirs Qiskit (informatique quantique) délibérément durcis et auto-notables — personnalisation, références cachées, réflexions, exécution sur simulateur — montrant que les correcteurs fondés sur des grilles ne peuvent pas distinguer de manière fiable un travail achevé par l'IA d'un travail achevé par l'étudiant, et plaidant pour l'évaluation directe de la compréhension (ChatGPT Solves All Tested Qiskit Homework Assignments).

• L'évaluation à l'ère de l'IA — la production comme preuve (2026) : une analyse à l'échelle d'une université soutient que la crise de l'évaluation par l'IA est un désalignement entre la conception de l'évaluation et les résultats d'apprentissage, et pas seulement de la malhonnêteté ; elle documente les préjudices de la surveillance (navigateurs verrouillés, suivi oculaire), un « Disclosure Trap » (les étudiants craignent que déclarer l'usage de l'IA fasse baisser leurs notes), un écart de performance qui note le statut socioéconomique (offres Grands modèles de langue (LLM) payantes ou gratuites), et un « épuisement pédagogique » chez les enseignants chargés de surveiller l'IA — recommandant une évaluation fondée sur le processus plutôt que la détection (Evaluation in the Age of AI: Output as Evidence of Learning).

De nouvelles données probantes : raisonnement éthique, limites de la détection, marketing de l'IA et étudiants fantômes

Une vague de recherches récentes affine le tableau de l'intégrité académique à l'ère de l'IA générative :

• Les étudiants du secondaire raisonnent sur le « plagiat par IA » de manière situationnelle, et non comme une règle fixe. Chan (2026) montre que le raisonnement éthique des élèves du secondaire sur l'« AI-giarism » est nuancé et dépendant du contexte — beaucoup considèrent le travail assisté par l'IA comme acceptable lorsqu'il soutient la compréhension, mais problématique lorsqu'il se substitue à leur propre effort — mettant au défi l'hypothèse selon laquelle les étudiants manqueraient simplement d'intégrité ou une politique unique pourrait capturer leur éthique.

• À elles seules, les évaluations authentiques ne peuvent préserver l'intégrité. Kofinas et al. (2025) constatent que les correcteurs ne peuvent généralement pas distinguer les évaluations comportant des apports de GenAI de celles qui n'en comportent pas, et que le niveau d'authenticité de l'évaluation n'a aucun impact sur la capacité à se prémunir contre l'usage de GenAI ou à le détecter. Le secteur de l'enseignement supérieur « ne peut pas compter sur les seules évaluations authentiques pour contrôler l'impact de GenAI » — une remise en cause directe de la stratégie de refonte de l'évaluation, qui doit être associée à d'autres mesures.

• Les orientations sur l'intégrité doivent s'étendre au processus de recherche, et pas seulement à l'enseignement. Dai & Chan (2026) constatent que les chercheurs diplômés déploient l'littératie en IA dans les tâches de recherche et soutiennent que les politiques d'usage responsable, qui portent aujourd'hui sur l'enseignement et l'évaluation, doivent étayer les dimensions éthiques de l'usage de GenAI dans la recherche — là où les préoccupations portent sur l'originalité, la paternité, la protection des données et la dégradation des compétences plutôt que sur le seul plagiat.

• La finalité doit précéder la politique. Taylor & LaCroix (2026) soutiennent que la question de savoir si l'usage de GenAI constitue une faute dépend de la finalité de l'université. La hausse des cas de faute reflète une incohérence structurelle de l'université néolibérale, où l'enthousiasme technologique, l'influence des entreprises et l'application des politiques entrent en conflit — laissant les étudiants comptables de comportements implicitement façonnés par l'institution. Les universités ne peuvent pas faire respecter l'intégrité de manière crédible sans cohérence entre la mission déclarée, la pédagogie et la pratique technologique.

• Déterminants psychologiques et comportementaux. La recherche publiée dans Frontiers cartographie les mécanismes psychologiques et les déterminants comportementaux de l'intégrité académique sous l'effet de l'IA — la manière dont les attitudes, le sentiment d'efficacité personnelle, les normes et les conséquences perçues façonnent un usage honnête — reliant l'intégrité à la motivation, au sentiment d'efficacité personnelle et à l'littératie en IA comme construits comportementaux plutôt que comme un simple respect des règles. Tabares-Cruz et al. (2026) les quantifient dans un modèle d'équations structurelles portant sur 980 étudiants universitaires équatoriens, classant en premier les dispositions à l'intégrité académique et à la transparence, suivies de la littératie en IA, de la vérification critique, des orientations institutionnelles, de l'autorégulation et de la protection des données — les dispositions à l'intégrité et la littératie en IA expliquant ensemble une part substantielle de l'usage éthique de GenAI et surpassant les seules règles institutionnelles.

• Le marketing de l'IA normalise l'usage et oppose « tricher » à « rivaliser ». Sobo et al. (2025) montrent que l'IA est commercialisée auprès des étudiants comme une nécessité pratique (« Make your writing sound more natural to avoid being mistakenly flagged »), et que les étudiants se sentent obligés de l'adopter pour rester compétitifs, tout en s'inquiétant de la dépendance et de la perte d'apprentissage — un impératif entrepreneurial intériorisé. Cela indique le besoin d'une littératie au marketing dans le cadre de l'éducation à l'intégrité et à l'IA.

• Les humaniseurs d'IA exposent le cycle performatif de la détection. Roe et al. (2026) recensent 55 sites web d'« humanisation » de textes produits par l'IA, qui modifient ces textes pour échapper à la détection, analysés à travers la dramaturgie de Goffman. Les humaniseurs rendent la faute discursivement absente et performe la légitimité, démontrant que la course aux armements entre détection et contournement est structurellement sans fin — renforçant le déplacement du contrôle policier vers la conception de l'évaluation et l'littératie en IA.

• C'est l'application, et non la détection, qui concentre la conversation. Sur 270,929 enregistrements liés à l'IA provenant de 26 sous-forums éducatifs de Reddit couvrant trois ans et demi, le groupe consacré à l'intégrité académique représentait 37.1% de la discussion, et l'application des sanctions pour faute était le thème unique le plus important, à 12.1%, tandis que 32.3% des fils enseignant-étudiant se situaient dans des différends de détection et d'application (Yüce et al. (2026)).

• Les étudiants fantômes et le fossé de vérification lié à l'IA agentique. Bozkurt, Crompton & Fell Kurban (2026) introduisent l'« étudiant fantôme » : un substitut numérique créé en couplant des LLM (l'« esprit ») à des navigateurs d'IA agentiques (le « corps »), capable de naviguer dans un LMS, d'interagir avec les contenus et de réaliser des évaluations en imitant l'humain, rendant optionnelle la présence de l'apprenant réel. Cela crée un fossé de vérification que la surveillance par examen et la détection traditionnelles sont structurellement incapables de combler — une menace pour l'intégrité qui croît à mesure que l'IA devient agentique plutôt que simplement générative.

Le cas disciplinaire le plus clair en faveur de la refonte plutôt que de la détection vient de l'enseignement de l'informatique. Une revue systématique de 72 études sur l'IA générative dans l'informatique et l'enseignement de la programmation (Kumar, Wongsirichot et Nanthaamornphong 2026) n'a trouvé que trois études examinant les mécanismes de détection de l'IA — le corpus de preuves le plus mince des 14 thèmes qu'elle consolide — tandis que la refonte des cours et de l'évaluation était étayée par 25 études. La revue traite ce déséquilibre comme un diagnostic plutôt que comme un accident : les institutions ont largement mis à jour leurs documents de politique sans refondre les évaluations, et la plupart des enseignants se situent à un niveau d'intégration de tolérance plutôt que de transformation, 70% d'un échantillon national d'enseignants demandant explicitement une formation à la conception d'évaluations résistantes à l'IA. Sa réponse recommandée est concrète : ajouter une composante orale ou un autre élément rendant le processus visible à au moins une évaluation à fort enjeu par cours, et faire de l'engagement critique envers les productions de l'IA (lire, tester, modifier, expliquer, critiquer) une composante notée et observable du travail de l'étudiant, plutôt qu'une aspiration laissée à la discrétion de l'étudiant (Validité de l'évaluation).

• Les références fabriquées ont atteint les publications en enseignement de l'informatique. Denny et al. (2026) ont tracé 113,588 références issues de 5,225 articles d'enseignement de l'informatique de l'ACM Digital Library en les confrontant au corpus complet de 723,930 publications et 15,872,533 références, ont vérifié manuellement 828 enregistrements suspects, et ont confirmé 30 références contenant des informations bibliographiques vérifiablement fabriquées dans 14 articles, tous publiés en 2025 ou 2026. Au SIGCSE Technical Symposium, le nombre vérifié est passé de 3 en 2025 à 17 en 2026, se retrouvant dans 2.3% des articles des actes de 2026, et des références hallucinées sont apparues dans cinq lieux de publication sponsorisés par ou en coopération avec SIGCSE en 2025. Le nombre n'est exact qu'accompagné de son contre-poids : la plupart des références signalées étaient bénignes — 229 étaient des incohérences de métadonnées ACM où le PDF était correct et 188 étaient des variantes bibliographiques valides — si bien que le chiffre pour le lieu de publication est une borne inférieure délibérée. Cela retombe sur les auteurs, et pas seulement sur l'évaluation par les pairs, parce que les évaluateurs qui vérifient les listes de références ne peuvent pas contrôler chaque entrée, et que la rédaction assistée par Grands modèles de langue (LLM) rend peu coûteuse la production d'une citation inventée mais plausible.

• La clarté sans refonte déplace les usages abusifs latéralement au lieu de les supprimer. Petricini & Zipf (2026) situent l'usage de l'IA sur deux axes — l'intention et l'effort des étudiants d'un côté, la clarté et le soutien offerts par l'environnement de l'autre — et constatent que le quadrant le plus peuplé de leurs données d'entretiens était la conformité anxieuse, où les étudiants cachent une aide légitime (soutien grammatical, explications de concepts, organisation de leurs propres idées) pour éviter une fausse accusation. Leur avertissement est directionnel : là où les règles deviennent claires mais où l'évaluation récompense toujours la vitesse et le produit, les étudiants conscients des politiques basculent dans le contournement efficace plutôt que dans l'usage vertueux de l'outil. Austin (2026) aboutit au même point par le côté du devoir — lorsque des agents satisfont tous les critères de la grille sans raisonnement visible, noter la piste des décisions (calibration de la confiance, suggestions de l'IA rejetées, contraintes propres au cours) remplace la détection, qui, note-t-elle, se trompe dans les deux sens.

• Les employeurs dévaluent les notes qu'ils croient produites par l'IA — et convergent vers la vérification en présentiel. Dans une expérience d'enquête menée auprès d'environ 1,750 professionnels américains du recrutement, Boyd-Swan & Reynolds (2026) montrent que présenter l'usage de l'IA par les étudiants comme un outil d'assistance n'a entraîné aucune pénalité pour les candidats, tandis que le présenter comme un substitut à l'effort et à la capacité de l'étudiant a diminué la probabilité d'obtenir un entretien et — de manière plus marquée — la disposition à négocier le salaire, effet concentré parmi les candidats à fort GPA, indépendamment de l'origine ethnique et du sexe. Interrogés sur ce qui apaiserait leurs inquiétudes, les deux groupes de cadrage n'ont retenu qu'un seul remède en commun : les épreuves en présentiel. L'expérience isole la croyance (et non l'usage réel de l'IA) : elle montre comment le seul canal de signalisation fait évoluer les résultats de recrutement — un indice précoce que les marchés du travail pourraient ramener l'évaluation vers des formats vérifiables en présence, la même direction de conception que celle vers laquelle la littérature sur les étudiants fantômes exhorte les établissements à s'engager.

La première étude fondée sur la théorie du comportement planifié (Theory of Planned Behavior) portant sur l'intention de faute académique liée à l'usage de l'IA générative (GAIT) prolonge ce tableau : parmi 186 étudiants de premier cycle, Baig and Paparo (2026) ont constaté que les attitudes envers la faute, les normes subjectives à son égard et les attitudes positives envers l'IA prédisaient chacune l'intention, tandis que les attitudes négatives envers l'IA ne la prédisaient pas, et qu'une probabilité perçue de détection plus élevée prédisait une intention plus faible — un effet dissuasif miné par le manque de fiabilité documenté des outils de détection de l'IA.

Les politiques d'intégrité se déplacent de qui a écrit les mots vers qui a eu les idées, et les détecteurs sont reconstruits pour s'y adapter. IdeaLens prédit la provenance des idées à partir d'un plan plutôt que de la prose : sur 50 histoires que des personnes ont écrites de zéro en suivant des plans générés par l'IA, il en a signalé 68% comme étant de l'IA, contre 8% pour Pangram 4 et 0% pour son contrôle entraîné sur la prose, et il a étiqueté comme humaine la prose d'humains retouchée par l'IA dans 94.7% des cas (Rajendhran et al. (2026)). Sa propre déclaration éthique qualifie la sortie d'estimation statistique qui ne doit pas être utilisée seule comme preuve concluante d'un usage de l'IA.

Concepts liés

• Patrons pédagogiques — Séquences de vérification adoptées en réponse à l'IA générative
• Déclarations d'utilisation et de divulgation de l'IA — Déclarations d'usage et de divulgation de l'IA
• Validité de l'évaluation
• Littératie en IA
• Détection de l'IA
• Évaluation authentique
• Évaluation
• La politique d'IA en éducation
• Réglementation de l'IA dans l'éducation
• L'éthique
• L'équité
• Délestage cognitif
• Usages abusifs de l'IA et préjudices pour l'apprentissage
• Réduire les mésusages de l'IA
• Idées fausses sur l'IA
• L'IA générative
• Enseignement supérieur
• Primaire et secondaire (K-12)
• L'IA en éducation
• Questions juridiques et risques
• Normes sociales de l'usage de l'IA — les règles informelles qui sous-tendent la politique formelle

Articles liés

• The Integrity of Psychology Assessments in the AI Age: A Critical Examination — Un programme de psychologie entier validable avec un effort minimal, et les critères de notation qui l'ont laissé passer (Ivory et al. 2026)

• "Is this a trap?": Student teachers' perceptions and adoption of GenAI in assessments in three teacher education courses — Des étudiants enseignants ont renoncé à GenAI sous une politique permissive ; cadrage en « piège » et écart entre enquête et déclaration

• AI Agents, Joyful Assessment, and Third Space: Rethinking Assessment in the GenAI Era — Agents d'IA, évaluation joyeuse et troisième espace

• Generative AI in computing education: A systematic review and a framework for responsible integration — Les preuves en matière de détection sont minces (3 études sur 72) ; la refonte porte le poids

• Designing an Aligned Generative AI Course Policy: An Equitable and Transparent Learner-Centered Approach — Politique de cours GenAI alignée : autorisations dérivées de l'évaluation, justification transparente (McCorkle 2025)

• VARIA: Benchmarking Frontier LLMs on Construct-Equivalent Assessment Variant Generation — Génération de variantes d'évaluation équivalentes du point de vue du construit (Lee 2026)

• How Instructors Regulate AI in College: Evidence from 31,000 Course Syllabi — Comment les enseignants régulent l'IA dans 31,000 programmes de cours ; le cadrage en termes d'intégrité décline (Chirikov 2026)

• Can students cheat their way to a biology degree? A case study of the vulnerability of biology course grades to academic dishonesty in the era of generative AI — Les étudiants peuvent-ils tricher jusqu'à obtenir un diplôme de biologie ? Étude de cas de la vulnérabilité des notes des cours de biologie à la malhonnêteté académique à l'ère de l'IA générative

• Addressing student non-compliance in AI use declarations: implications for academic integrity and assessment in higher — Non-conformité des étudiants aux déclarations d'usage de l'IA

• Once a Response, Always a Response: Detecting LLM-generated Text via Latent Prompt Restoration — Détecter les textes générés par LLM

• Beyond Detection: Redesigning Authentic Assessment in an AI-Mediated World — Au-delà de la détection : l'évaluation authentique dans un monde médié par l'IA

• A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform — L'échelle d'évaluation pour l'IA et la réforme de l'évaluation

• From authentic products to authenticated processes: a systematic conceptual review of authentic assessment in AI-rich — Des produits authentiques aux processus authentifiés

• It's OK Because...": The Wild West of Student Rationalization of AI Use in Academic Writing — « C'est OK parce que… » : la rationalisation de l'usage de l'IA par les étudiants

• Mathematical Modelling of Ethical AI Use in Higher Education: A Coordination Game Framework for Future-Facing Learning — Cadre de jeu de coordination pour un usage éthique de l'IA

• Stuck in a Spiral": Shame and Guilt as Social Regulators of AI Use in Computing Education — La honte et la culpabilité comme régulateurs sociaux de l'usage de l'IA

• Did Alice Do Wrong? Cross-Cultural Differences in Student Perceptions of Generative AI Use in University Computing Education — Alice a-t-elle mal agi ? Perceptions interculturelles de l'usage de l'IA

• Exploring value judgements in grading: will teachers mark down student work assisted by GenAI, and should they? — Jugements de valeur dans la notation des travaux assistés par GenAI : honnêteté, confiance, validité et transparence dans les deux sens (Luo & Dawson 2026)

• Students' Agency in GenAI-Mediated Group Assessment: An Ecological-Emergent Perspective — Responsabilité mutuelle et originalité dans l'évaluation de groupe médiée par GenAI

• Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI — L'effondrement probatoire de la détection et le plaidoyer pour la justice procédurale, la proportionnalité et la conception

• Assessment Design Under Imperfect Information: Generative AI, Disclosure, and Student Response in Higher Education — Dissuasion, divulgation et refonte comme problème de conception de l'évaluation en information imparfaite

• How strong is the evidence in generative AI-related academic misconduct allegations? A mixed-methods analysis — Sur quoi reposaient réellement les preuves de 1,162 dossiers de faute liés à GenAI, et le seuil probatoire manquant

• Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment — Règles d'IA trop inclusives et la distinction transcription-contre-génération

• AI-based digital cheating at university, and the case for new ethical pedagogies — La triche numérique fondée sur l'IA et les pédagogies éthiques de prévention : de 183 à 27 cas de faute et cinq refontes propres aux disciplines (Leaton Gray, Edsall & Parapadakis 2025)

• Governing academic integrity: Ensuring the authenticity of higher thinking in the era of generative artificial intelligence — L'intégrité comme problème de gouvernance : un cadre d'indicateurs de 130 items à l'intention des instances académiques (Coates, Croucher & Calderon 2025)

• Academic integrity in the age of generative AI: A scoping review of research on higher education student voices — Revue de cadrage de 38 études sur les voix étudiantes de l'enseignement supérieur concernant l'intégrité académique et GenAI (Ji 2026)

• GenAI assessment and language equity: Drawing the line between support and substitution — Tracer la frontière entre soutien et substitution pour les auteurs EAL, et l'iniquité des règles qui ignorent le bagage linguistique (Li 2026)

• Ethical implications of prompt injection in AI-mediated grading: An adversarial red-team evaluation — Injection d'invites contre la notation médiée par l'IA : des instructions cachées qui changent la note sans être détectées (Humble 2026)

• Designing for Virtuous AI Use: The AI-Use Ethics Matrix in AI-Mediated Classrooms — La matrice d'éthique de l'usage de l'IA : conformité anxieuse, et pourquoi la clarté seule peut pousser les étudiants vers un contournement efficace (Petricini & Zipf 2026)

• When AI Agents Can Complete the Assignment: Practical Strategies for Designing Tasks That Still Require Human Thinking — Noter la piste du raisonnement lorsque des agents d'IA peuvent réaliser le devoir (Austin 2026)

• AI-written admissions essays are widespread but penalized — Les dissertations d'admission rédigées par l'IA sont répandues mais pénalisées

• Who Acts, Who Knows, Who Answers? A Corpus-Assisted Discourse Analysis of Agency, Epistemic Responsibility, and Accountability in Generative AI Higher Education Research — Qui agit, qui sait, qui répond ? Une analyse de discours assistée par corpus de l'autonomie, de la responsabilité épistémique et de l'obligation de rendre compte dans la recherche en enseignement supérieur sur l'IA générative

• Mapping the Authorized Boundary: A Comparative Policy-Vignette Study of Generative AI Governance in Australian Higher Education — Cartographier la frontière autorisée : une étude comparative par vignettes de la gouvernance de l'IA générative dans l'enseignement supérieur australien

• Argus: Academic Integrity in the Era of Generative AI — Argus : l'intégrité académique à l'ère de l'IA générative

• How AI-vulnerable is Australian higher education assessment? A computational audit of Group of Eight Arts and Humanities units, 2022–2026 — Constat d'un audit sectoriel : les universités à mandat et celles à cadre général ne présentent aucune différence d'exposition de l'évaluation, contrepartie empirique du problème de coordination

• Early Prediction of AI-Assisted Cheating Risk in Online Exams Through Learning Analytics — Akçapınar (2026) — Prédiction précoce du risque de triche assistée par l'IA à partir des traces du LMS, présentée comme un accompagnement académique plutôt que comme une preuve de faute

• ChatGPT vs Teachers vs Students: Large-Scale Analysis of Generative AI Discourse in Education Communities on Reddit — Trois ans et demi d'éducation sur Reddit : l'application des sanctions domine, et les différends d'intégrité sont le principal lieu de confrontation entre enseignants et étudiants (Yüce et al. 2026)

• Early Evidence on Employer Responses to College Student Use of Generative AI — Expérience d'enquête : le cadrage de substitution de l'usage de l'IA par les étudiants pénalise les candidats à fort GPA lors du recrutement et sur le salaire ; les épreuves en présentiel sont le seul remède choisi par les deux groupes

• AIRRI: Towards a Human-Readable, Machine-Resistant Reading Interface — AIRRI : vers une interface de lecture lisible par l'humain et résistante aux machines