Déclarations d'utilisation et de divulgation de l'IA

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

Déclarations d'utilisation et de divulgation de l'IA — les politiques, déclarations et pratiques par lesquelles on demande aux apprenants (ou on les invite) de divulguer leur usage de l'IA générative dans les travaux académiques. Également appelées déclarations d'usage de l'IA, déclarations de divulgation de l'IA ou déclarations de transparence, ces mécanismes se situent à l'intersection de l'intégrité académique, de l'éthique, de la confiance et de l'évaluation à l'ère de l'IA. La recherche de la base de connaissances montre que la divulgation est loin d'être une simple formalité administrative neutre : elle est façonnée par la peur des sanctions, des politiques ambiguës, une application incohérente, les normes entre pairs, la stigmatisation et les coûts psychologiques de l'auto-accusation — et elle est profondément liée à l'apprentissage auto-régulé et à la recherche d'aide.

Questions à examiner

• Si vous étiez un étudiant ayant utilisé l'IA générative pour un devoir, le diriez-vous à votre enseignant ? Cette page suggère que la réponse honnête est largement façonnée par la peur — la recherche montre que la divulgation est rare, motivée par une « anxiété de sanction » et par la crainte de s'auto-accuser. Quelles hypothèses sur votre propre comportement de divulgation pourriez-vous avoir besoin de remettre en question ?
• La question de conception centrale est ici de savoir si la divulgation fonctionne comme une surveillance ou comme un étayage en faveur d'un engagement éthique. Avant de lire, laquelle de ces deux fonctions supposiez-vous qu'un formulaire de divulgation visait — et pouvez-vous imaginer une manière dont ce même formulaire servirait l'objectif inverse ?
• Un résultat frappant est que les étudiants qui divulguaient toujours avaient plus de trois fois plus de chances d'être accusés de tricherie — la transparence attirait le soupçon. Si l'honnêteté peut accroître le soupçon, qu'est-ce que cela dit de la façon dont nous devrions concevoir la confiance entre étudiants et enseignants ?
• Cette page distingue les mécanismes de conformité obligatoire des pratiques de divulgation formative qui développent la littératie en IA et l'auto-régulation. Laquelle de ces deux approches l'approche de votre propre institution ressemble-t-elle le plus, et que faudrait-il changer pour qu'elle devienne l'autre ?
• La recherche relie la dissimulation à une auto-régulation inadaptée, et la divulgation à une recherche d'aide adaptative — rendre visible votre usage de l'IA peut susciter de la part d'un enseignant un étalonnage utile. Quand vous est-il arrivé (en tant qu'apprenant ou enseignant) de trouver bénéfique de rendre visible votre incertitude ou votre recours à de l'aide, plutôt que de le cacher ?
• Les normes de divulgation varient selon la discipline, le bagage linguistique et le contexte — avec des implications d'équité lorsque certains étudiants sont plus susceptibles que d'autres d'être pénalisés pour avoir dissimulé. Si vous conceviez une politique de divulgation, comment l'empêcheriez-vous de faire peser une charge inégale sur des apprenants déjà marginalisés ?

Introduction

Les déclarations d'utilisation et de divulgation de l'IA sont les déclarations par lesquelles les étudiants indiquent s'ils ont utilisé l'IA générative dans un devoir et comment — d'une simple case à cocher sur une page de couverture à des formats structurés consignant le modèle, l'entrée, l'objectif et la manière dont la sortie a été évaluée. Les systèmes diffèrent tant par leur nature que par leur niveau de détail : certains fonctionnent comme des mécanismes de conformité obligatoire assortis de sanctions en cas de non-divulgation, d'autres comme des pratiques formatives qui traitent la divulgation comme un instrument de développement de l'littératie en IA, de la transparence et du jugement éthique. La question de conception qui décide de ce qu'ils deviennent est de savoir si la divulgation sert à attraper ou à enseigner, ce qui place fermement le concept dans l'intégrité académique et la politique éducative relative à l'IA.

Ce que sont les déclarations d'utilisation et de divulgation de l'IA

Les déclarations d'usage de l'IA obligent ou invitent les étudiants à indiquer s'ils ont utilisé l'IA générative dans un devoir et de quelle manière — typiquement sur une page de couverture de travaux, un formulaire de soumission ou une consigne de réflexion. Les cadres varient largement, des simples déclarations par case à cocher aux formats structurés qui documentent le modèle, l'entrée, l'objectif et la façon dont la sortie a été évaluée (par exemple le cadre Model-Input-Evaluation/MInE). Elles vont des mécanismes de conformité obligatoire (assortis de sanctions en cas de non-divulgation) aux pratiques formatives qui traitent la divulgation comme un instrument pédagogique de développement de l'littératie en IA, de la transparence et de l'auto-régulation. La question de conception centrale est de savoir si la divulgation fonctionne comme une surveillance ou comme un étayage en faveur d'un engagement éthique.

Pourquoi la divulgation compte pour l'IA en éducation

La divulgation est le mécanisme qui rend le travail assisté par IA visible et donc gouvernable — la contrepartie de l'intégrité académique et la condition préalable à la confiance entre étudiants et enseignants. Sans transparence sur l'usage de l'IA, les éducateurs ne peuvent ni distinguer un soutien légitime d'une faute, ni étalonner la rétroaction, ni détecter les écarts d'équité. Mais la recherche révèle que la divulgation est aussi un processus affectif et social, et pas seulement une question de politique.

Ce que montre la recherche

• La divulgation est rare et motivée par l'anxiété. D'une étude à l'autre, la plupart des étudiants ne divulguent pas leur usage de l'IA aux enseignants. Kirsanov et al. (2026) ont constaté que seulement environ 34 % des étudiants en économie admettaient un usage de l'IA et que la divulgation était plus rare encore, motivée par une « anxiété de sanction ». Vetter et al. (2026) ont constaté que 66 % des étudiants n'avaient jamais ou rarement divulgué, la crainte d'une sanction académique étant la première raison invoquée. Gonsalves (2025) a documenté un taux de non-conformité de 74 % face à une déclaration obligatoire au école de commerce du King's College.
• Des politiques ambiguës et punitives poussent à la dissimulation. Lorsque les politiques d'usage de l'IA sont floues, sans application effective, ou constituent des interdictions, les étudiants cachent leur usage plutôt que de s'engager. Ce sont les politiques d'« usage limité dans certaines situations » qui prédisent le mieux la divulgation ; les politiques « non autorisé » ou « pas au courant » prédisent la dissimulation. Des politiques claires, cohérentes et élaborées collectivement sont réclamées de façon répétée.
• La divulgation a des coûts psychologiques — et des coûts cachés. Les étudiants considèrent les déclarations comme une auto-accusation, et certains pensent que l'usage de l'IA est une affaire privée, comme l'usage d'une calculatrice. Vetter et al. (2026) ont constaté que les étudiants qui divulguaient « toujours » avaient plus de trois fois plus de chances d'être accusés — la transparence peut attirer le soupçon. Chang et al. (2026) ont constaté que l'inquiétude réoriente la divulgation vers les pairs plutôt qu'elle ne la supprime, coupant les étudiants de la rétroaction de l'enseignant.
• La divulgation est liée à l'apprentissage auto-régulé. Chang et al. (2026) interprètent la divulgation dirigée par l'enseignant comme une recherche d'aide adaptative — rendre l'assistance visible et susciter un étalonnage externe — tandis que la dissimulation (en particulier chez les grands utilisateurs d'IA) ressemble à une régulation inadaptée. Une divulgation formative et structurée peut favoriser la réflexion métacognitive et le raisonnement éthique qui caractérisent une auto-régulation efficace.
• Les normes de divulgation varient selon la discipline, la langue et le contexte. Les étudiants en éducation, en sciences sociales et dans les domaines STIM/santé divulguent davantage que les étudiants en gestion ; les étudiants monolingues divulguent peut-être moins que les étudiants multilingues. Dans une étude, les étudiants internationaux divulguaient moins, ce qui soulève des inquiétudes d'équité. Les normes de divulgation ne se développent pas automatiquement avec la progression académique.
• Les normes de divulgation restent incertaines dans les programmes professionnels. Gutowski et Hurley (2025) rapportent que les facultés de droit américaines agréées par l'ABA ne s'accordent pas sur la question de savoir si tout usage de l'IA doit être divulgué, décrivent les formulaires de divulgation déposés par les étudiants auprès des enseignants, et ne relèvent aucun consensus sur la manière dont les écrits savants ou de cours devraient citer l'IA — le Bluebook lui-même reste silencieux. Ils prédisent aussi que la divulgation finira par paraître aussi inutile que le fait de signaler qu'un étudiant a utilisé un moteur de recherche, mise en garde quant à la durée de vie des règles que l'on rédige aujourd'hui, et ils ancrent la question des normes dans l'éducation juridique.

La divulgation n'est pas un mécanisme de détection

Une erreur institutionnelle récurrente consiste à traiter les déclarations comme un moyen de repérer les usages interdits. Elles ne peuvent pas remplir cette fonction : elles dépendent de la franchise, et leur application se heurte à la même indétectabilité, puisqu'une institution ne peut généralement pas prouver qu'un usage non déclaré a eu lieu. Teichmann (2026) situe ailleurs leur véritable valeur — dans des engagements d'intégrité visibles, inscrits dans une culture de la confiance, et dans la transparence, des attentes partagées et la réflexion de l'étudiant plutôt que dans l'application de sanctions. Le mécanisme éducatif est normatif, et non médico-légal.

L'ampleur du phénomène est documentée : sur 7,462 candidatures à un master de politiques publiques d'une université publique américaine, une attestation signée de non-usage de l'IA n'a pas empêché 56.1 % des candidats de 2025 de soumettre une dissertation qu'un détecteur commercial classait comme rédigée principalement par l'IA, et chaque dissertation signalée était associée à une probabilité d'admission inférieure de 1.5 à 2.6 points de pourcentage (Isley, Gaebler et Goel (2026)).

Le travail de modélisation de Mohamed et Temimi (2026) fournit la condition sous laquelle la divulgation fonctionne, formulée comme un seuil de conception plutôt que comme un espoir : l'usage divulgué ne l'emporte sur l'usage caché que lorsque le coût de l'honnêteté reste inférieur à la dissuasion qu'il achète. Comme cette borne augmente avec la crédibilité de la détection, la détection et la sécurité de la divulgation se renforcent mutuellement — mais uniquement si le risque de faux positif lié au signalement pèse de la même manière sur les réponses honnêtes et malhonnêtes, auquel cas l'honnêteté conserve sa protection comparative. Leur implication de conception est directe : traiter un usage déclaré de l'IA comme un contexte plutôt que comme un aveu, ce qui maintient le coût de l'honnêteté bas précisément dans les situations où la surveillance est la plus forte, et lire la divulgation comme une démonstration de jugement évaluatif plutôt que comme un aveu de culpabilité. L'autorisation et la divulgation sont deux leviers distincts — l'autorisation modifie la frontière formelle de l'usage acceptable, la divulgation en modifie la visibilité — et réussir sur l'un ne dit rien de l'autre.

AlGhamdi (2026) propose une mise à l'épreuve suggestive de l'effet de divulgation lui-même. Le même cours a donné lieu à une étude en aveugle (AlGhamdi 2024) et à une étude transparente, et seule la cohorte transparente a explicitement délimité le rôle de l'IA et interrogé l'autorité évaluative. Comme les cohortes et les années diffèrent, l'auteure qualifie ce contraste de suggestif plutôt que de causal, mais soutient que la divulgation a agi comme une consigne pédagogique plutôt que comme une clause de non-responsabilité — transformant la rétroaction d'un acte allant de soi en un objet de réflexion, sans aucun signe de désengagement ni de résistance.

En passant en revue les recommandations sur l'IA générative des 50 universités américaines les mieux classées en matière d'innovation, Qian (2026) situe la divulgation à la frontière entre l'assistance et la fausse déclaration : là où l'IA est autorisée, les institutions demandent aux étudiants de reconnaître, citer ou documenter autrement l'assistance de l'IA plutôt que de présenter les productions comme entièrement les leurs, et ce sont les bibliothèques — et non les bureaux d'intégrité académique — qui détiennent l'autorité en matière de normes de citation et de provenance. La formulation des bibliothèques du MIT selon laquelle l'IA n'est pas un auteur, ce qui laisse aux auteurs la responsabilité de documenter la contribution des outils, illustre ce schéma, et Qian lit la divulgation à la fois comme une norme d'intégrité, un principe de conception qui réduit l'ambiguïté avant la soumission, et l'un des quatre piliers de l'intégrité aux côtés de la responsabilité, de l'équité et de la vie privée. C'est le même usage non médico-légal que décrit la section, et c'est pourquoi Qian recommande d'institutionnaliser les bibliothèques comme autorité en matière de citation plutôt que d'étendre la détection.

• La divulgation entraîne une pénalité de confiance, et la légitimité en est le mécanisme avancé. Dans treize expériences, menées pour la plupart auprès de panélistes en ligne américains et regroupées en 4,093 observations (θ = 0.81, z = 10.52, 95 % CI [0.66, 0.96]), un acteur qui divulguait son usage de l'IA était moins digne de confiance qu'un acteur qui se taisait (Schilke et Reimann (2025)). L'effet a résisté à six formulations de la divulgation, à un évaluateur qui savait déjà que l'IA avait été utilisée, et aux régimes obligatoires comme volontaires. C'est la contrepartie expérimentale du résultat d'enquête évoqué plus haut selon lequel les étudiants divulguant toujours encouraient plus de trois fois plus de risques d'accusation : la transparence elle-même peut coûter cher à celui qui divulgue. Le seul résultat de cet article tourné vers les étudiants est que les étudiants accordaient moins de confiance à une enseignante lorsqu'elle divulguait une notation par l'IA.

Concevoir une divulgation efficace

• La clarté et la cohérence l'emportent sur la dissuasion. Élaborer des politiques d'IA claires, cohérentes et construites collectivement, avec des exemples concrets d'usage acceptable et de la manière de le déclarer ; éviter les cadres punitifs ou flous, qui motivent la dissimulation.
• Traiter l'obstacle affectif. Les politiques de divulgation qui ne visent que le comportement sont insuffisantes — il faut normaliser l'usage de l'IA, réduire le sentiment d'être jugé et la stigmatisation, et rassurer les étudiants sur le fait qu'une divulgation honnête ne sera pas pénalisée.
• Rendre la divulgation formative, et pas seulement conforme. Utiliser des consignes de réflexion et des déclarations structurées (modèle/entrée/évaluation) afin que la divulgation développe l'littératie en IA et l'auto-régulation au lieu de fonctionner comme une surveillance.
• Former les enseignants à instaurer la confiance, plutôt qu'à s'appuyer sur la détection. Une divulgation ne devrait jamais être suivie d'une accusation ; les enseignants devraient apprendre à mener des conversations qui instaurent la confiance, au lieu de s'appuyer sur des détecteurs d'IA peu fiables.
• Concevoir en tenant compte de l'équité. Prêter attention aux différences de divulgation selon les disciplines, le statut linguistique et les origines des étudiants, et éviter les mécanismes qui font peser une charge inégale sur des apprenants déjà marginalisés.

Connexions

L'usage et la divulgation de l'IA se situent à l'intersection de l'intégrité académique (sa préoccupation mère), de l'éthique, de la confiance et de la calibration de la confiance (la divulgation comme acte de vulnérabilité), de la gouvernance et de la politique éducative relative à l'IA (les cadres de politique institutionnelle), et de l'évaluation (là où la divulgation est opérationnalisée). Elle se rattache à l'littératie en IA (les étudiants doivent comprendre quoi divulguer et comment), à l'apprentissage auto-régulé et à la recherche d'aide (la divulgation comme recherche d'aide visible), et à l'équité (la divulgation différenciée). Elle se distingue de l'usage abusif de l'IA et ses préjudices (le préjudice que la divulgation vise à rendre visible), tout en y étant apparentée, ainsi que de l'détection de l'IA (les alternatives fondées sur la détection, que les dispositifs de divulgation remplacent de plus en plus).

Concepts liés

• Intégrité académique
• L'éthique
• Confiance
• Le calibrage de la confiance
• La gouvernance de l'IA
• La politique d'IA en éducation
• Évaluation
• Évaluation authentique
• Littératie en IA
• L'apprentissage autorégulé
• Recherche d'aide
• L'équité
• L'IA générative
• Enseignement supérieur
• Usages abusifs de l'IA et préjudices pour l'apprentissage — le préjudice que la divulgation vise à rendre visible
• Détection de l'IA
• Parents et familles
• Normes sociales de l'usage de l'IA — pourquoi les apprenants choisissent de cacher plutôt que de divulguer

Articles liés

• Beyond Detection: How Students Use—and Hide—AI in Online Assessments and What Authentic Tasks Can Do About It — Beyond detection: how students use and hide AI in online assessments
• "Should I Tell My Teacher?" Student AI Disclosure Practices, Stigma, and Self-Regulated Learning in Higher Education — Divulgation de l'IA par les étudiants, stigmatisation et apprentissage auto-régulé
• The Hidden Cost of Disclosure: A Multi-institutional Study on Undergraduate Students' Generative AI Usage and Faculty Accusations — Le coût caché de la divulgation : divulgation et accusations du corps enseignant
• 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
• Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI — Les déclarations comme éducation plutôt que comme détection
• Assessment Design Under Imperfect Information: Generative AI, Disclosure, and Student Response in Higher Education — Le coût de l'honnêteté comme seuil de conception dans l'évaluation
• Who Should Grade My Work? Student Perspectives on Transparent AI-Assisted Writing Assessment in Higher Education — Who Should Grade My Work? Student Perspectives on Transparent AI-Assisted Writing Assessment in Higher Education
• Governing generative AI in higher education: Emerging policy approaches and support ecosystems at innovative U.S. universities — La divulgation comme frontière entre assistance et fausse déclaration dans 50 universités américaines innovantes (Qian 2026)
• Forging ahead or proceeding with caution: Developing policy for generative artificial intelligence in legal education — Absence de consensus sur la divulgation et la citation de l'IA dans les politiques des facultés de droit (Gutowski & Hurley 2025)
• AI-written admissions essays are widespread but penalized — Les dissertations de candidature rédigées par l'IA sont répandues mais pénalisées
• The transparency dilemma: How AI disclosure erodes trust — Treize expériences : divulguer l'usage de l'IA réduit la crédibilité de celui qui divulgue, par le biais de la légitimité