La politique d'IA en éducation

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

La politique d'IA en éducation (Educational AI policy) — les règles formelles et informelles qui gouvernent l'usage de l'IA dans les établissements d'enseignement, de la législation nationale jusqu'aux consignes de classe. La recherche sur les politiques recensée dans la base de connaissances couvre la gouvernance institutionnelle, les obligations curriculaires curriculaires et les exigences de formation des enseignants.

Questions à examiner

• Les politiques d'IA des établissements sont souvent rédigées comme si énoncer les règles changeait les comportements. La recherche suggère que ces politiques peuvent accuser un retard considérable sur l'usage réel de l'IA. Pourquoi, à votre avis, une politique « sur le papier » échoue-t-elle si souvent à correspondre à ce qui se passe dans les salles de classe ?
• Si l'externalisation des devoirs provoque des pertes d'apprentissage largement invisibles — parce qu'aucun enseignant ne relie individuellement le déclin d'un étudiant à l'usage de l'IA — quel type de politique serait-il seulement possible ? À quoi ressemblerait le suivi ?
• Des décisions de politique d'évaluation comme les examens oraux, les épreuves surveillées et les formats à livres fermés sont elles-mêmes des réponses à la tricherie rendue possible par l'IA. Pensez-vous que le contrôle du « produit » (détecter l'usage de l'IA) soit une meilleure stratégie que repenser l'évaluation pour que le travail lui-même soit plus difficile à externaliser ?
• La politique d'IA en éducation s'étend de la législation nationale aux choix de la classe, en passant par les orientations gouvernementales et les règlements institutionnels. Lequel de ces niveaux, selon vous, façonne réellement le plus le comportement des étudiants et des enseignants — et pourquoi ?
• Quelles voix tendent à façonner les politiques d'IA — et lesquelles manquent ? Qui devrait être à la table lorsqu'un établissement décide quels usages de l'IA sont autorisés et comment ils sont encadrés ?

Introduction

Les niveaux de la politique

• La politique institutionnelle : une analyse des politiques institutionnelles compare la manière dont les universités élaborent leurs politiques d'IA. Les cadres de changement institutionnel fournissent des modèles pour l'élaboration des politiques. Qian (2026) a codé les pages IA principales des 50 universités américaines classées comme les plus innovantes en 2025 et a constaté que seules 6 les présentaient comme une « politique », tandis que 44 publiaient des orientations, des directives, des principes ou des centres de ressources, et que 33 de ces 50 universités positionnaient les enseignants comme les premiers traducteurs des attentes institutionnelles en règles de cours — la politique institutionnelle est délibérément rédigée comme une orientation adaptable à l'interprétation au niveau du cours plutôt que comme une règle figée.

• La politique gouvernementale : des travaux sur la politique d'apprentissage tout au long de la vie examinent les approches réglementaires aux niveaux national et régional. Une lecture critique et infrastructurelle de l'IA dans l'élaboration des politiques publiques vient d'Perrotta (2026), dont l'analyse du prototype Grands modèles de langue (LLM) du service public britannique Redbox montre comment l'IA à usage général entre dans la boîte à outils professionnelle de l'action publique par la « gouvernance en zéro coup d'essai » (zero-shot governance) — des modèles de fondation agnostiques au domaine qui interviennent dans les décisions, enveloppés dans de minces étayages propres au domaine.

• La politique K-12 : les revues de preuves de Stanford portant sur 818 articles éclairent la politique d'IA en K-12.

• La politique d'évaluation : les politiques de réforme de l'évaluation et les cadres d'évaluation authentique constituent des réponses au niveau de la politique à la tricherie rendue possible par l'IA. Le choix du format d'évaluation sommative — oral, surveillé, à livres fermés — constitue lui-même une décision de politique d'évaluation (voir évaluation sommative).

L'écart de maturité des politiques

La base de connaissances documente le fait que les politiques d'IA des établissements accusent un retard sur l'usage réel de l'IA. Les programmes d'développement éducatif, les cadres de compétence en IA des enseignants et la réglementation requièrent tous des fondations politiques cohérentes. Des preuves de terrain à grande échelle (Strömberg, Lei, & Wu 2026) montrent que les pertes d'apprentissage liées à l'externalisation des devoirs passent largement inaperçues parce que les enseignants de discipline et les étudiants relient rarement individuellement le déclin à l'usage de l'IA — un écart auquel une politique fondée sur les preuves (par exemple accorder plus de poids à l'évaluation à livres fermés, informer les étudiants des coûts à long terme, surveiller les intrants plutôt que les productions) peut répondre.

Là où un consensus s'est formé pour combler cet écart, l'étude Delphi menée par Crompton et al. (2026) auprès de 35 experts dans 22 pays a convergé vers huit domaines de gouvernance — l'intégrité académique comme ancrage central — ainsi que vers un mécanisme de révision en six volets (comité GenAI permanent, révisions programmées des politiques, développement professionnel, communication, évaluation d'impact, suivi) afin de maintenir les politiques à jour.

L'état de préparation national en matière d'IA ne prédit pas la force de la politique institutionnelle. Adarkwah et al. (2026) ont évalué 26 universités issues de dix pays à indice AIPI élevé au regard du cadre GenAI de l'UNESCO à huit composantes et ont constaté que les établissements des pays nordiques et de Nouvelle-Zélande en couvraient les éléments plus complètement que leurs pairs mieux classés, tandis que l'inclusion, l'équité et la durabilité étaient les éléments les plus négligés.

Les documents consultatifs sont plus nombreux que les politiques contraignantes. Un recensement de l'ensemble des programmes agréés d'un domaine professionnel montre que l'écart de maturité tient autant à la forme qu'au calendrier. Eldredge et al. (2026) ont rassemblé les politiques et documents d'orientation relatifs à l'IA de l'ensemble des 48 programmes de master en informatique de la santé et en gestion de l'information de santé agréés par la CAHIIM aux États-Unis et ont constaté que 40 (83%) disposaient d'au moins un document public relatif à l'IA tandis que 8 n'en avaient aucun, mais que ces documents relevaient surtout de l'orientation plutôt que de règles applicables : 21 directives (53%) contre 7 politiques formelles (18%). Leur contenu portait principalement sur l'intégrité académique et l'usage acceptable, tandis que la confidentialité, la propriété intellectuelle et les concepts réglementaires (HIPAA, FERPA, conformité de la recherche) apparaissaient beaucoup plus rarement, et la modélisation thématique faisait apparaître le même accent sur la conduite étudiante. Ni le type de document ni le public visé ne variaient selon le mode d'offre (test exact de Fisher P = .85 et P = .71). Les auteurs y lisent la preuve que la politique d'un programme académique est une activité distincte de la conception curriculaire et du développement des compétences de la main-d'œuvre, et soutiennent que les organismes d'accréditation pourraient réduire la variation qui en résulte en fournissant des cadres de politique d'IA intégrant l'intégrité académique, l'éthique des données et l'accès équitable.

Une revue systématique britannique ajoute une dimension sectorielle au même écart : les investissements d'infrastructure et la formation du personnel à l'IA se concentrent dans les universités à forte intensité de recherche (Russell Group), tandis que les établissements axés sur l'enseignement (post-92) se heurtent à des contraintes de capacité, et qu'une minorité seulement des établissements britanniques maintiennent des plans officiels de gouvernance de l'IA (Ashiq (2026)).

Un secteur qui fait de la politique sans base de preuves. L'écart de maturité apparaît aussi comme un problème de preuves dans les programmes professionnels. Gutowski and Hurley (2025) ont évalué les politiques institutionnelles des facultés de droit américaines agréées par l'ABA selon cinq dimensions — caractère prohibitif, caractère permissif, intégration pédagogique, transparence et responsabilité, et profondeur — et ont constaté que la plupart des établissements adoptaient des positions globalement prohibitives tout en réservant la marge de discrétion aux enseignants individuels et en s'engageant à réviser les règles au rythme des évolutions technologiques. Ils attribuent cette prudence à la pression du temps plutôt qu'aux preuves : l'enquête de l'ABA en 2024 n'a recueilli de réponses que d'environ 15% des établissements agréés, et les auteurs ne relèvent aucun consensus sur la question de savoir si l'usage de l'IA doit être divulgué ni sur la manière de le citer. Leur conclusion est procédurale — construire la politique avec les enseignants plutôt que pour eux, former de manière proactive, et traiter la production de politique comme un événement récurrent plutôt qu'un acte ponctuel — ce qui fait de la formation juridique l'un des cas les plus clairs de la distinction entre politique et gouvernance que cette page établit.

Les enseignants réglementent ; les établissements, pour l'essentiel, non. L'écart de maturité a un second visage, visible du côté de l'enseignement. Watson and Rainie (2026) ont interrogé 1,057 enseignants d'universités et de collèges américains et ont constaté que les règles avaient été rédigées bien plus rapidement en dessous de l'établissement qu'en son sein : 87% des répondants avaient créé leurs propres politiques au niveau du devoir pour l'usage de l'IA par les étudiants, contre 35% qui déclaraient que leur département avait rédigé des directives et 48% que leur établissement l'avait fait. La réponse structurelle qui sous-tend ces documents est mince — 55% déclaraient un groupe de travail ou une instance de supervision, 37% de nouveaux cours centrés sur l'IA, 17% une majeure ou une mineure en IA, 16% de nouveaux bureaux de direction académique, et 13% seulement l'adoption de la littératie en IA comme résultat d'éducation générale — tandis que 68% indiquaient que leur établissement n'avait pas préparé les enseignants à enseigner avec ces outils. Parce que les étudiants rencontrent cette mosaïque résultante comme un régime institutionnel unique, ce constat constitue une preuve directe de la distinction que cette page établit entre un document de politique et la gouvernance qui la rend cohérente. (Les auteurs décrivent l'échantillon comme non scientifique et non généralisable, aussi convient-il de le lire comme l'expression des préoccupations du secteur.) Cet écart documenté a une conséquence mesurée du côté des étudiants. Le dispositif de Chen en deux études — 160 étudiants en art dans une expérimentation par scénario et 425 enquêtés (Chen, 2026) — a montré que l'incohérence perçue entre la promotion de l'IAG par une université et ses pratiques réelles d'enseignement, d'évaluation et d'accompagnement prédisait positivement à la fois les appréciations d'obstacle (β = 0.431) et de défi (β = 0.496), lesquelles avaient des effets indirects opposés sur l'engagement dans le processus créatif (β = −0.060 via l'obstacle, p = 0.004 ; β = 0.217 via le défi, p < 0.001), si bien qu'une seule politique mal alignée peut à la fois freiner et soutenir le travail créatif des étudiants.

La régulation au niveau de la tâche est le schéma émergent. Une étude longitudinale à grande échelle portant sur plus de 31,000 programmes de cours (2021–2025) d'une grande université publique de recherche (Chirikov 2026) montre comment les enseignants réglementent effectivement l'IA en pratique : la régulation explicite de l'IA est passée de presque zéro à 55% des cours à l'automne 2025, mais l'orientation est passée du restrictif au permissif, et les enseignants ont de plus en plus différencié selon le type de tâche — restreignant l'IA pour la rédaction et le raisonnement (tâches à risque de déplacement) tout en l'autorisant pour la relecture, la correction et l'aide à l'étude (tâches d'augmentation). Le cadrage s'est lui aussi déplacé de l'intégrité académique (63%→49% des programmes) vers l'impact sur l'apprentissage (1%→29%). Ce schéma fondé sur les tâches — adossé aux mécanismes économiques du déplacement, de l'augmentation et de la réintégration des tâches — offre une alternative plus fine aux politiques globales d'adoption ou d'interdiction et constitue un ancrage empirique direct de la distinction entre politique et gouvernance établie plus haut.

• Le versant étudiant de la régulation au niveau de la tâche. Avec deux des trois évaluations placées dans une même catégorie d'usage ouvert, c'est tout de même le format d'évaluation qui a décidé de l'usage que les étudiants faisaient de l'IAG : les usages de rétroaction sont passés de 0% dans une présentation étayée à 66.7% dans un quiz à réaliser à la maison (Quince and Faulconer (2026)).

La conception d'une politique au niveau de l'enseignant comme exercice d'alignement. La régulation au niveau de la tâche a un pendant en matière de conception, en deçà du programme de cours. Le cas de conception de McCorkle (2025) déduit les usages autorisés et interdits de l'IAG dans un cours de la question « qu'est-ce que j'évalue, précisément ? » — en inventoriant chaque tâche d'un projet, en rattachant chacune à un objectif d'apprentissage, en l'associant à une compétence émergente de la main-d'œuvre en matière d'IAG (développement professionnel et préparation), puis en décidant quelle préoccupation prime : le besoin d'évaluer la performance de l'étudiant ou la valeur de construire la compétence. La politique qui en résulte diffère d'une tâche à l'autre à l'intérieur d'un même projet — le choix des sujets et la sélection d'images sont autorisés, la rédaction d'objectifs d'apprentissage et la conception des diapositives ne le sont pas — avec la justification adressée directement aux étudiants. Le cas documente aussi pourquoi les interdictions générales échouent en pratique : les étudiants qui ne se considèrent pas comme malhonnêtes lisent une interdiction comme ne s'appliquant pas à eux, et la politique devient inéquitable (équité) lorsque les attentes restent implicites. Ce cas complète les niveaux de politique descendants présentés plus haut en montrant comment le contenu d'une politique peut être généré à partir de l'alignement sur l'évaluation au niveau du cours et du devoir.

L'écart entre frontière et preuves dans la politique d'évaluation. Un audit de 30 universités portant sur les orientations publiques d'évaluation relatives à l'IAG (Yao 2026) constate que les politiques institutionnelles savent mieux classer les usages de l'IA qu'expliquer quelles preuves d'apprentissage demeurent valides au sein de chaque classe : le score moyen de frontière de délégation (2.47/4) dépassait le score moyen de standard de preuve (1.89/4), les garanties étaient rares (2.75 sur 8), et les orientations étaient plus claires pour la substitution du produit final. Le cadre de la gestion cognitive (cognitive stewardship) soutient que les politiques doivent rendre visible la logique de certification — ce que les apprenants peuvent déléguer, ce qu'ils doivent encore démontrer, et comment les établissements protègent une preuve équitable — plutôt que de simplement surveiller l'usage de l'IA.

Le langage prohibitif trop large et les règles mal appliquées. La portée d'une règle est une décision de politique dont les conséquences dépassent la simple conformité. Wright (2026) soutient que les interdictions générales rédigées dans l'enseignement supérieur depuis 2023 visent l'« IA générative » sans la précision technique permettant de distinguer la production de contenu de la conversion de format assistée par l'IA — la reconnaissance optique de caractères, la reconnaissance d'écriture manuscrite et la conversion de la parole en texte sont des Technologies de l'IA de reconnaissance qui infèrent ce qu'un étudiant a déjà écrit plutôt qu'elles ne produisent un contenu nouveau. Selon cette lecture, sanctionner un usage limité à la transcription relève davantage de l'application erronée d'une politique que d'une faute, et le coût de l'imprécision se répartit inégalement : les étudiants concernés par les enjeux d'équité et les étudiants en situation de handicap qui dépendent de ces outils encourent un risque disproportionné de faux positifs, une exposition que les questions juridiques et les risques traitent comme une question d'aménagement raisonnable plutôt que d'intégrité.

Une frontière fondée sur la finalité plutôt qu'une liste d'outils. Li (2026) fournit le contenu de politique qui manque au langage prohibitif trop large : une ligne de partage entre appui et substitution définie par la fonction et le construit évalué plutôt que par la désignation d'outils, au motif que les listes d'outils deviennent obsolètes et encouragent une conformité de façade. L'appui autorisé est une intervention de surface qui n'ajoute ni idées, ni sources, ni réordonnancement substantiel de l'analyse ; la substitution consiste à produire des arguments ou des contre-arguments, à appliquer des règles disciplinaires à des faits, à restructurer une séquence analytique, ou à générer des citations destinées à être incluses. Le cadre se décline en trois instruments — des définitions opérationnelles assorties de tests rapides partagés pour que deux correcteurs qualifient de la même manière une même conduite, des modèles de divulgation étalonnés allant de rien pour les fonctions intégrées à faible risque à une mention en une ligne pour la révision linguistique externe et à environ 80–120 mots lorsqu'une idéation limitée est expressément autorisée, et une grille de décision qui nomme les indicateurs faibles (langage policé ou fluidité soudaine, formulation non native, scores de détection isolés) à côté des types de preuves susceptibles de peser. Il énonce aussi les conditions dans lesquelles des régimes permissifs à grande échelle comme l'échelle d'évaluation de l'IA (AI Assessment Scale) demeurent opérants : un usage expressément autorisé pour la tâche considérée, le construit respécifié pour que étudiants et correcteurs sachent ce qui est évalué, et une divulgation restant praticable.

Une automatisation progressive assortie d'un contrôle humain obligatoire. Le test national d'accréditation du premier cycle du secondaire uruguayen, Acredita EB (Acredita EB), offre un modèle concret d'automatisation préservant le contrôle dans la politique d'évaluation : les sections à choix multiples et les procédures existantes restent inchangées, l'IA n'est utilisée que pour la section de rédaction, à l'intérieur d'une étape obligatoire de calibration portant sur 50–100 textes, et deux règles d'élagage décident quels résultats requièrent un examen par un expert — les candidats qui ne peuvent réussir sur les deux autres sections n'ont pas besoin d'un examen de la rédaction, et les candidats compétents dans les trois sections réussissent avec un risque résiduel observé de seulement 0.2%/0.6%. Les auteurs estiment que ce dispositif pourrait réduire d'au moins 50% le nombre de réponses écrites nécessitant une correction humaine intégrale, tout en préservant le principe directeur selon lequel aucune décision finale sur les résultats du test n'est prise sans un contrôle humain approprié. Ce dispositif complète les travaux sur l'écart entre frontière et preuves présentés plus haut en montrant une politique qui précise non seulement où l'IA est autorisée, mais aussi quelles preuves humaines et quel examen demeurent obligatoires.

Le versant contradictoire de la notation automatisée. Une politique qui fait passer la notation par un outil d'IA hérite d'une surface d'attaque. Humble (2026) a soumis un flux institutionnel de notation à un exercice d'équipe rouge en cachant cinq injections indirectes de consignes dans les fichiers d'un rendu synthétique que Microsoft Copilot (GPT-5.2) avait noté comme non satisfaisant lors des six exécutions de référence. Deux stratégies ont fait monter la note sans avertissement visible pour l'utilisateur — avec des taux de réussite de l'attaque rapportés de 100% (9 itérations sur 9) et 94% (17 sur 18) — et l'outil a à la fois désactivé silencieusement une conversation après avoir bloqué l'attaque la plus simple et, dans une itération, annoncé qu'il ignorerait les consignes intégrées avant d'augmenter la note lors des six exécutions suivantes. Une note obtenue par une consigne cachée n'emporte aucune prétention à la validité, et la même technique pourrait dégrader un rendu sans laisser de trace durable : aussi les demandes de l'article sont-elles de niveau politique plutôt que technique : des orientations sectorielles, du développement professionnel, un usage restreint de l'IA accompagné d'un examen humain pour les travaux à enjeux élevés, et des tests standardisés et agnostiques au domaine de la résilience aux injections de consignes, afin que la surface d'attaque soit mesurée plutôt que supposée. C'est le pendant contradictoire des dispositifs de contrôle présentés plus haut : là où ceux-ci précisent quel examen humain est obligatoire, celui-ci précise une classe de manipulations que cet examen existe pour attraper mais pour laquelle il n'existe aucun signal fiable.

Une matrice valeurs/normes comme fondement de la politique. Agarwal et al. (2026), dans une revue systématique de 25 articles, consolident l'éthique de l'IAED en six principales valeurs éthiques (non-discrimination, gestion responsable des données, contrôle humain, bienveillance, explicabilité, pertinence éducative) et projettent les normes éthiques extraites de la littérature sur une matrice croisant parties prenantes et valeurs. La revue positionne cette matrice comme un fondement pour construire des cadres éthiques et une réglementation détaillés pour l'IAED, en donnant aux établissements d'enseignement, aux développeurs et aux régulateurs des normes concrètes pour mettre en œuvre des valeurs spécifiques. Elle constate que les normes de bienveillance visant les régulateurs sont bien plus nombreuses (neuf) que pour tout autre ensemble de parties prenantes, ce qui signale le rôle des régulateurs pour garantir, par la politique et la législation, que l'IAED profite aux apprenants — un point de départ concret, ancré dans les valeurs, pour la machinerie de distinction entre politique et gouvernance que décrit cette page.

Des affirmations qui voyagent plus loin que leurs réserves. L'annonce d'un projet pilote est aussi un instrument de politique, et ses standards de publication font partie de la politique. Restrepo Morales et al. (2026) analysent l'épisode salvadorien de septembre 2026, dans lequel un pilote de tutorat par IA dans 171 écoles publiques a été présenté comme atteignant des résultats comparables à ceux de l'Allemagne et de la Suède : par rapport à la moyenne PISA 2022 en mathématiques de l'Allemagne, les 5.5% les plus élevés de la distribution nationale des résultats auraient atteint le seuil de référence sans aucun gain d'apprentissage, et l'évaluation du pilote portait sur 7.0 étudiants par école contre 25.4 dans l'enquête nationale la même année : les preuves publiées ne permettent donc pas d'exclure la sélection comme explication. Leur proposition est un standard de publication en six points — la situation de référence des écoles participantes, le protocole d'échantillonnage (étudiants éligibles, étudiants évalués, règle d'identification, taux de participation), les scores désagrégés avec leurs erreurs types, la date d'entrée en vigueur de chaque composante de la réforme, le recouvrement avec l'échantillon national représentatif, et la réserve énoncée dans le même document, article ou paragraphe que l'affirmation — motivée par l'arithmétique de la divulgation propre à l'annonce elle-même : la publication de la Banque mondiale portant l'affirmation avait enregistré environ 441,000 vues contre environ 11,000 pour celle portant la réserve, quatre publications plus loin dans le même fil. La leçon de politique est la suivante : lorsqu'un système utilise les résultats au niveau des écoles comme preuve de lui-même, le format de la divulgation décide laquelle des deux formulations devient le fait public.

Une analyse au niveau des pays des données PISA 2022-2025 a constaté que les pays où l'usage de l'IA générative était plus élevé affichaient des déclins plus marqués en lecture et en mathématiques, une association qui disparaissait une fois la performance antérieure contrôlée (Guerra & Aslanov, 2026). Les auteurs y voient une mise en garde : un accès plus large aux agents conversationnels ne doit pas être traité comme un bénéfice en soi, et ils appellent à des déploiements accompagnés d'une évaluation longitudinale.

La politique face à la gouvernance

La politique et la gouvernance sont étroitement liées mais distinctes, et les tenir à distance l'une de l'autre importe pour comprendre la recherche de la base de connaissances.

• La politique est le contenu — ce qui est décidé. Une politique est une règle, un principe ou un énoncé formel : quels usages de l'IA sont autorisés, interdits ou obligatoires ; ce qui doit être divulgué ; quels formats d'évaluation sont permis. Elle existe comme un artefact documenté (législation, directive institutionnelle, énoncé dans un programme de cours) et répond à la question « quelles sont les règles ? »

• La gouvernance est la machinerie — comment cela est décidé, mis en œuvre et appliqué. La gouvernance englobe les structures institutionnelles, les normes et les mécanismes de responsabilité qui produisent, appliquent et suivent la politique : qui fixe les règles, comment elles sont communiquées et dotées de ressources, comment la conformité est vérifiée et contestée, et comment elles sont révisées à mesure que l'IA évolue. Elle répond à la question « qui décide, et comment les règles prennent-elles effet concrètement ? »

• Elles sont interdépendantes. Une politique sans gouvernance n'est pas appliquée — c'est une règle écrite dont personne n'est responsable, que personne ne surveille et ne met à jour. Une gouvernance sans politique manque de direction — des structures qui n'administrent rien de précis. La recherche de la base de connaissances montre à maintes reprises que les deux doivent être construites ensemble : une politique qui se contente de classer les usages de l'IA sans gouvernance pour spécifier les preuves, les garanties et les processus de révision demeure faible dans la pratique (l'audit de gestion cognitive), et une gouvernance qui se borne à surveiller sans politique claire risque de déboucher sur une surveillance sans équité (voir gouvernance de l'IA).

• La direction senior de l'IA est rare au regard de l'ambition stratégique. Une revue de cadrage portant sur 19 sources a constaté que seuls 7% des établissements avaient créé des postes de direction senior de l'IA alors que 49% traitaient l'IA comme une priorité stratégique ; la plupart des études incluses étant conceptuelles ou transversales, aucun effet causal de la gouvernance anticipatrice n'a pu être établi (Baroudi (2026)).

L'épreuve pratique qui les sépare : une politique peut être lue sur le papier, mais la gouvernance s'observe dans la mesure où la règle est mise en œuvre, appliquée et adaptée. C'est pourquoi la gouvernance prolonge la réglementation et la politique dans les établissements, et pourquoi la base de connaissances traite les choix de format d'évaluation (évaluation sommative) comme des décisions de politique qui ne deviennent effectives qu'à travers des structures de gouvernance comme les commissions d'examen, les cadres de déclaration et les voies de recours.

La politique de classe comme frontière interprétative de la gouvernance. La machinerie de la gouvernance ne s'arrête pas au document institutionnel ; les enseignants qui le lisent et l'adaptent constituent le dernier maillon de la chaîne, et Nash & Burriss (2026) montrent à quoi ressemble ce maillon en pratique. Leurs enseignants en formation initiale prévoyaient de travailler dans des districts dotés de politiques d'IA et devaient néanmoins rédiger des règles propres à leur classe pour leurs propres étudiants — une compétence d'adaptation essentielle — et les auteurs soutiennent que les enseignants peuvent refuser d'adopter l'IA pour des tâches précises de lecture et d'écriture sans pour autant l'ignorer, le refus prudent se distinguant du rejet sans examen critique. Maintenir cette distinction viable est lui-même une tâche de gouvernance : les districts et les programmes de formation doivent fournir les orientations, le développement professionnel et l'infrastructure politique qui permettent aux enseignants de refuser certains usages sans être présentés comme en retard sur leur temps.

Des indicateurs de gouvernance pour le problème d'authentification. Coates, Croucher and Calderon (2025) fournissent la couche de mesure qu'implique cette distinction entre politique et gouvernance, en traitant l'intégrité académique à l'ère de l'IAG comme un problème de gouvernance avant d'être un problème de détection et en jugeant la gouvernance académique contemporaine résiliente mais « mal positionnée et mal préparée » pour protéger l'authentification de l'évaluation des étudiants. Leur cadre réunit 130 questions de gouvernance sous huit dimensions — concevoir, développer, former, mettre en œuvre, analyser, rendre compte, évaluer et améliorer — et les items sont des questions portant sur la machinerie institutionnelle plutôt que des échelles psychométriques : le conseil ou le comité suprême de l'établissement reçoit-il des mises à jour sur les processus et les résultats de l'évaluation ; les indicateurs de performance clés couvrent-ils la qualité de l'évaluation ; quel pourcentage d'étudiants est connu individuellement par les enseignants qui les évaluent ; les notes extrêmement basses ou élevées sont-elles recoupées ; et existe-t-il une voie simple pour signaler les cas de tricherie contractée ? Le programme de réforme qui l'accompagne cible les architectures de gouvernance, les personnes qui y exercent des rôles, ainsi que les technologies et les ressources qui soutiennent l'évaluation, et les auteurs soutiennent que peu de développement institutionnel ne produit d'effets sans un appui extérieur de la réglementation, de la comparaison par références et de la concurrence entre établissements — la même pression réglementaire que la page sur la réglementation traite comme la contrainte déterminante de la réforme de la gouvernance.

• L'écart se mesure aussi en K-12, et pas seulement dans les universités. Une enquête représentative à l'échelle nationale menée auprès de 1,018 enseignants et chefs d'établissement d'écoles publiques américaines a constaté que seuls 18% des enseignants et 24% des chefs d'établissement déclaraient une politique d'IA générative dans leur école — le même schéma de décision en deçà de l'établissement que cette page documente dans l'enseignement supérieur (Tench, Weinstein & James, 2026).

Le déficit de politique dans la recherche sur l'IA × apprentissage socio-émotionnel

Une revue systématique de 65 articles à l'intersection de l'IA et de l'apprentissage socio-émotionnel (Tran, Liu & Nguyen 2026) documente un « déficit de politique » : près des trois quarts des études n'énoncent aucune implication politique, et celles qui le font manquent souvent de spécificité orientée vers les acteurs. La revue constate que l'engagement politique des études est corrélé au lieu de publication, ce qui reflète des incitations académiques qui récompensent la nouveauté technique plutôt que la gouvernance et la réglementation. Elle propose un cadre en « questions en wh » (qui, quoi, pourquoi, quand/où, comment) et un passage de « l'implication-en-arrière-pensée » à « l'implication-comme-méthodologie » — traitant l'articulation politique comme une contrainte de conception de la recherche plutôt qu'un ajout a posteriori.

Concepts liés

• Partenariats pédagogiques — Les partenariats pédagogiques
• Réglementation de l'IA dans l'éducation — La réglementation
• La gouvernance de l'IA — La gouvernance
• Le développement éducatif — Le développement éducatif
• L'équité — L'équité dans l'IA en éducation
• Enseignement supérieur — L'enseignement supérieur
• Primaire et secondaire (K-12) — Le K-12
• Intégrité académique — L'intégrité académique
• L'éthique — L'éthique
• La compétence des enseignants en IA — La compétence en IA des enseignants
• La manière dont l'usage de l'IA est présenté aux étudiants — Le cadrage de l'usage de l'IA pour les étudiants
• L'évaluation sommative — L'évaluation sommative
• Enseignement de la chimie — L'enseignement de la chimie et l'IA : laboratoires, évaluation formative, limites des LLM, philosophie de l'expérimentation
• Enseignement de la biologie — L'enseignement de la biologie et l'IA : assistants de laboratoire pour l'enseignement, littératie en IA en biologie, pensée critique, outils spécialisés
• Parties prenantes — Parapluie : les personnes et les publics de l'IA en éducation (apprenants, enseignants, concepteurs, administrateurs, responsables de politiques)
• Soutien aux étudiants et réussite — le contexte politique du déploiement de l'accompagnement institutionnel

Articles liés

• An AI Policy Isn't a Playbook: Educators Need Agency, Not Just New Rules — Une enquête représentative à l'échelle nationale auprès d'enseignants et de chefs d'établissement américains sur la couverture des politiques d'IA, la capacité d'agir et cinq stratégies de classe (Tench, Weinstein & James 2026)
• When universities advocate GAI but practice falls short: student appraisals and creative process engagement in art education — Quand les universités promeuvent l'IAG mais que la pratique est en deçà : appréciations des étudiants et engagement dans le processus créatif en éducation artistique
• Writing the Rules for Generative Machines: Tensions and Entanglements in Preservice Teachers' Classroom AI Policies — Les politiques de classe sur l'IA de futurs enseignants d'anglais : ce qu'ils ont autorisé, limité et interdit (Nash & Burriss 2026)
• A Human-in-the-Loop Framework for AI-Assisted Scoring in Large-Scale Writing Assessment — Un cadre avec humain dans la boucle pour la notation assistée par IA dans l'évaluation de l'écriture à grande échelle
• Designing an Aligned Generative AI Course Policy: An Equitable and Transparent Learner-Centered Approach — Déduire les usages autorisés et interdits de l'IAG tâche par tâche à partir de ce qui est évalué (McCorkle 2025)
• How Instructors Regulate AI in College: Evidence from 31,000 Course Syllabi — Comment les enseignants réglementent l'IA dans 31,000 programmes de cours (Chirikov 2026)
• Artificial Intelligence and Grade Inflation — Le déplacement des tâches par l'IA comme mécanisme d'inflation des notes (Chirikov 2026)
• Governing generative AI in higher education: a global Delphi study on policy and practice — Une Delphi mondiale sur la gouvernance de l'IA générative dans l'enseignement supérieur
• Governing generative AI in higher education: Emerging policy approaches and support ecosystems at innovative U.S. universities — Plutôt des orientations que des politiques : les règles fixées par les enseignants dans les programmes de cours et un écosystème d'appui en quatre volets dans 50 universités américaines innovantes (Qian 2026)
• Forging ahead or proceeding with caution: Developing policy for generative artificial intelligence in legal education — Comparaison en cinq facteurs des politiques d'IAG des facultés de droit dans un secteur qui fait de la politique sans base de preuves (Gutowski & Hurley 2025)
• Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment — La transcription n'est pas de la génération : règles d'IA trop larges, conversion de format et aménagements pour le handicap (Wright 2026)
• Anticipatory governance and leadership for AI implementation in higher education: A scoping review — La gouvernance anticipatrice de l'IA dans l'enseignement supérieur (revue de cadrage)
• Institutional approaches to artificial intelligence policy and guidance in health informatics and information management education: emerging trends and inconsistencies — Les documents de politique d'IA dans l'ensemble des 48 programmes de master agréés en informatique de la santé : surtout des orientations, centrées sur l'intégrité académique (Eldredge et al. 2026)
• What Does the Credential Still Certify? Cognitive Stewardship for AI-Mediated Education — La gestion cognitive pour l'évaluation médiatisée par l'IA (audit des politiques de 30 universités)
• Generative Artificial Intelligence Policy: A Qualitative UNESCO Framework Analysis
• A Comparative Analysis of Institutional and Course Generative AI Policies within Higher Education: Implications for Instruction in Computing Education
• A Framework for Institutional Change in the Age of AI
• A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform
• The Evidence Base on AI in K-12: A 2026 Review
• Artificial Intelligence in UK Higher Educational Policy and Institutional Decision Making
• The Policy Deficit in AI × Social-Emotional Learning Research — Le déficit de politique dans la recherche sur l'IA × l'apprentissage socio-émotionnel
• Identifying the ethical values and norms for artificial intelligence in education: A systematic literature review — Valeurs et normes éthiques pour l'IA en éducation
• Zero-shot governance — La gouvernance en zéro coup d'essai : l'IA à usage général dans la politique publique (Perrotta 2026)
• How much selection would be enough? Bounding the learning claim of El Salvador's artificial intelligence tutoring pilot — Borner l'affirmation d'apprentissage du pilote de tutorat par IA du Salvador (Restrepo Morales et al. 2026)
• The AI Challenge: How college faculty assess the present and future of higher education in the age of AI — 1,057 enseignants américains : 87% rédigent leurs propres règles de devoir face à des orientations institutionnelles et départementales minces (Watson & Rainie 2026)
• GenAI assessment and language equity: Drawing the line between support and substitution — Une frontière appui–substitution fondée sur la finalité, avec divulgation étalonnée et grilles de décision (Li 2026)
• Ethical implications of prompt injection in AI-mediated grading: An adversarial red-team evaluation — L'injection de consignes dans la notation médiatisée par l'IA : des notes modifiées sans être détectées, et la réponse au niveau politique (Humble 2026)
• Governing academic integrity: Ensuring the authenticity of higher thinking in the era of generative artificial intelligence — 130 indicateurs de gouvernance pour authentifier l'évaluation, et la pression extérieure dont la réforme a besoin (Coates, Croucher & Calderon 2025)
• Student GenAI use under changing institutional policies: a mixed-methods case study in undergraduate physics — Le niveau d'autorisation politique face à la conception des tâches : ce pour quoi les étudiants ont utilisé l'IAG dans trois évaluations de physique (Quince & Faulconer 2026)
• Generative AI use and the 2022–2025 decline in PISA performance across countries — Un usage national plus élevé de l'IA générative associé à des déclins PISA 2022-2025 plus marqués, une corrélation qui s'évanouit une fois la performance antérieure contrôlée (Guerra & Aslanov, 2026)