L'équité

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

L'équité (Equity) — le principe selon lequel l'IA devrait servir tous les apprenants de manière équitable, et l'étude des disparités systémiques dans l'accès aux outils éducatifs d'IA, la représentation au sein de ces outils et les bénéfices qu'ils procurent. La recherche sur l'équité dans la base de connaissances examine les écarts d'accès et la division numérique, les biais et l'équité dans les systèmes d'IA, la conception culturellement adaptée et linguistiquement inclusive, l'accessibilité pour les apprenants en situation de handicap, et la distribution des bénéfices et des préjudices de l'IA entre les groupes. Elle relie le technique (réduction des biais, algorithmes équitables) au structurel (infrastructure, politique) et au pédagogique (enseignement culturellement pertinent).

Questions à examiner

• Fournir des outils d'IA à une école ou à une classe ne comble pas automatiquement les écarts de réussite — de fait, le seul accès peut les élargir. Si « l'accès ne suffit pas », que faut-il d'autre pour que l'IA serve réellement tous les apprenants de manière équitable ?
• Même les données utilisées pour simuler des apprenants portent des biais : lorsque des LLM ont généré des vignettes d'étudiants, différents modèles ont produit davantage de profils du Nord global ou du Sud global, ainsi que des pronoms genrés. Dans quelle mesure devrions-nous faire confiance aux représentations d'apprenants générées par l'IA, alors que les modèles eux-mêmes encodent des a priori inégaux ?
• L'équité dans l'IA en éducation est souvent formulée autour de trois préoccupations : qui reçoit les outils (l'accès), qui y est représenté (la représentation), et qui en bénéficie (les résultats). Pouvez-vous imaginer une situation où un groupe obtient l'accès sans en bénéficier pour autant ? Qu'est-ce qui explique cet écart ?
• La recherche sur le « silence structurel » soutient que les locuteurs de langues sous-représentées sont désavantagés par l'infrastructure de l'IA — corpus d'entraînement, tokenisation, tests de référence — avant même que quelque modèle que ce soit ne soit entraîné. Si le désavantage est inscrit dans l'infrastructure, par où commencer à le corriger ?

Introduction

L'équité dans l'IA en éducation recouvre trois préoccupations qui se recoupent : qui reçoit les outils d'IA (l'accès), qui et quoi est représenté dans les systèmes d'IA (la représentation), et qui en bénéficie (les résultats). L'IA peut aussi bien élargir que réduire les disparités existantes, selon la conception, l'infrastructure et la politique. L'équité constitue donc une lentille transversale appliquée à l'équité algorithmique, à l'accès numérique, à l'inclusion linguistique, à l'accessibilité et à l'enseignement culturellement pertinent.

L'équité d'accès et d'infrastructure

• La division numérique : l'accès inégal aux outils d'apprentissage alimentés par l'IA selon les lignes socioéconomiques, les régions et les nations constitue une barrière fondamentale. Les preuves documentent la distribution inégale des bénéfices de l'IA générative entre les pays et les établissements.
• La qualité de l'outil fait partie de la division, et pas seulement l'accès à l'outil : Canonigo (2026) a soumis 50 consignes de mathématiques, trois fois chacune, aux offres gratuite et premium d'un même modèle et a constaté que l'offre gratuite était inexacte dans 49 de ses 150 réponses (32.7%) contre 18 sur 150 (12%) pour l'offre premium (χ2(1) = 17.5, p < 0.001) ; les enseignants de l'établissement le moins doté des deux écoles étudiées ont qualifié le modèle gratuit de « borderline useless for mathematics ». Les auteurs y lisent une division algorithmique qui étend la division numérique au-delà de l'accès aux appareils jusqu'à la qualité de l'outil lui-même : une école dotée d'un « accès à l'IA » peut néanmoins remettre aux étudiants un tuteur sensiblement moins fiable, avec leur propre réserve que la comparaison était exploratoire et que les consignes n'avaient pas été randomisées, ce qui rend l'ampleur de l'écart indicative plutôt qu'établie. La même étude montre que le sens que prend l'écart n'est pas fixé par l'outil : là où les enseignants exigeaient que les étudiants comparent les productions de l'IA à leur propre travail et pré-déclaraient au modèle de retenir les solutions, la production devenait un artefact soumis à l'esprit critique, tandis que dans les classes non médiées, on voyait les étudiants consulter d'abord l'algorithme et l'enseignant devenir un validateur (« I'm no longer the oracle; I'm the editor »).
• L'accès ne suffit pas : fournir des outils d'IA sans traiter les barrières structurelles ne comble pas les écarts — l'accès doit être accompagné de compétences, d'un soutien et de conditions qui permettent un usage authentique.

Un soutien différencié ne fait pas la preuve d'un bénéfice équitable : une revue du tutorat par IA en mathématiques constate que les affirmations d'inclusivité ne sont pas étayées, parce que les études testent rarement si les gains sont distribués de manière cohérente entre les groupes d'aptitude, de genre, socioéconomiques, linguistiques, de handicap et géographiques, laissant non établi que ces systèmes réduisent les écarts de réussite (Ogunsakin et al. (2026)).

• Les enseignants s'attendent à ce que la division s'élargisse. Watson and Rainie (2026) ont interrogé 1,057 enseignants de collèges et d'universités américains et ont constaté que 81% s'attendaient à ce que l'IA générative élargisse les iniquités numériques (58% disant beaucoup) — l'attente d'équité la plus forte du rapport, qui voisine avec 68% déclarant que leur établissement n'avait pas préparé les enseignants à utiliser les outils pour l'enseignement et l'accompagnement. La même enquête montre à quel point les outils sont adoptés de manière inégale : 26% des répondants n'utilisent pas du tout l'IA générative, proportion qui monte à 40% parmi les enseignants d'arts et de sciences humaines et à 28% parmi les chercheurs en sciences sociales, si bien que le non-usage et le manque de préparation se concentrent dans certaines disciplines. Le rapport repose sur un échantillon non probabiliste que ses auteurs déclarent non généralisable : il s'agit donc des préoccupations exprimées par le secteur plutôt que d'effets mesurés.
• Le désavantage infrastructurel : Structural Silence montre que l'infrastructure de l'IA — corpus d'entraînement, tokenisation, tests de référence, architectures de déploiement — désavantage systématiquement les locuteurs de langues sous-représentées avant qu'un modèle ne soit entraîné, en reformulant la rareté des données comme un problème structurel plutôt qu'accidentel.
• Les a priori démographiques propres à chaque modèle dans les données synthétiques : López-Pernas et al. (2026) ont constaté que lorsque des LLM généraient des vignettes d'étudiants, chaque modèle imposait des tendances démographiques distinctes — GPT produisait davantage de profils du Nord global et utilisait les pronoms they/them, Qwen produisait davantage de profils du Sud global, et Mistral penchait vers she/her. Même la construction des données d'apprenants par un Grands modèles de langue (LLM) porte donc des a priori régionaux et genrés qui peuvent se propager aux recommandations en aval — un risque d'équité peu examiné.
• Les gradients socioéconomiques : la politique d'IA et d'apprentissage tout au long de la vie et les expérimentations sur les écarts de productivité examinent la manière dont l'IA peut soit réduire, soit élargir les écarts entre différents groupes d'apprenants.
• Combler les divisions pour les apprenants en situation de handicap : Khlaif et al. (2026) ont constaté que l'IAG met sur un pied d'égalité les étudiants de premier cycle malvoyants face aux divisions numérique, géographique et socioéconomique, en concevant l'inclusion comme une question à la fois infrastructurelle et culturelle — étendant le discours sur l'équité numérique au-delà de l'accès, jusqu'à l'appartenance, la voix et la représentation.
• Le tutorat humain-IA différencié est la preuve que les modèles hybrides peuvent réduire les écarts — lorsque l'allocation suit le besoin. Une étude par différence de discontinuités (635 étudiants, de la 5e à la 8e année ; les performeurs sous la médiane recevaient un tutorat humain proactif, ceux au-dessus de la médiane un soutien réactif à la demande, contre une ligne de base d'automne avec IA seule) a constaté que le tutorat hybride élevait le temps sur tâche de 25%, la maîtrise des compétences de 36% et la croissance académique de 61% dans l'ensemble — et que les deux volets atteignaient des gains d'engagement et de maîtrise comparables par des mécanismes différents. Le détail pertinent pour l'équité : le tutorat proactif montrait une croissance moyenne marginalement plus élevée (75%, p = .065), concentrée parmi les étudiants plus éloignés sous le seuil — le schéma d'une compression des écarts plutôt que d'une élévation uniforme — tandis qu'un seul tuteur par séance desservait les deux groupes. Les auteurs se montrent prudemment mesurés : la conception DiDC est quasi expérimentale, le seuil médian dichotomique manque la variation des besoins au sein des groupes, et l'effet de 75% est marginal. (Improving hybrid human-AI tutoring by differentiating human tutor roles based on student needs)

La préparation compte davantage que la préférence, et le droit de refuser est inégalement distribué. Les étudiants dotés d'une forte confiance académique peuvent refuser l'IA sans pénalité, tandis que les étudiants qui ont besoin d'un soutien linguistique, d'un soutien à l'accessibilité ou d'une rétroaction rapide vivent le refus comme une perte d'opportunité, et le personnel non titulaire peut se sentir poussé à adopter des outils qui réduisent le temps de préparation sans réduire la responsabilité. Lorsqu'un devoir de comprendre est imposé sans formation, sans infrastructure sûre et sans politique claire, il devient une charge de travail cachée, et le refus devient une réponse prévisible au manque de préparation institutionnelle plutôt qu'une résistance à la technologie (Zagami 2026).

Le loyer se paie en trois monnaies, et la compétence possédée sort avec le diplômé. de Barba (2026) soutient qu'une capacité résidant dans un outil commercial n'est disponible qu'aux conditions du fournisseur, si bien que les licences institutionnelles déplacent le propriétaire plutôt qu'elles ne le suppriment : l'accès prend généralement fin avec l'inscription, et la capacité louée ne persiste alors que pour les diplômés capables de continuer à payer. Elle ajoute deux autres distributions que les débats sur l'accès manquent habituellement — les coûts du soi se concentrent dans l'acclimatation, où les apprenants disposant de moins de connaissances disciplinaires préalables passent le plus de temps, et les normes louées portent les points de référence du modèle, dont on prédit qu'ils déplaceront davantage les normes des apprenants dont les points de référence culturels et linguistiques diffèrent de ceux du modèle. Le même outil élargit l'accès et déplace les normes à la fois, ce qui explique qu'elle traite le fait de nommer les capacétences qu'un cours doit construire lui-même comme une mesure d'équité autant qu'une mesure pédagogique.

L'équité de représentation

• Les biais dans les données d'entraînement et les productions : les données d'entraînement de l'IA reflètent largement les perspectives culturelles dominantes. Les recherches sur le transfert des biais de genre montrent que l'écriture assistée par LLM peut contaminer les travaux des étudiants par des biais de genre ; les filtres en enseignement de l'histoire et la notation par l'IA peuvent encoder des hypothèses centrées sur l'Occident et biaisées sur le plan linguistique.

• Les savoirs marginalisés : les recherches sur les savoirs minorisés examinent la manière dont l'IA générative marginalise les systèmes de connaissances non dominants et les perspectives sur le handicap dans l'enseignement supérieur.

• La diversification du programme : les enseignants utilisent de plus en plus les LLM pour diversifier les supports curriculaires (Wang et al., 2025, ont constaté que 78% le faisaient), et pourtant les listes de lectures sélectionnées par l'IA continuent de sous-représenter les auteurs BIPOC, et les tuteurs d'IA en STIM adoptent par défaut des contextes de problèmes centrés sur l'Occident.

• Les images générées répètent les normes visuelles dominantes, ce qui fait de l'usage critique une compétence plutôt qu'un ajout. Jiang et al. (2026) observent que la génération d'images par l'IAG reproduit les normes multimodales dominantes, telles que le biais visuel, et avertissent qu'une évaluation multimodale qui l'ignore risque d'automatiser et de reproduire les inégalités ; leur cadre destiné aux enseignants de langue seconde exige donc la compétence consistant à aider les étudiants à détecter, à évaluer et à contre-narrer les productions biaisées des modèles (Jiang et al., 2026)).

L'équité des résultats

• L'impact différencié : les outils d'IA peuvent élargir les écarts s'ils sont conçus sans lentille d'équité — les revues systématiques et les études sur les biais de notation montrent des bénéfices et des préjudices inégaux selon les groupes d'apprenants. Les preuves regroupées du bénéfice portent la même frontière : Jing et al. (2026) estiment un gain global modéré à élevé pour les étudiants de premier cycle sur 35 études (g=0.53, IC à 95% [0.48, 0.64]) tout en énonçant que l'accès inéquitable aux outils coûteux constitue l'un des risques que ces tailles d'effet ne peuvent pas saisir, et des tests d'Egger significatifs pour la performance académique et les compétences professionnelles laissent l'asymétrie des entonnoirs et les effets des petites études non résolus.

• Un apprentissage équivalent sur deux ordres de grandeur de coût. StudentBench a constaté que le tutorat par IA regroupé était statistiquement équivalent au tutorat humain par des experts, tandis que la dispersion entre tuteurs allait de \$0.005 à \\$1.40 par point de pourcentage de gain d'apprentissage et qu'un modèle ouvert égalait les gains humains à un coût par point 918 fois plus faible (\$0.0052 contre \\$4.81), faisant du coût par unité d'apprentissage une variable d'accès et pas seulement une variable de qualité (Northcutt et al. (2026)).

• L'amplification des biais : les suggestions de l'IA et la rétroaction automatisée peuvent renforcer (plutôt que contester) les biais existants des enseignants et du système. Marked Pedagogies montre que les outils de rétroaction en écriture fondés sur les LLM se déplacent systématiquement vers des éloges alignés sur les stéréotypes et une critique retenue lorsque la rétroaction est personnalisée à partir de la race, de la langue, du handicap, de la réussite ou de la motivation d'un étudiant — et ce sur des dissertations identiques — faisant de la « personnalisation » un vecteur de biais concret dans la rétroaction automatisée.

• Les systèmes soucieux d'équité : les travaux sur la réduction des biais et la fiabilité de la vérité de terrain développent des méthodes pour détecter et corriger les biais dans les tuteurs d'IA, les correcteurs et les systèmes de recommandation.

• Les régularisateurs d'équité peuvent ne pas se généraliser à de nouveaux apprenants : Fragkiadakis et al. (2026) ont ajouté une régularisation d'écart d'erreur ciblée sur le genre et l'âge à un transformateur IA multimodale prédisant l'attention des étudiants en temps réel, et ont constaté qu'elle réduisait les disparités démographiques sur les données de validation mais que ces gains ne se transmettaient pas de manière cohérente à des sujets hors échantillon ni à des découpages répétés au niveau des sujets (le modèle régularisé n'a réduit l'écart que dans 4 des 10 exécutions d'entraînement). Une équité certifiée sur un découpage unique peut donc s'évaporer sur des apprenants véritablement nouveaux — l'IA éducative a besoin d'une évaluation en laissant-dehors-les-sujets et à graines répétées, plutôt que des seules métriques agrégées.

• Des décisions d'opportunité suivante distribuées de manière différenciée. Un biais qui semble défendable au cas par cas peut néanmoins trier les apprenants de manière systématique : Entezami et al. (2026) ont fait attribuer par trois LLM 11,200 compositions d'équipes dans des cours de génie logiciel, où les hommes avaient au moins 80% de chances en moins que les femmes d'atteindre l'Interface Design plutôt que le Core Development (GPT-5.2 OR < 0.01) et où la nationalité déplaçait les affectations indépendamment du mérite. Les compétences n'ont pas tranché la question — 99.2% des affectations fondées sur les compétences correspondaient à l'une des deux équipes valides, et pourtant le genre choisissait encore entre des options également valides, si bien que seules les statistiques agrégées révèlent le schéma ; les images de cours à une seule personne penchaient vers le masculin et la peau claire (plus de 95% de peau claire pour les consignes Database, Debugging et Individual Programming), tandis que les images multi-personnes étaient comparativement diverses.

• L'agentivité des étudiants : veiller à ce que l'IA autonomise plutôt qu'elle ne remplace la voix des étudiants et l'agentivité, en particulier pour les apprenants historiquement marginalisés.

• L'équité psychologique contre l'équité cognitive : Liang et al. (2026) ont constaté qu'une année d'enseignement scolaire de l'IA dans les écoles secondaires de Hong Kong réduisait les écarts de préparation psychologique à l'IA (confiance, La motivation, conscience éthique) mais pas les écarts cognitifs — les écarts objectifs de littératie en IA entre les apprenants auto-dirigés (« à forte agentivité ») et leurs camarades persistaient, un schéma d'effet Matthieu où les curricula « ont relevé le plancher sans aplanir le terrain de jeu ». L'accès à un curriculum seul, sans un engagement auto-dirigé soutenu, peut favoriser la parité psychologique mais non la parité cognitive complète.

• La notation automatisée, le niveau atteint et la langue. La comparaison OpRaise de trois modèles de pointe sur 761 dissertations authentiques a montré que le désaccord entre IA et humains variait selon le niveau atteint par les étudiants et selon les caractéristiques superficielles de la langue (étendue du vocabulaire, connecteurs, complexité des phrases) d'une manière que la notation humaine ne faisait pas, et que la précision différait entre trois établissements britanniques aux cohortes différentes — les auteurs rattachent cela directement aux obligations des établissements au titre de l'Equality Act du Royaume-Uni, au motif que certains groupes d'étudiants peuvent être plus affectés que d'autres, et relèvent un droit à l'explication au titre de l'article 22 du RGPD lorsque des décisions de notation automatisée affectent les étudiants. Parce que les notes attribuées par l'IA se comprimaient vers le milieu de la distribution, les étudiants les plus exposés sont ceux situés aux extrêmes supérieur et inférieur de l'échelle de niveau atteint.

• Les règles d'évaluation peuvent convertir le désavantage linguistique en risque d'intégrité. Li (2026) soutient que les règles d'intégrité traitant l'IAG comme une catégorie unique d'assistance non autorisée imposent des charges de conformité plus élevées aux étudiants qui utilisent l'anglais comme langue additionnelle, dont l'usage légitime du soutien linguistique est plus fréquent et plus itératif, et concentrent le soupçon sur les rédacteurs dont la fluidité superficielle a le plus évolué — un problème de conception des règles plutôt qu'un problème de comportement, qui accroît le risque d'une application sélective sur la base de preuves faibles. La frontière proposée est fondée sur la finalité et sur le construit plutôt que sur les outils : les corrections de grammaire, de ponctuation et de clarté au niveau de la phrase, la traduction pour la compréhension, et une première rédaction que l'étudiant réécrit substantiellement comptent comme un soutien autorisé, parce qu'ils n'ajoutent ni nouvelles idées, ni nouvelles sources, ni réordonnancement substantiel de l'analyse, tandis que générer des arguments ou des contre-arguments, appliquer des règles disciplinaires à des faits, restructurer la séquence analytique ou générer des citations compte comme une substitution. Parce que les énoncés de construit récompensent souvent la fluidité et l'idiomaticité comme indicateurs substitutifs du raisonnement, les étudiants anglophones non natifs rencontrent une variance indépendante du construit dans leurs notes ; les remèdes consistent en une spécificité ex ante des fonctions autorisées et interdites, une divulgation étalonnée de sorte qu'un soutien routinier coûte moins à déclarer qu'une notice bibliographique, des remises échelonnées et des traces de sources plutôt qu'une inférence conduite par l'détection, et une surveillance au niveau de la cohorte des signalements et des sanctions. Le cadre est normatif et non testé — Li n'avance aucune affirmation sur les taux d'usage de l'IAG par les étudiants anglophones non natifs.

• Les étudiants jugent eux-mêmes la frontière entre soutien et substitution avec justesse, mais avec hésitation. Reed et al. (2026) ont soumis six vignettes éthiques à 531 étudiants de premier cycle et ont constaté que 57.6% classaient correctement les six (moyenne 88.54%) : les usages appuyés par une vérification étaient largement acceptés — résumer ses notes avec vérification par l'enseignant (91.7%), améliorer la grammaire d'un travail rédigé par soi-même (84.9%), des termes de recherche générés par l'IA suivis d'une revue de littérature indépendante (91.1%) — tandis que les usages de substitution étaient massivement rejetés. L'incertitude se concentrait sur les cas qu'une règle doit réellement trancher, les références invérifiables générées par l'IA (9.9% « unsure ») et le texte généré par l'IA minimalement édité (9.6%), ce que les auteurs lisent comme la preuve que la frontière entre assistance et paternité d'œuvre signifiante n'est pas claire pour les étudiants. La littératie en IA objective ne prédisait la justesse du classement que faiblement (ρ de Spearman = 0.234), l'échantillon était majoritairement blanc, féminin et en première année dans une université publique du Midwest, et les auteurs soulignent qu'un jugement correct ne constitue pas une conduite éthique.

• Le privilège de la consigne : Jin et al. documentent le « prompt privilege » — les utilisateurs qui formulent habilement leurs demandes obtiennent systématiquement de meilleures productions du LLM que les utilisateurs exprimant la même intention avec moins d'adresse — faisant de la compétence de incitation une ressource silencieusement inégale. Leur Prompt Equity Transformer déplace l'optimisation des consignes dans le système, en traitant l'équité des productions comme une propriété d'accessibilité plutôt qu'en exigeant un prompting expert de la part des novices.

• L'écart de gestion de l'interaction. Brunnström and Palmqvist (2026) parviennent à une conclusion ambivalente sur l'IAG comme niveau égalisateur : parce qu'un usage productif exige de reconnaître une réponse trop abstraite, de demander une simplification et de structurer une séance autour de petits objectifs, l'IAG sans accompagnement « peut être le plus profitable aux étudiants déjà avantagés » — ceux dotés de solides habitudes d'étude et d'une confiance dans la direction d'une IA — tandis que les étudiants aux habitudes d'étude plus faibles ou à l'auto-efficacité académique plus basse rencontrent une complexité et une frustration accrues. Plutôt que de se substituer à des partenaires de conversation académique manquants, l'outil introduit une nouvelle compétence dont l'acquisition crée son propre écart ; les auteurs concluent que la responsabilité de son enseignement ne peut pas reposer sur le seul étudiant (littératie en IA, apprentissage autorégulé).

• Les mécanismes d'écart de compétences et d'écart de ressources ne sont pas le même problème. Kumar, Wongsirichot and Nanthaamornphong (2026) distinguent deux mécanismes que leur revue systématique de 72 études sur l'enseignement de l'informatique a trouvé que la littérature tend à confondre. L'écart de compétences opère à l'intérieur d'une même classe : les étudiants dotés de connaissances préalables plus solides convertissent l'assistance de l'IA en compétence durable, tandis que les étudiants en difficulté l'utilisent comme une béquille qui supprime les difficultés productives, élargissant la distribution des compétences à la fin du semestre — ce à quoi répond un accès gradué asservi à une compétence démontrée. L'écart de ressources opère entre les établissements et les contextes nationaux : un accès fiable à Internet et des abonnements payants à des API soutiennent un usage plus capable des outils que chez les étudiants qui en sont dépourvus — ce à quoi répond l'investissement institutionnel dans un accès partagé aux outils et des politiques qui ne postulent pas une disponibilité universelle. L'équité est la plus mince des trois exigences du cadre de la revue (six études), et les auteurs lisent cette minceur comme le résultat lui-même : l'absence de recherche sur des interventions centrées sur l'équité constitue en soi le problème d'équité (validité de l'évaluation, étayage).

• Les méthodes les mieux étayées sont les moins déployables à l'échelle. Lors d'un atelier réunissant 73 éducateurs en informatique, l'évaluation orale et interactive a été rapportée comme la plus solide preuve disponible de la compréhension individuelle et comme le remède le moins déployable à l'échelle proposé — évoquée dans une même salle aux côtés de plus de 400 étudiants et d'une poignée d'assistants d'enseignement — si bien que les stratégies dont le lien avec l'apprentissage vérifié est le plus clair se trouvent dans les établissements enseignant au plus petit nombre d'étudiants, un écart d'équité entre les établissements plutôt qu'à l'intérieur d'une cohorte (Akbar et al., 2026)).

• La qualité du tutorat évolue avec les caractéristiques démographiques des apprenants. EduFair-Bench apparie un étudiant LLM fixe à chaque tuteur sur neuf niveaux démographiques couvrant le genre, l'origine migratoire, la première langue et le statut socioéconomique, et note cinq métriques pédagogiques au niveau du tour. Dans le tutorat par LLM, les plus grands écarts apparaissent dans les conditions démographiques explicites — l'étayage par étapes corrélant jusqu'à |r| = 0.144 en mathématiques et le ton correctif dépassant 0.10 pour chaque modèle en chimie (0.102-0.168) et en physique (0.129-0.294) — et dans 11 des 15 cellules modèle-par-domaine, la condition de réponse fausse obtenait un score plus élevé que celle de réponse correcte, ce qui indique que le ton suivait l'étiquette démographique de l'étudiant plutôt que la qualité de son raisonnement. L'apprentissage par renforcement spécifique à la pédagogie a redistribué plutôt que supprimé ces écarts. (EduFair-Bench: Evaluating Pedagogical Fairness of LLM Tutors Across Student Demographics)

• Les signaux démographiques implicites constituent un canal de biais moins contrôlable que les attributs énoncés. Rooein, Benedetto and Hovy (2026) ont maintenu chaque entrée de tâche fixe tout en ne faisant varier que le contexte démographique sur six LLM ajustés par consignes et trois tâches éducatives, produisant 192,480 appels d'inférence, et ont séparé les signaux explicites (attributs énoncés des étudiants) des signaux implicites portés par un historique de conversation de dix consignes. Dans la notation automatisée de dissertations, la plupart des modèles étaient comparativement stables sous conditionnement explicite, tandis que le conditionnement implicite gonflait les notes — Llama-70B obtenait 1.57 point au-dessus de sa propre valeur par défaut (p < 0.001). Dans les questions-réponses métalinguistiques, la condition implicite dérivait dans l'autre sens : les réponses pour les niveaux d'éducation inférieurs recevaient un sentiment moins positif, soit un écart moyen de 0.3 entre le niveau d'éducation le plus bas et les niveaux supérieurs sur une échelle de 0-4, contre un écart-type intra-item de 0.07. La difficulté d'équité est structurelle — l'indice n'est pas un attribut énoncé qu'une politique pourrait interdire ni un champ de consigne qu'un audit pourrait inspecter, mais une propriété de l'interaction elle-même.

• La vérification peut rediriger un gain vers les étudiants plus faibles. Dang & Nguyen (2026) ont constaté que des supports d'étude par l'IA vérifiés par des experts, dans un cours d'économie de première année, étaient associés à un gain de 2.34 points, mais que près des trois quarts provenaient du quintile inférieur, et que la part des notes sous le seuil de 60% baissait de 24.7 points — déplaçant la charge de vérification des étudiants vers un tuteur responsable.

L'inclusion linguistique, culturelle et liée au handicap

• La langue : la plupart des outils d'IA donnent la priorité à l'anglais, marginalisant les apprenants multilingues. La diversité linguistique dans l'écriture académique, les langues sous-représentées et la recherche sur l'apprentissage des langues traitent cette question.
• La culture : la pédagogie culturellement pertinente et l'IAED centrée sur la communauté appellent une IA qui reflète les contextes culturels des apprenants plutôt que d'imposer des normes dominantes.
• La reconnaissance, et pas seulement l'accès : l'aplatissement culturel de l'IA comme constat d'équité : dans une enquête narrative de neuf mois menée auprès de cinq apprentis de couleur du secondaire, Gyekye (2026) a constaté que les étudiants assimilaient l'équité à l'absence de biais visible — un « aplatissement culturel » dans lequel les expériences propres à l'identité et les marqueurs culturels ne sont pas représentés dans les réponses de l'IA — et construisaient leur agence par le refus (le non-usage comme alignement institutionnel) et par la négociation (le fait de rendre les productions de l'IA lisibles institutionnellement). Le concept de Recognition Bandwidth, ou bande passante de reconnaissance, nomme la marge dont disposent les apprenants pour se voir dans les productions de l'IA, et celui d'Institutional AI Literacy, ou littératie en IA institutionnelle, la capacité à naviguer l'IA au sein des attentes institutionnelles.
• Qui bénéficie d'un tuteur par IA — des preuves de terrain exploratoires : dans un déploiement à l'échelle d'un district entier d'une plateforme de mathématiques par IA à médiation enseignante, Goblins (Alam et al. 2026) a constaté des associations de réussite plus fortes pour les étudiants sous PEI (+0,122 écart-type), les apprenants anglophones (+0,191 écart-type) et les étudiants hispaniques (+0,084 écart-type) que pour les groupes de comparaison, ce qui concorde avec le fait que ses entrées multimodales et sa prise en charge vocale en sept langues abaissent les barrières à l'engagement. Les auteurs sont explicites : les sous-groupes exploratoires et sous-puissants ne permettent pas d'établir que les fonctionnalités d'accessibilité ont causé la différence — c'est un signal précoce, générateur d'hypothèses, plutôt qu'un constat d'équité.
• Le handicap et la neurodiversité : les travaux sur l'apprentissage accessible, la conception universelle, la neurodiversité et l'éducation spécialisée examinent la manière dont l'IA peut soutenir ou exclure les apprenants en situation de handicap — les étudiants en informatique neurodivergents, les apprenants dyslexiques et les supports éducatifs accessibles en sont des illustrations.
• La langue, la culture et le coût ensemble : Bashir et Afzal (2026) formulent la conception équitable d'une IA du bien-être comme une seule question de langue, de culture et de coût — les outils uniquement en anglais échouent auprès des étudiants qui expriment leur détresse en ourdou ou en ourdou romanisé, les jeux de données occidentaux ne parviennent pas à capter les facteurs de stress localement saillants, et les systèmes commerciaux coûteux échouent moins bien auprès des universités moins bien équipées (Sukoon). Leur réponse a combiné un LLM multilingue et ouvert accessible par une API hébergée, pour de faibles exigences de ressources, une interface d'évaluation bilingue, et un classificateur entraîné sur un instrument validé à 20 variables — tout en reconnaissant que les données d'entraînement ne sont pas représentatives de la population cible, que « some areas... tools are available but often expensive », et que l'adaptation se situe au niveau des consignes plutôt que d'être validée avec des étudiants, un compte rendu franc de l'écart entre l'intention équitable et l'équité démontrée.

Les populations particulières et l'équité mondiale

• Les populations particulières : l'éducation spécialisée, les apprenants neurodivergents, les apprenants dyslexiques et les apprenants en situation de handicap représentent des groupes dont les besoins sont souvent négligés dans la conception des systèmes d'IA.
• Les perspectives du Sud global : les motivations des étudiants africains, la planification de cours assistée par l'IA au Vietnam et l'acceptation par les enseignants ghanéens fournissent des perspectives du Sud global souvent absentes de la recherche en IAED centrée sur l'Occident. Au niveau institutionnel, Adeniranye et al. (2026) montrent que l'intégration de l'IA dans 45 universités nigérianes est déterminée par l'âge de l'établissement et sa situation géographique plutôt que par le type de gouvernance, les liens de réseau renforçant permettant aux établissements bien connectés de cumuler les avantages — la preuve que les écarts d'équité se reproduisent structurellement, et pas seulement par l'accès individuel.
• La capacité mondiale : les preuves documentent la distribution inégale des bénéfices de l'IA générative entre les pays et les établissements, et la politique d'IA et d'apprentissage tout au long de la vie traite les gradients socioéconomiques structurels.
• L'intersection du handicap et du Sud global : Khlaif et al. (2026) — une étude de cas qualitative portant sur 21 étudiants de premier cycle malvoyants dans trois universités palestiniennes — montrent que l'IAG comble les divisions numérique, géographique et socioéconomique tout en étendant les modèles d'acceptation des technologies aux contextes du handicap, où l'utilisabilité, l'abordabilité et l'accessibilité se renforcent mutuellement.
• L'équité de genre en informatique : les usages de l'IAG orientés vers l'équité demeurent peu explorés. Une initiative européenne de fablab IAG réservée aux filles a combiné deux outils d'IAG à une pédagogie féministe pour traiter les iniquités de genre persistantes dans la représentation des filles en informatique, les praticiens mettant en œuvre des étapes spécifiques pour soutenir la participation et l'engagement des filles — un exemple de conception d'IAG centrée sur l'équité. Une IA délibérément genrée peut aussi fonctionner comme l'intervention elle-même : Rücker and Becker-Genschow (2026) ont montré qu'un agent conversationnel de mathématiques à codage féminin, propre au domaine, modelé sur le persona d'Ada Lovelace (et déployé à la fois comme modèle et comme assistant d'apprentissage) réduisait significativement les croyances stéréotypées sur les capacités mathématiques et sur les mathématiques comme domaine masculin chez des élèves de troisième — chez les deux genres, avec une acceptation technologique élevée et neutre du point de vue du genre. Cela recadre la représentation comme un levier de conception, et pas seulement comme un biais à auditer : des personas d'IA conçus de manière systématique peuvent contrer, plutôt que simplement éviter de reproduire, les biais de genre.

Les implications pour l'IA en éducation

• L'équité est une question de conception, pas d'ajout a posteriori : la réduction des biais et les algorithmes soucieux d'équité doivent être intégrés aux tuteurs d'IA, aux correcteurs et aux systèmes de recommandation, et évalués au regard de l'équité au même titre que de l'exactitude.
• L'infrastructure est l'équité : traiter la division numérique et l'infrastructure des langues sous-représentées constitue une condition préalable à une IA équitable, et non une préoccupation secondaire.
• La représentation compte dans les contenus et l'évaluation : les supports sélectionnés par l'IA et l'évaluation automatisée doivent refléter, et non pénaliser, la diversité des apprenants, des cultures, des langues et des systèmes de connaissances.
• Assortir l'accès d'un soutien : fournir des outils est insuffisant ; les apprenants ont besoin de compétences, de conditions et d'un étayage culturellement pertinent pour en bénéficier.
• Atteindre les publics que l'éducation formelle manque : le cadre AI Literacies destiné aux médias de service public soutient que l'offre continuera de toucher les déjà avantagés, à moins qu'elle ne soit conçue autrement, désigne les jeunes marginalisés sur le plan numérique ou autre comme ceux qui ont le moins d'opportunités à travers l'éducation formelle, et propose comme remède des partenariats ciblés ainsi qu'une offre à portée nationale — et non une publication universelle.
• Politique et gouvernance : la politique d'IA institutionnelle (La politique d'IA en éducation, La gouvernance de l'IA) doit inscrire l'équité comme principe directeur.

Concepts liés

• Effets différentiels selon les groupes d'apprenants
• Apprenants — Les apprenants : l'ombrelle des concepts relatifs au côté apprenant
• La fracture numérique — L'accès inégal aux outils et à l'infrastructure de l'IA selon les lignes socioéconomiques, les régions et les nations
• Réduction des biais — Les méthodes de détection et de correction des biais dans les tuteurs d'IA, les correcteurs et les systèmes de recommandation
• Accessibilité — La conception qui rend les outils d'apprentissage par l'IA utilisables par les apprenants en situation de handicap
• Technologies d'assistance — Les outils qui soutiennent les apprenants en situation de handicap dans des contextes médiatisés par l'IA
• Pédagogie culturellement pertinente — Un enseignement qui reflète les contextes culturels des apprenants plutôt que d'imposer des normes dominantes
• Apprentissage des langues — L'inclusion linguistique des apprenants multilingues et locuteurs de langues sous-représentées
• Apprentissage inclusif — Un apprentissage accessible et équitable pour tous les apprenants
• Conception universelle de l'apprentissage — Concevoir pour la variabilité des apprenants dès le départ
• Neurodiversité — Le soutien aux apprenants neurodivergents dans l'IA en éducation
• Éducation spécialisée — Répondre aux besoins des apprenants en situation de handicap dans la conception des systèmes d'IA
• Littératie en IA — Les compétences dont les apprenants ont besoin pour bénéficier de l'IA de manière équitable
• La politique d'IA en éducation — La politique institutionnelle inscrivant l'équité comme principe directeur
• La gouvernance de l'IA — La supervision et la responsabilité pour une IA équitable
• L'agence de l'apprenant — Veiller à ce que l'IA autonomise plutôt qu'elle ne remplace la voix des étudiants
• Parties prenantes — Ombrelle : les personnes et les publics de l'IA en éducation (apprenants, enseignants, concepteurs, administrateurs, responsables de politiques)
• Parents et familles
• Soutien aux étudiants et réussite — qui les systèmes de soutien atteignent, et les risques d'agir sur un score de risque

Articles liés

• Conceptualizing and developing second language teachers' multimodal assessment literacy in the GenAI era — Comment le biais visuel de l'IAG entre dans l'évaluation multimodale, et pourquoi le contre-narrer est une compétence enseignante

• The Rented Self: How AI-Enabled Tools Decouple Performance From Becoming — Le soi loué : loyer payé en argent, en soi et en normes, et des licences qui prennent fin au diplôme

• Verified, not generated: expert-verified AI study materials and the distribution of learning gains in a university course — Vérifié, non généré : des supports d'étude par l'IA vérifiés par des experts et la distribution des gains d'apprentissage dans un cours universitaire

• Supporting AI Literacies for Young Adults Aged 14-19: A value-based, practical framework for public service media organisations — L'équité comme problème de diffusion : atteindre les jeunes que l'éducation formelle manque

• AI in University Assessment: Evaluating the Opportunities and Risks of Automated Marking — Rapport OpRaise : la notation de 761 dissertations universitaires par l'IA dans trois universités britanniques

• Generative AI in computing education: A systematic review and a framework for responsible integration — Écart de compétences contre écart de ressources : deux mécanismes d'équité exigeant des remèdes différents

• AI-interaction literacy: reflections on how generative AI might be used to support self-regulated learning in higher education — L'IAG sans accompagnement peut élargir les écarts : la compétence de gestion de l'interaction (Brunnström & Palmqvist 2026)

• Institutional Structures, Digital Inequality, and AI Integration in Higher Education — Structures institutionnelles, inégalité numérique et intégration de l'IA dans l'enseignement supérieur nigérian

• Fairness-Aware Multimodal Transformer Modeling for Real-Time Student Attention Estimation — Fairness-Aware Multimodal Transformer Modeling for Real-Time Student Attention Estimation

• Does school-based AI education narrow readiness gaps? The role of prior agency-related learning — L'enseignement scolaire de l'IA réduit les écarts de préparation psychologiques mais non cognitifs

• Same Question, Different Answer? Measuring and Mitigating Prompt Privilege for Equitable AI Access — Le privilège de la consigne : mesurer et atténuer les disparités d'accessibilité dans l'accès aux LLM

• AI-based scoring systematically underestimates conceptual understanding of linguistically weak students' explanations in physics — Les biais liés à la langue dans la notation par l'IA

• Contaminated Collaboration: Measuring Gender Bias Transfer in LLM-Assisted Student Writing — Le transfert des biais de genre dans l'écriture assistée par LLM

• Generative artificial intelligence and the marginalization of minoritized knowledges in higher education — L'IA générative et la marginalisation des savoirs minorisés

• Structural Silence: When AI Infrastructure Fails Speakers of Underrepresented Languages — Le silence structurel : les langues sous-représentées dans l'infrastructure de l'IA

• Generative AI in Higher Education: A Systematic Review of Opportunities, Challenges, and Pedagogical Innovations (2022–2025) — L'IAG dans l'enseignement supérieur : revue systématique

• Artificial Intelligence in Lifelong Learning: Opportunities and Challenges in Adult Education Policy — La politique d'IA et d'apprentissage tout au long de la vie

• Does generative AI narrow education-based productivity gaps? Evidence from a randomized experiment — L'IA générative réduit-elle les écarts de productivité liés à l'éducation ?

• Generative AI and linguistic diversity in academic writing and publishing: Perspectives from World Englishes — La diversité linguistique dans l'écriture académique médiatisée par l'IA

• Access is Not Enough: Human Support Improves Engagement with AI Tutoring — L'accès ne suffit pas

• Bridging the Gender Gap in STEM Education with AI: Female-Coded Chatbot as Role Model and Learning Assistant — Un chatbot à codage féminin comme modèle réduisant les stéréotypes de genre en mathématiques

• The Paternalistic Filter: Epistemic Injustice and Differential Refusal in LLM-Mediated History Education for Marginalized Romanian Students — Le filtrage paternaliste dans l'enseignement de l'histoire fondé sur les LLM

• DysLexLens: A Low-Resource LLM Framework for Analysing Dyslexic Learners Insights from Online Forums — DyslexLens : le soutien par l'IA des apprenants dyslexiques

• Modernizing Ground Truth: Four Shifts Toward Improving Reliability and Validity in AI in Education — La fiabilité de la vérité de terrain en IAED

• Marked Pedagogies: Examining Linguistic Biases in Personalized Automated Writing Feedback — Marked Pedagogies : biais de rétroaction alignés sur les stéréotypes selon les attributs des étudiants

• Can AI deliver appropriate support for diverse student profiles? A large-scale evaluation — L'IA peut-elle apporter un soutien approprié à des profils d'étudiants divers ? Une évaluation à grande échelle

• Beyond “painting in pink”: A critical case study of all-girls generative AI workshops in a European makerspace — Les ateliers de fablab IAG réservés aux filles et l'équité de genre en informatique

• Assistive Generative AI for Visually Impaired Learners: Personalization and Inclusion in Higher Education — L'IAG d'assistance pour les apprenants malvoyants

• An AI-Powered Culturally Aware Chatbot for Stress Detection and Wellness Support among Pakistani University Students Using NLP and Machine Learning — An AI-Powered Culturally Aware Chatbot for Stress Detection and Wellness Support among Pakistani University Students Using NLP and Machine Learning

• The Role of Implicit and Explicit Demographic Signals in Large Language Model-based Student Assessment — Les signaux démographiques implicites (tirés de l'historique de conversation) modifient la notation, la rétroaction et les réponses des LLM (Rooein, Benedetto & Hovy 2026)

• The AI Challenge: How college faculty assess the present and future of higher education in the age of AI — 1,057 enseignants américains sur le présent et l'avenir de l'IA : 81% s'attendent à des iniquités numériques plus larges, 26% n'utilisent pas les outils

• GenAI assessment and language equity: Drawing the line between support and substitution — Tracer la frontière entre soutien et substitution : les règles d'évaluation relatives à l'IAG et la charge de conformité des étudiants anglophones non natifs

• AI refusal in higher education: the right to refuse, the duty to understand and the diagnostic value of non-use — Le droit de refuser est inégalement distribué : le refus comme preuve d'un manque de préparation institutionnelle (Zagami 2026)

• AI literacy and scenario-based ethical judgment about generative AI among undergraduate students — Le jugement éthique par scénarios et la littératie en IA chez 531 étudiants de premier cycle

• StudentBench: AI and human tutoring yield equivalent GRE learning gains — StudentBench : le tutorat par l'IA et par des humains produisent des gains d'apprentissage équivalents au GRE

• AI Can Do Your Homework. Now What? Report from an online workshop on computing assessment in the age of generative AI — AI Can Do Your Homework. Now What? Rapport d'un atelier en ligne sur l'évaluation en informatique à l'ère de l'IA générative

• Generative AI May Reinforce Social Biases in Software Engineering Education — Generative AI May Reinforce Social Biases in Software Engineering Education

• Teacher Mediation and the Contingent Promise of Generative AI in Mathematics Education — Écart d'exactitude entre modèle gratuit et modèle premium en mathématiques : 32.7% contre 12% (Canonigo 2026)

• The Impact of Generative Artificial Intelligence on Learning Outcomes in Higher Education: A Meta-Analysis — Les gains d'apprentissage regroupés avec l'IAG (g=0.53) et l'accès inéquitable aux outils coûteux qu'ils ne peuvent pas saisir

• Reimagining mathematics education through intelligent tutoring: evidence, opportunities, and implementation challenges — Une revue du tutorat par IA en mathématiques concluant que les affirmations d'inclusivité et de réduction des écarts de réussite ne sont pas étayées

• Improving hybrid human-AI tutoring by differentiating human tutor roles based on student needs — Améliorer le tutorat hybride humain-IA en différenciant les rôles des tuteurs humains selon les besoins des étudiants (Gurung et al. 2026)

• Teacher-Mediated Multimodal Platform and Math Achievement: Evidence from Goblins' Yearlong District Implementation — Déploiement d'un dispositif de mathématiques par IA à l'échelle d'un district, avec des associations exploratoires plus fortes pour les étudiants sous PEI, anglophones apprenants et hispaniques (supports multimodaux et multilingues ; causalité non testée)

• Constructing Selves in AI-Mediated Apprenticeship Learning: Students of Colour's Narratives of Agency, Recognition and Negotiation — Des apprentis de couleur assimilaient l'équité à l'aplatissement culturel ; l'agence se construit par le refus et la négociation ; bande passante de reconnaissance et littératie en IA institutionnelle