L'éthique

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

L'éthique (Ethics) — les principes moraux qui régissent la conception, le déploiement et l'usage de l'IA dans les contextes éducatifs. L'éthique de l'IA en éducation couvre la protection des données, l'équité algorithmique, la transparence, la responsabilité, et la question plus large de ce que l'IA devrait et ne devrait pas faire dans les environnements d'apprentissage. Elle constitue le fondement normatif des autres enjeux d'IA en éducation de la base de connaissances — l'équité, la réduction des biais, l'intégrité académique, la gouvernance et la sécurité pédagogique — et le domaine passe de plus en plus de listes de principes abstraits à une pratique éthique située, sensible au contexte et soutenue par les institutions.

Questions à examiner

• Les systèmes d'IA sont souvent soumis à des listes de contrôle éthiques — équité, protection des données, transparence, responsabilité. Mais la recherche suggère de plus en plus qu'une éthique « à liste de contrôle » fondée sur les principes est insuffisante à elle seule. Que peut manquer une liste de contrôle, que seule la pratique de classe réelle et située fait apparaître ?
• Les décisions des étudiants de divulguer leur usage de l'IA sont moins façonnées par une conviction éthique que par la crainte des sanctions, de la stigmatisation et d'une politique floue. Si l'honnêteté est dictée par la peur plutôt que par un principe, qu'est-ce que cela dit de l'éthique de l'approche actuelle en matière d'intégrité académique ?
• Personnaliser la rétroaction de l'IA à l'aide d'attributs des étudiants peut lui-même devenir un vecteur de biais. Comment une tentative bien intentionnée d'adapter la rétroaction à un apprenant individuel pourrait-elle finir par le traiter moins équitablement — et comment le détecteriez-vous ?
• Qui détient le pouvoir dans la relation entre les établissements, les systèmes d'IA et les apprenants — et comment ce déséquilibre de pouvoir façonne-t-il le consentement, la vie privée et la surveillance des étudiants à mesure que l'analytique devient plus fine ?
• Certains chercheurs soutiennent que protéger le développement cognitif et épistémique des apprenants — leur capacité à penser et à agir de manière indépendante — constitue en soi une obligation éthique, surtout à mesure que croît la sur-dépendance à l'IA. Êtes-vous d'accord pour dire que « préserver la pensée » est un devoir éthique des systèmes d'IA ?

Introduction

L'éthique est l'épine dorsale normative de l'IA en éducation : chaque outil d'IA, chaque politique et chaque décision pédagogique encode des hypothèses sur ce qui est équitable, transparent, responsable et sûr. La base de connaissances traite l'éthique à la fois comme un ensemble de principes (équité, vie privée, transparence, autonomie, responsabilité) et comme un ensemble de pratiques — la manière dont les parties prenantes raisonnent effectivement au sujet de l'IA, dont les établissements la gouvernent, et dont les apprenants sont préparés à l'utiliser de manière responsable. La recherche récente documente un double mouvement : d'une part, une inquiétude croissante quant à l'insuffisance de l'éthique « à liste de contrôle » fondée sur les principes ; de l'autre, une attention grandissante portée aux approches situées et écologiques du jugement éthique, ainsi qu'aux conditions structurelles et institutionnelles qui rendent l'usage responsable possible.

Les dimensions éthiques fondamentales

• Équité et biais : les travaux sur la réduction des biais et sur l'équité dans l'IA en éducation examinent si les systèmes d'IA traitent tous les apprenants de manière équitable. Le biais lié à la langue et les études sur la réduction des biais documentent des iniquités réelles, et la recherche sur la rétroaction en écriture montre que personnaliser la rétroaction de l'IA à l'aide d'attributs des étudiants peut lui-même devenir un vecteur de biais.
• Vie privée et consentement : les travaux sur la vie privée examinent la collecte de données, la surveillance des étudiants et le déséquilibre de pouvoir entre les établissements et les apprenants — une contrainte qui s'aiguise à mesure que l'analytique devient plus fine et davantage pilotée par l'IA.
• Transparence et explicabilité : les cadres d'IA explicable soutiennent que les étudiants et les enseignants devraient comprendre comment les systèmes d'IA prennent les décisions qui les concernent. Cela s'étend à la transparence destinée aux étudiants au sujet de leur propre usage de l'IA — les déclarations d'usage de l'IA et de divulgation — que la recherche montre moins façonnée par une conviction éthique que par la crainte des sanctions, la stigmatisation et une politique ambiguë (voir Kirsanov et al., Chang et al., Vetter et al., Gonsalves).
• Autonomie et agentivité : les travaux sur la sur-dépendance et le délestage cognitif soulèvent des questions éthiques quant à la question de savoir si l'usage de l'IA diminue l'agentivité de l'apprenant, et le domaine conçoit la protection du développement cognitif et épistémique des apprenants comme une obligation éthique en soi.
• Sécurité et prévention du préjudice : la sécurité pédagogique et la recherche sur les préjudices causés par les tuteurs définissent des obligations éthiques pour les développeurs de systèmes d'IA, et la pédagogie fondée sur l'erreur montre comment exposer les apprenants aux erreurs de l'IA peut activer plutôt que contourner l'examen éthique et métacognitif.
• Durabilité et impact environnemental : l'IA en éducation a une empreinte matérielle — le coût en carbone et en eau des grands modèles de langage est significatif compte tenu du taux d'adoption élevé parmi les étudiants universitaires — et une responsabilité plus large en faveur d'une conception durable et non extractive. La base de connaissances traite cela comme une dimension éthique, et pas seulement comme un enjeu technique ou de coût : Daniel et al. (2026) distinguent l'IA pour la durabilité (utiliser l'IA pour faire progresser les résultats environnementaux et sociaux) de l'IA durable (réduire l'empreinte propre de l'IA, y compris par un déploiement économe en énergie et sur site), et Alsuhami & Atallah soutiennent que l'IA ne soutient une éducation durable que lorsque l'adoption est subordonnée à des valeurs éducatives explicites plutôt qu'à la technologisation et à la marchandisation. Les travaux sur l'éthique située mettent pareillement au premier plan les coûts environnementaux et la marginalisation des savoirs du Sud global comme enjeux éthiques centraux. Voir Durabilité.

Comment les parties prenantes raisonnent effectivement au sujet de l'éthique de l'IA

L'usage éthique de l'IA n'est pas seulement une affaire de principes mais aussi de la manière dont les personnes concernées les interprètent et les appliquent — et la recherche révèle des différences systématiques entre les groupes.

• Enseignants-chercheurs et étudiants. Bilgiç & Sever (2026), une étude de méthodes mixtes portant sur 971 étudiants et 135 enseignants-chercheurs, ont trouvé les deux groupes favorables à un usage éthique de l'IA mais dans des registres différents : les enseignants-chercheurs ont mis l'accent sur les principes éthiques tout en signalant un manque d'orientations institutionnelles, tandis que les étudiants valorisaient les bénéfices d'apprentissage de l'IA mais ont exprimé une incertitude quant à savoir qui partage la responsabilité éthique. Les deux groupes craignaient qu'un usage excessif de l'IA n'affaiblisse les compétences cognitives — une inquiétude qui conçoit l'intégration éthique comme la préservation du développement cognitif des apprenants, et pas seulement comme la régulation de l'usage des outils. Les enseignants-chercheurs ont obtenu des scores élevés en responsabilité individuelle tout en jugeant l'adéquation des orientations institutionnelles la plus faible (M = 2.99), révélant un écart entre l'éthique personnelle et le soutien structurel.

• Étudiants et enseignants face à la préparation. Fekete (2026) a constaté que les étudiants déclarent une conscience éthique plus élevée que les enseignants (4.03 contre 2.44), alors que les enseignants montrent une plus forte volonté d'utiliser l'IA — les étudiants interprètent l'éthique à travers les travaux de cours immédiats tandis que les enseignants la traitent comme une question de clarté et d'intégrité institutionnelles. Les deux groupes déclarent un soutien institutionnel faible, et la préparation se développe par des canaux différents : la conscience morale des enseignants croît avec le soutien institutionnel et social, tandis que la confiance des étudiants est corrélée à l'auto-efficacité et à la collaboration plutôt qu'à l'enseignement formel.

• L'usage croît plus vite que le consensus éthique. Sur quatre semestres dans un programme américain de formation des enseignants, l'usage de l'IAG par les étudiants est passé de 57% à 83% pour la préparation à l'évaluation et de 44% à 76% pour les révisions, tandis que les réponses éthiques « incertaines » augmentaient régulièrement et que les utilisateurs d'IA jugeaient son usage académique plus éthique que les non-utilisateurs (Parker et al. (2026)).

• Les cadres normatifs ne sont pas interchangeables. Parmi 151 étudiants de premier cycle espagnols, l'équité morale était une condition nécessaire de l'intention d'utiliser des LLM pour la préparation aux examens (d = 0.338) mais pas un prédicteur suffisant, tandis que les jugements conséquentialiste (β = 0.350) et déontologique (β = 0.329) l'étaient — les étudiants appliquent plusieurs cadres normatifs (Pérez-Portabella et al. (2026)).

• Une structure multidimensionnelle partagée. Les six thèmes de Bilgiç & Sever — couvrant l'éthique des données, l'éthique des algorithmes et l'éthique pédagogique — forment une chaîne causale interconnectée allant des principes fondamentaux (transparence, responsabilité, équité, autonomie) aux résultats comportementaux, soulignant que l'usage responsable de l'IA dépend autant de feuilles de route institutionnelles claires que de la conscience individuelle.

Des principes à la gouvernance institutionnelle

La recherche de la base de connaissances situe de plus en plus l'éthique dans les institutions et les structures, et pas seulement dans les individus :

• L'écart de responsabilité institutionnelle. Bilgiç & Sever appellent de leurs vœux le développement professionnel des enseignants, des cours d'éthique et des orientations institutionnelles claires ; Fekete constate de même que le soutien institutionnel détermine la préparation des enseignants tandis que les étudiants s'appuient sur l'apprentissage autodirigé informel — un écart de responsabilité relevant de l'élaboration de politiques.

• La formation à l'éthique fait évoluer la conscience, mais les lacunes des politiques compliquent la conformité. Un programme de développement professionnel sur l'IAG de huit semaines, réunissant 97 éducateurs, a fait passer les scores de conscience éthique de 3.21 à 4.05 (d de Cohen = 0.93) et la familiarité avec les politiques de 27% à 79%, et pourtant l'obstacle le plus difficile cité par les participants a été de concilier les lacunes des politiques institutionnelles avec leurs valeurs éthiques (Alharbi et al. (2026)).

• La robustesse des politiques varie. Adarkwah et al. (2026), analysant les politiques relatives à l'IAG de 30 universités de premier plan au regard du cadre à huit composantes de l'UNESCO, ont constaté que les principes éthiques fondamentaux étaient largement adoptés mais que l'inclusion, l'équité et la durabilité étaient souvent négligées — et que le classement national en matière de préparation à l'IA ne prédisait pas une politique institutionnelle solide. Les politiques tendent à être déclaratives et centrées sur les manquements plutôt qu'opérationnellement assurées.

• L'éthique et la gouvernance des données comme facilitateurs. Svetec, Divjak & Kadoić (2026) identifient l'éthique et la gouvernance des données comme l'un des sept facilitateurs d'interventions dignes de confiance fondées sur l'analytique de l'apprentissage — positionnant la fiabilité (conformité éthique, sécurité des données, algorithmes transparents, validité pédagogique) comme la condition préalable sans laquelle le changement éducatif fondé sur les données n'a pas de sens.

• Une revue systématique de l'enseignement de l'ingénierie constate que les orientations éthiques sur l'IA sont essentiellement destinées aux étudiants et orientées vers la conformité (centrées sur l'intégrité académique et la divulgation), tandis que la responsabilité réciproque quant à l'usage de l'IA par les enseignants et la responsabilité institutionnelle demeurent peu développées — un schéma accentué par les enjeux professionnels de l'ingénierie en matière de sécurité publique et de bien-être. (Ethical Use of Artificial Intelligence in Engineering Education: A Systematic Review)

• L'enseignant comme utilisateur d'IA soulève sa propre éthique. Huit domaines de considération éthique — professionnalisme, responsabilité, transparence, efficacité, inclusivité, sécurité, adéquation contextuelle, et politique et ressources — cadrent l'usage de l'IA par les enseignants pour la rétroaction, et seules 14 des 50 universités les mieux classées disposaient d'orientations spécifiques à ce sujet (Luo & Eaton (2026)).

• Un cadre de valeurs consolidé pour l'éthique de l'IAED. Agarwal et al. (2026), dans une revue systématique de 25 articles, consolident la littérature éthique fragmentée en six principales valeurs éthiques pour l'IA en éducation — non-discrimination, gestion responsable des données, supervision humaine, bienveillance, explicabilité et pertinence éducative — et projettent les normes éthiques extraites de la littérature sur une matrice croisant parties prenantes et valeurs (développeurs, établissements d'enseignement, utilisateurs finaux, régulateurs). La revue constate que les normes sont distribuées de manière inégale : les développeurs en attirent le plus, tandis que les utilisateurs finaux reçoivent les normes les moins nombreuses et les moins actionnables, et aucune norme relative à la non-discrimination, à la gestion responsable des données ou à la pertinence éducative ne s'adresse directement aux utilisateurs finaux — les voix des étudiants sont essentiellement absentes, les normes relatives aux « utilisateurs finaux » étant pour l'essentiel des actions que d'autres parties prenantes entreprennent pour outiller les enseignants. Les auteurs soutiennent que les utilisateurs finaux devraient disposer d'une agentivité et de rôles actifs plutôt que d'être traités comme des bénéficiaires passifs, et notent que les valeurs sont étroitement couplées et peuvent entrer en conflit (par exemple, l'explicabilité contre l'exactitude/la vie privée, la non-discrimination contre la gestion responsable des données), produisant des dilemmes éthiques en plus des asymétries de pouvoir entre les ensembles de parties prenantes.

• Une responsabilité nommée sans relation. Une analyse de corpus de 366 résumés de travaux sur l'IAG dans l'enseignement supérieur montre que le vocabulaire de la responsabilité du domaine est largement adjectival : « responsible AI/GenAI » apparaît 83 fois dans 59 documents et « responsible use » 66 fois dans 44, tandis que « AI responsibility » et « student responsibility » n'apparaissent jamais comme expressions exactes, et la suppression grammaticale de l'agent est routinière — 800 constructions passives, dont 780 sans aucune référence à un agent, ainsi que 1,152 nominalisations liées à la responsabilité. Poudyal (2026) ne trouve aucune proposition rattachant une conséquence à un système, si bien que la responsabilité est reconnue comme un mot, dépourvue de l'agentivité relationnelle qui la transformerait en action.

Vers une éthique de l'IA située et écologique

Un glissement théorique majeur dans la base de connaissances est la critique de l'éthique universaliste « à liste de contrôle » fondée sur les principes, en faveur de conceptions situées, écologiques et transformatrices :

• L'éthique située de l'IA. Raffaghelli et al. (2026) fusionnent la théorie des systèmes écologiques de Bronfenbrenner avec la théorie de l'activité historico-culturelle pour concevoir l'IA comme un assemblage socio-technique non neutre dont les implications éthiques sont produites historiquement et négociées localement. Sur sept cas nationaux, les enseignants sont positionnés comme gardiens moraux de l'usage de l'IA tout en manquant de soutien structurel, institutionnel et épistémique — et le cadre étend la littératie en IA au-delà des compétences techniques vers une agentivité critique, politique et écologique, incluant la résistance au capitalisme de surveillance et au préjudice environnemental.
• Le glissement vers la pratique située. Une analyse bibliométrique de 282 articles montre que le discours sur l'éthique de l'IA après 2021 cadre de plus en plus l'éthique autour du jugement professionnel, de la confiance, de la collaboration humain-IA et de la pratique interprétative plutôt que de la seule conformité technique — l'éducation constituant un contexte conceptuellement important.
• Un compte rendu historico-culturel de la responsabilité. Ce recadrage rattache l'éthique aux théories de l'apprentissage et à la compétence en IA des enseignants : l'usage responsable de l'IA est traité comme une agentivité sensible au contexte, collective et transformatrice plutôt que comme une conformité individuelle à des listes de contrôle. Une enquête menée auprès de 454 enseignants universitaires étaye ce cadrage : la connaissance éthique de l'IA a médiatisé le chemin allant de la connaissance technique de l'IA à la compétence pédagogique intégrée (β = 0.186) et l'a canalisée plus loin à travers les connaissances pédagogiques et disciplinaires (Chen et al. (2026)).
• Un recadrage ontologique de l'obligation éthique. Xie (2026) pousse plus loin la critique de l'éthique située en la relocalisant dans l'ontologie : là où une grande partie des travaux universitaires traite l'équité, les asymétries de pouvoir et les coûts environnementaux comme des externalités à gérer, un soi relationnel taoïste en fait des éléments internes à ce que nous sommes, de sorte que « être laissé pour compte » devient ontologiquement intenable plutôt que simplement injuste. La tâche éthique n'est alors pas une optimisation détachée mais le Wuwei (无为) — l'action non forcée alignée sur la naturalité — opposé au Youwei (有为) de la monoculture algorithmique, du délestage cognitif et des infrastructures extractives, appliqué à trois domaines : la connaissance (monoculture épistémique et désinformation synthétique), le fait de connaître (délestage qui dégrade la pensée critique) et l'impact (coûts environnementaux et asymétries Nord global–Sud global). (Alternative AI Philosophy: Daoism as Method for AI in Education)

L'éthique en pratique

Les articles d'éthique de la base de connaissances vont de cadres théoriques (approches par la théorie des jeux) à des lignes directrices pratiques (l'enseignement de l'éthique en informatique), de l'analyse du discours public aux cadres de politique de l'UNESCO. Sur toute cette diversité, un message pratique cohérent émerge : l'éthique doit passer de la police des mauvais usages à la construction de l'littératie en IA et de la capacité d'usage éthique, soutenues par des orientations institutionnelles, le développement professionnel des enseignants, et une conception qui préserve plutôt qu'elle ne déplace le jugement de l'apprenant.

Ce plaidoyer pratique est renforcé par des travaux empiriques sur la manière dont l'éthique fonctionne au sein même de la littératie en IA : Zhu et Kong (2026) montrent que la conscience éthique de l'IA — au même titre que l'autonomisation dans la résolution de problèmes par l'IA — médiatise la relation entre l'apprentissage par projet perçu et la satisfaction à l'égard d'un cours de littératie en IA. Leur échelle AI-PBLS validée et les résultats de leur modèle d'équations structurelles (1,027 étudiants) indiquent que le travail par projet crée les conditions dans lesquelles les étudiants construisent un cadre personnel de raisonnement éthique au sujet de l'IA, ce qui renforce l'idée que l'éthique n'est pas un ajout mais un mécanisme central du développement d'une littératie en IA porteuse de sens.

Le signe de ce mécanisme dépend de ce qui le suit. Parmi 584 étudiants de premier cycle dont la compétence en IA provenait de l'auto-apprentissage, la compétence a accru la conscience éthique de l'IA (β = 0.644, p < .001). La conscience éthique a ensuite accru l'anxiété liée à l'IA (β = 0.439, p < .001) plutôt que de la réduire — une médiation indirecte uniquement, lue par les auteurs comme une conscience éveillée sans cadre d'adaptation (Mu et al. (2026)). Leur conclusion pour l'enseignement de l'éthique est qu'il ne peut pas s'arrêter au niveau cognitif. Une préoccupation relative à la transparence ou à la vie privée doit arriver accompagnée de la voie de gouvernance qui y répond, ce qui explique pourquoi le module qu'ils proposent se situe dans la formation juridique.

Connexions

L'éthique est liée à l'équité dans l'IA en éducation, à la vie privée, à la réduction des biais, à la réglementation, à la sécurité pédagogique, à l'intégrité académique et à la gouvernance. Elle est le fondement normatif de tous les autres concepts de l'IA en éducation — le cadre à l'intérieur duquel les questions d'équité, de transparence, d'autonomie et de sécurité sont posées et résolues.

Concepts liés

• Enseignement de la gestion et du management
• L'équité
• La vie privée
• Réduction des biais
• Réglementation de l'IA dans l'éducation
• Sécurité pédagogique
• Intégrité académique
• Déclarations d'utilisation et de divulgation de l'IA — les déclarations d'usage de l'IA et de divulgation
• La gouvernance de l'IA
• Littératie en IA
• Délestage cognitif
• L'enseignement
• Développement professionnel
• 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

Articles liés

• Modeling the Relationships Between University Students' AI Competence, AI Ethical Awareness, and AI Anxiety: A Dual-Stage PLS-SEM and ANN Analysis - La conscience éthique a amplifié l'anxiété liée à l'IA là où aucun cadre d'adaptation n'était enseigné : médiation indirecte uniquement parmi 584 étudiants
• From Learning Analytics to Educational Interventions: Enhancing Decision-Making and Learning Design — De l'analytique de l'apprentissage aux interventions éducatives : les facilitateurs d'interventions dignes de confiance fondées sur l'analytique de l'apprentissage (Svetec, Divjak & Kadoić 2026)
• Beyond Detection: How Students Use—and Hide—AI in Online Assessments and What Authentic Tasks Can Do About It — Comment les étudiants utilisent et cachent l'IA dans les évaluations en ligne
• "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 autorégulé
• The Hidden Cost of Disclosure: A Multi-institutional Study on Undergraduate Students' Generative AI Usage and Faculty Accusations — Le coût caché de la divulgation
• 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
• Understanding ethical dimensions of AI in higher education: insights from faculty members and students — Les points de vue des enseignants et des étudiants sur les dimensions éthiques de l'IA
• Ethical Use of Artificial Intelligence in Engineering Education: A Systematic Review — Usage éthique de l'IA dans l'enseignement de l'ingénierie : une revue systématique
• A Longitudinal Analysis of Public Discourse on AI Ethics in Education Using Twitter Data — Analyse longitudinale du discours public sur l'éthique de l'IA en éducation
• Mathematical Modelling of Ethical AI Use in Higher Education: A Coordination Game Framework for Future-Facing Learning — Cadre de théorie des jeux pour l'usage éthique de l'IA dans l'enseignement supérieur
• Cost-of-Ethics Crisis: Beliefs, Decisions, and Justifications in the Job Searches of Computer Science Students in Canada and the United States — Crise du coût de l'éthique dans les recherches d'emploi des étudiants en informatique
• Explainable Artificial Intelligence in Education (XAI-ED) — L'IA explicable en éducation (XAI-ED)
• Alternative AI Philosophy: Daoism as Method for AI in Education — Philosophie alternative de l'IA : le taoïsme comme méthode pour l'IA en éducation
• SafeTutors: Benchmarking Pedagogical Safety in AI Tutoring Systems — Sécurité des tuteurs d'IA et préjudices pédagogiques
• Situated AI ethics: a cultural-historical and ecological framework for education — L'éthique située de l'IA : un cadre historico-culturel pour l'éducation
• Towards a New AI-TPACK Framework: Evidence from China — La connaissance éthique de l'IA comme médiateur intégrateur dans l'AI-TPACK des enseignants universitaires (Chen et al. 2026)
• From Abstract Ethics to Situated Practice: A Bibliometric Analysis of AI Ethics and Professional Judgement — L'éthique de l'IA et le jugement professionnel : une analyse bibliométrique (Mazlan et al. 2026)
• Generative Artificial Intelligence Policy: A Qualitative UNESCO Framework Analysis — Analyse du cadre de politique de l'UNESCO sur l'IA générative
• Is It Ethical for Teachers to Use AI for Student Feedback? — Est-il éthique pour les enseignants d'utiliser l'IA pour la rétroaction aux étudiants ?
• Between Promise and Practice: Bridging Ethical Artificial Intelligence Literacy Gaps Across Students, Educators, and Policy — Combler les écarts de littératie éthique en IA entre étudiants, éducateurs et politiques
• Ethical Generative AI Integration in English for Academic Purposes within Higher Education: A Mixed-Methods Study — Intégration éthique de l'IA générative en anglais à visée académique
• Sustainable Education in the Age of Artificial Intelligence and Digitalization: A Value-Critical Approach — Approche critique en valeur pour une éducation durable et l'IA (Alsuhami & Atallah 2026)
• Ethical Conditions for University Students' Adoption of Large Language Models in Exam Preparation Contexts — Les conditions éthiques de l'adoption des LLM dans la préparation aux examens (Pérez-Portabella et al. 2026)
• Longitudinal Insights into AI in Education: Usage, Ethics, and Policy Development in Higher Education — Usage de l'IAG, éthique et politiques dans la formation des enseignants : une étude longitudinale (Parker et al. 2026)
• Identifying the ethical values and norms for artificial intelligence in education: A systematic literature review — Valeurs et normes éthiques pour l'IA en éducation
• Who Acts, Who Knows, Who Answers? A Corpus-Assisted Discourse Analysis of Agency, Epistemic Responsibility, and Accountability in Generative AI Higher Education Research — Qui agit, qui sait, qui répond ? Une analyse de discours assistée par corpus de l'agentivité, de la responsabilité épistémique et de l'imputabilité dans la recherche sur l'IA générative dans l'enseignement supérieur