Sud global

Cette page est traduite en français. Les pages d'articles sont encore rédigées en anglais. Lire cette page en anglais

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

Le Sud global désigne les pays d'Afrique, d'Asie, d'Amérique latine et d'Océanie souvent marginalisés sur les plans économique, politique et historique par rapport au Nord global. Dans la recherche sur l'IA en éducation, les contextes du Sud global sont de plus en plus reconnus comme sous-représentés dans le corpus de données probantes, alors même qu'ils soulèvent des questions distinctes d'équité, de pertinence culturelle, de contraintes de ressources et de domination épistémique des données d'entraînement occidentales et anglophones.

Questions à examiner

Si un système d'IA performe bien sur des tests de référence construits à partir de données occidentales et anglophones, quelle confiance devriez-vous accorder au fait qu'il fonctionnera aussi bien pour vos étudiants ? Que voudriez-vous vérifier avant de lui faire confiance dans votre propre contexte ?
Imaginez un outil d'apprentissage dont les données d'entraînement et les métriques d'évaluation ont toutes été développées dans le Nord global. Quelles hypothèses sur la langue, les traditions de connaissance et les réalités éducatives pourrait-il encoder silencieusement — et qui est le plus susceptible d'être déformé par elles ?
Lorsque l'adoption de l'IA est étudiée, quelles salles de classe et quelles institutions tendent à dominer le corpus de données probantes ? Comment cela pourrait-il biaiser ce que nous croyons savoir quant à savoir si l'IA « fonctionne » en éducation ?
Cette page plaide pour traiter les épistémologies vécues et communautaires des apprenants comme faisant autorité, et pas seulement comme des ajouts aux modèles occidentaux. Que faudrait-il pour que votre propre pratique ou recherche liée à l'IA centre le savoir local plutôt que de l'importer d'ailleurs ?
Les contraintes de ressources sont un thème récurrent dans les contextes du Sud global. Comment la promesse d'un soutien par l'IA peu coûteux et évolutif pourrait-elle à la fois réduire et creuser les écarts d'opportunité existants, selon la manière dont elle est conçue et déployée ?
Comment pourriez-vous déterminer si une technologie « adoptée » dans un contexte donné l'a été réellement parce qu'elle correspondait aux conditions locales — ou parce qu'on a supposé qu'elle se transférait ? Quelle donnée probante distinguerait les deux ?

Introduction

Pourquoi cela compte pour l'AIED

La recherche dominante sur l'IA et sur les technologies éducatives a historiquement été dominée par des ensembles de données et des contextes institutionnels occidentaux et anglophones. Cela crée deux problèmes : (1) les systèmes d'IA entraînés sur de telles données peuvent sous-performer ou déformer les apprenants dans les contextes du Sud global, et (2) les repères de référence d'évaluation construits dans le Nord global peuvent ne pas refléter les réalités éducatives, les langues ou les traditions de connaissance des autres régions. La recherche issue des contextes du Sud global dans cette base de connaissances couvre des ensembles de données, des repères de référence et des études d'adoption technologique ancrés culturellement, avec des implications pour la littératie en IA et pour l'enseignement supérieur et primaire et secondaire.

Les applications dans la base de connaissances

Données et repères de référence ancrés culturellement : IKS-Instruct fournit un ensemble de données d'instructions multilingue sur les systèmes de connaissance indiens ; NSMQ Riddles introduit un repère de référence STIM ghanéen, l'un des premiers ensembles de données d'évaluation éducative du Sud global.
Conscience de l'éthique de l'IA dans l'enseignement supérieur ghanéen : Acquah et coll. (2026) ont validé une échelle de conscience éthique de l'IA à trois facteurs (autonomie, bienfaisance, équité) auprès de 509 étudiants universitaires au Ghana, trouvant cinq profils latents allant d'une conscience uniformément très élevée à un petit groupe n'en ayant presque aucune — plus faible sur la bienfaisance — et aucune différence selon le genre, fournissant ainsi un point d'ancrage de mesure du Sud global à la littérature sur l'éthique de l'IA.
Le raisonnement éthique des enseignants dans les contextes à faibles ressources : Adelana et coll. (2026) ont montré que des enseignants du secondaire en STIM, en poste dans un contexte à faibles ressources, raisonnent sur l'éthique de l'IA à travers leur identité professionnelle, les réalités de la classe et les normes culturelles, plutôt qu'à travers des listes formelles de principes, contredisant les hypothèses d'« éthique vide » portées sur le Sud global.
Adoption contextuelle : Asag et Al Mamun modélisent l'adoption de l'IA générative chez des étudiants bangladais en ingénierie, et ConnectED déploie un système de planification de cours aligné sur les programmes pour l'éducation vietnamienne.
C'est le renforcement des capacités, non les infrastructures, qui a fait évoluer l'adoption par les enseignants-chercheurs. Parmi 255 enseignants-chercheurs bangladais, l'attitude envers l'IA générative prédisait fortement l'usage (β = 0.556) et la pertinence propre au domaine déterminait l'attitude (β = 0.413), tandis que la fourniture technologique institutionnelle et les normes subjectives n'étaient pas des prédicteurs significatifs (Alam et coll. (2026)).
Intégration institutionnelle et inégalité structurelle : l'analyse de contenu comparative menée par Adeniranye et coll. (2026) sur 45 universités nigérianes (fédérales, d'État, privées) a montré que l'intégration de l'IA est prédite par l'âge de l'établissement et sa situation géographique — et non par le type de gouvernance — et que les liens avec les réseaux internationaux et industriels se renforcent mutuellement (r = 0.74), de sorte que les établissements bien connectés cumulent les avantages tandis que les autres prennent davantage de retard. Elle situe l'inégalité numérique non seulement au niveau de l'apprenant, mais dans la capacité structurelle des établissements d'enseignement supérieur eux-mêmes.
Le développement pédagogique du corps enseignant comme médiation numérique sous contrainte structurelle : Sithole (2026) interroge douze développeurs pédagogiques et concepteurs d'apprentissage au sein de deux institutions historiquement défavorisées d'Afrique du Sud et trace une ligne analytique que la littérature sur le Sud global brouille souvent : l'inégalité numérique est distributive et peut en principe être traitée par la redistribution et l'accès, tandis que la colonialité algorithmique est épistémique et persiste même en situation d'accès total, parce qu'elle réside dans ce que les systèmes encodent et dans le savoir qu'ils centrent. Les deux sont entremêlées mais appellent des réponses différentes, et l'établissement est doublement positionné — exclu par la rareté des infrastructures, et, lorsqu'il est inclus, subordonné par des systèmes importés qui encodent d'autres savoirs et d'autres normes. La rhétorique institutionnelle sur l'IA (« la performance plus que la pratique ») est arrivée faiblement couplée aux réalités matérielles de l'enseignement ; les développeurs ont donc traduit le discours mondial de la transformation numérique en une pratique contextuellement viable : tester et « casser » délibérément les outils entre pairs, insister sur le jugement plutôt que sur la compétence technique, et absorber le coût affectif de projeter une expertise qu'ils étaient encore en train d'acquérir.
Marginalisation épistémique : Tali-Otmani soutient que les données d'entraînement centrées sur l'Occident marginalisent les savoirs non occidentaux et centrés sur le handicap — reliant les préoccupations du Sud global à l'équité dans l'IA en éducation et à la pédagogie culturellement pertinente.
Le handicap et l'inclusion dans le Sud global : Khlaif et coll. (2026) — une étude de cas qualitative portant sur 21 étudiants de premier cycle malvoyants dans trois universités palestiniennes — ont montré que l'IA générative comble les fractures numérique, géographique et socioéconomique pour les apprenants en situation de handicap, étendant la recherche sur l'acceptation technologique aux contextes du handicap, où l'utilisabilité, l'abordabilité et l'accessibilité se renforcent mutuellement.
Concevoir pour les facteurs de stress locaux sous contraintes de ressources : Bashir et Afzal (2026) construisent Sukoon comme une réponse de conception du Sud global à un décalage documenté — des agents conversationnels de santé mentale entraînés surtout sur des ensembles de données occidentaux et majoritairement anglophones, alors que les étudiants pakistanais font face simultanément à des facteurs de stress académiques, financiers, familiaux et relationnels, et souvent ne peuvent aborder leurs difficultés émotionnelles avec leurs parents, leurs enseignants ou leurs pairs en raison de la stigmatisation. Les contraintes pratiques des auteurs sont aussi instructives que leur modèle : un grand modèle de langue open source en accès libre via une API hébergée pour de faibles besoins en ressources, un déploiement Flask léger pour les universités régionales, la mention « les outils sont disponibles mais souvent coûteux » comme barrière, et un accès inégal aux modèles payants signalé comme un risque de dépendance général. Ils notent aussi que le classifieur a été entraîné sur un ensemble de données publiques non représentatif des étudiants pakistanais, et s'engagent à recueillir localement des données DASS-21 avant de tirer des conclusions de population.
Des données probantes d'évaluation minces et propres à un outil, issues de l'enseignement supérieur africain : une revue systématique PRISMA 2020 des recherches empiriques publiées entre 2023 et 2025 n'a recensé que dix études, concentrées au Nigeria et en Afrique du Sud et menées presque exclusivement sur ChatGPT, de sorte que ce que l'on sait de la refonte de l'évaluation pour l'IA générative dans l'enseignement supérieur africain repose sur des études de petits échantillons, mono-établissement et auto-déclarées, plutôt que sur des gains d'apprentissage mesurés — les auteurs de la revue présentent leurs recommandations comme des orientations plutôt que comme des effets établis.
L'équité est la dimension la moins étudiée dans toute la région. Une revue de cadrage PRISMA-ScR de 75 études du Sud global (2022–2025) a montré que l'équité était la moins examinée de ses cinq domaines, malgré sa centralité pour une éducation inclusive, et a rapporté un écart entre les positions éthiques déclarées des étudiants et leur comportement (Nguyen et Perkins, 2026).

Implications

Prendre en compte les contextes du Sud global exige de dépasser l'hypothèse d'un transfert direct des modèles et des repères de référence occidentaux. Cela appelle des ensembles de données ancrés localement, une pédagogie culturellement pertinente, des normes d'évaluation centrées sur la communauté, et une recherche qui traite les épistémologies vécues et communautaires des apprenants comme faisant autorité — en accord avec des cadres comme l'apprentissage de l'IA fondé sur la communauté et la recherche sur l'acceptation technologique adaptée aux conditions locales.

Le bilan de la mise à l'échelle fait partie de ce tableau, et il est sobre. Les programmes qui fonctionnent à l'échelle du pilote cessent fréquemment de fonctionner lorsque les gouvernements les déploient : le programme kenyan qui a produit des gains substantiels sous une mise en œuvre non gouvernementale n'a montré aucun gain détectable à l'échelle gouvernementale (Bold et coll.), les tailles d'effet ont tendance à diminuer à mesure que les programmes grandissent (Vivalt), et la qualité de la mise en œuvre se dilue à mesure que les sites se multiplient (Al-Ubaydli, List et Suskind). Le précédent propre à l'Amérique latine est le programme péruvien One Laptop per Child — environ 800 000 ordinateurs portables distribués sans effet détectable sur les mathématiques ou la lecture — dont la leçon retenue est que l'accès à la technologie n'est pas de l'instruction. Restrepo Morales et coll. (2026) ajoutent une leçon de reporting à la leçon de mise à l'échelle : dans l'épisode du Salvador en 2026, un pilote de tutorat par IA dans 171 écoles a été annoncé comme comparable à l'Allemagne et à la Suède, alors même que l'échantillon PISA 2025 représentatif du même pays ne montrait aucun mouvement dans deux des trois matières, et que les données du pilote étaient trop minces (7.0 étudiants évalués par école contre 25.4 à l'échelle nationale) pour exclure la sélection comme explication. Pour les systèmes du Sud global qui adoptent l'IA à grande échelle, l'implication est double : la donnée probante qu'une réforme fonctionne porte généralement sur les composants qu'elle regroupe plutôt que sur la technologie mise en avant, et un déploiement par phases conçu avant la mise en œuvre identifie les effets à un coût quasi nul — ce qui importe le plus là où la connectivité dicte de toute façon ce phasage.

Concepts liés

Métadonnées

Niveau	Higher Ed, K 12
Technologies et techniques	L'IA générative
Équité, éthique et usage responsable	Pédagogie culturellement pertinente, L'équité, Sud global
Fondements de l'IA dans l'éducation	Littératie en IA

Source History Edit Chat