La gouvernance de l'IA

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

La gouvernance de l'IA (AI governance) — les cadres, les politiques, les structures institutionnelles et les normes qui guident la conception, le déploiement et l'usage responsables de l'intelligence artificielle en éducation. La gouvernance couvre les mécanismes institutionnels formels (groupes de pilotage de l'IA, politiques sur l'intégrité académique et l'usage acceptable, examen éthique) et les normes informelles (orientations à l'intention des enseignants, développement professionnel, cultures de l'usage responsable de l'IA). À l'ère de l'IA, une gouvernance efficace est une condition préalable à une adoption éthique, équitable et durable de l'IAG — elle détermine si l'IA est intégrée de manière transparente, avec responsabilité, ou adoptée de façon réactive, dans des conditions qui creusent les iniquités.

Questions à examiner

• Si votre établissement dispose d'une politique d'IA sur le papier mais d'aucun processus clair pour l'appliquer, la mettre à jour ou la communiquer, est-ce vraiment de la gouvernance ? Qu'est-ce qui distingue une règle qui existe d'une règle qui est réellement gouvernée ?
• Dans une étude, des étudiants ont dit que leur université n'avait pas de politique d'IA claire et que cela avait façonné leur usage de l'IA. Comment l'ambiguïté de la politique peut-elle influencer ce que les étudiants jugent être un « usage acceptable » — et les établissements devraient-ils s'inquiéter de laisser cette négociation aux individus ?
• La page distingue la gouvernance fondée sur la détection (surveiller l'usage de l'IA) de la gouvernance fondée sur la conception (repenser l'évaluation pour que l'usage de l'IA soit attendu et déclaré). Vers laquelle de ces approches votre propre pratique d'évaluation penche-t-elle, et quels sont les compromis de chacune ?
• La gouvernance est décrite comme opérant aux niveaux national, institutionnel et de la classe. Prenez une règle relative à l'IA dans votre contexte : qui l'a établie, comment est-elle communiquée et appliquée, et dans quelle mesure ces niveaux s'alignent-ils ?
• Un cadre reconçoit la gouvernance de l'IA comme un problème d'action collective consistant à soutenir une expertise partagée — les « communs cognitifs ». Comment protéger le réservoir de connaissances collectives d'une profession change-t-il votre manière de penser la gouvernance de l'IA par rapport à la simple régulation d'un outil ?
• La page avertit que les déclarations obligatoires d'usage de l'IA échouent lorsqu'elles paraissent punitives ou ambiguës. Quand avez-vous vu une règle de conformité se retourner contre ses auteurs parce que les gens ne la comprenaient pas ou ne lui faisaient pas confiance — et qu'est-ce que cela vous a appris sur la gouvernance ?

Introduction

La gouvernance de l'IA en éducation devient de plus en plus urgente parce que l'IA générative introduit de nouveaux défis épistémiques, éthiques et organisationnels : elle déstabilise les hypothèses relatives à la production des connaissances, à l'agentivité de l'apprenant, à la validité de l'évaluation, et au rôle des éducateurs comme autorités épistémiques. La gouvernance traite les questions d'intégrité académique (ce qui compte comme usage acceptable de l'IA), de protection des données et de sécurité, de biais algorithmique et d'équité, d'transparence et de responsabilité, et de l'alignement de l'adoption de l'IA sur la mission et les valeurs de l'établissement. Un constat récurrent dans la recherche de la base de connaissances est que la gouvernance institutionnelle accuse souvent un retard — de nombreux établissements manquent de politiques d'IA claires et unifiées, laissant les étudiants et les enseignants négocier eux-mêmes l'usage acceptable.

• La gouvernance en zéro coup d'essai comme condition structurelle de la plateformisation. Perrotta (2026) développe le concept de gouvernance en zéro coup d'essai — une IA générative agnostique au domaine intervenant dans les décisions de politique — à travers une analyse au niveau du code de Redbox, un prototype abandonné de la fonction publique britannique construit sur des LLM disponibles sur étagère. En lisant son architecture (une consigne système invisible et un léger enveloppeur Python autour d'un pipeline RAG (génération augmentée par récupération) récupérer→mettre en forme→générer, sur une pile cloud agnostique au fournisseur), l'article soutient que la nature d'usage général des modèles de fondation est une caractéristique structurelle de la plateformisation que l'on peut atténuer mais jamais exclure : l'IA agentique n'interrompt pas la logique monopolistique et rentière des plateformes, et le même mécanisme probabiliste qui produit de la nouveauté produit aussi des hallucinations. Pour la gouvernance, l'implication est que la supervision d'une IA d'usage général doit traiter les productions aberrantes comme un risque irréductible, seulement atténuable, plutôt que comme un bogue corrigeable — une mise en garde qui vaut également pour le raisonnement en matière d'élaboration de politiques éducatives. Baroudi, dans une revue de cadrage, cadre la gouvernance de l'IA dans l'enseignement supérieur à travers les lentilles de la gouvernance anticipatrice et du leadership.

• La co-conception des politiques par les étudiants : Hingle & Johri montrent comment une activité d'enquête guidée, dans laquelle les étudiants ont co-conçu une politique de cours sur l'IAG, a fait émerger les valeurs des étudiants — priorité accordée à la formation, à des procédures standardisées d'divulgation, à un soutien institutionnel renforcé et à une plus grande participation aux décisions. Cela positionne les étudiants comme partenaires de la gouvernance plutôt que comme sujets passifs, complétant la politique au niveau institutionnel par une voix étudiante ascendante.

• Le piège techno-solutionniste et le déficit de politique : une revue systématique de 65 études sur l'IA et l'apprentissage socio-émotionnel (Tran, Liu & Nguyen 2026) constate que la recherche met souvent au premier plan le potentiel technique tout en sous-spécifiant les conditions institutionnelles d'une mise en œuvre responsable — un piège « techno-solutionniste ». Les auteurs relient l'engagement politique au lieu de publication et proposent un cadre en « questions en wh » pour rendre les implications de gouvernance propres aux acteurs, faisant écho au constat plus large de la base de connaissances selon lequel la gouvernance institutionnelle accuse un retard sur l'adoption de l'IA.

Comment la gouvernance de l'IA apparaît dans la recherche

• L'adoption institutionnelle à grande échelle : l'étude AIDA à l'Open University montre comment un établissement a conçu, mis en œuvre et évalué un assistant IAG, en établissant qu'un déploiement responsable au niveau du système exige des structures de gouvernance (un groupe de pilotage de l'IA), le parrainage de la direction générale et un alignement sur la stratégie institutionnelle — et pas seulement une capacité technique.
• Leadership et changement systémique : SPARK situe la gouvernance dans la théorie du leadership de la complexité, soutenant que les dirigeants doivent équilibrer la stabilité administrative et l'innovation émergente, en intégrant des mécanismes de gouvernance (politiques, régimes d'évaluation, cadres de responsabilité) afin que les innovations issues des espaces adaptatifs puissent être soutenues et déployées à l'échelle.
• L'ambiguïté des politiques et l'expérience étudiante : l'engagement des étudiants avec l'IAG a montré que 12 étudiants sur 23 ont signalé l'absence de politiques institutionnelles explicites sur l'IA (« University doesn't have a clear and unified policy yet »), soutenant que l'ambiguïté de la gouvernance façonne les pratiques, les normes et l'autorégulation des étudiants — ce qui vient appuyer un glissement vers des orientations institutionnelles transparentes.
• La littératie en IA comme capacité de gouvernance (« le 18e ODD ») : Islam, Morshed, and Islam (2026) reconceptualisent la littératie en IA comme un mécanisme de gouvernance systémique plutôt que comme une compétence de classe, en proposant une taxonomie AIRE à six niveaux (Recognize → Comprehend → Apply → Analyze → Integrate → Govern) qui étend la hiérarchie de Bloom par la synthèse éthique et la prospective stratégique, ainsi qu'un AI–SDG Nexus reliant les compétences de littératie aux dix-sept objectifs de développement durable. En concevant la littératie en IA comme une heuristique de « 18e ODD » — une capacité transversale qui canalise l'apprentissage vers la gouvernance et le développement durable — l'enquête menée par l'étude auprès de 300 professionnels a montré que la littératie en gouvernance était le prédicteur le plus fort de la conscience du nexus IA–ODD (β = 0.64, r = 0.67 avec la conscience du nexus) et a identifié le raisonnement éthique et la pensée réflexive comme les prédicteurs les plus forts d'un usage digne de confiance de l'IA. Cela rattache la gouvernance institutionnelle à la culture de l'littératie en IA du public, faisant écho au constat de la base de connaissances selon lequel un alignement responsable de l'IA exige des décideurs et des citoyens capables d'interpréter de manière critique les systèmes algorithmiques, et pas seulement un contrôle technique orienté vers la conformité.
• Intégrité académique et évaluation : la gouvernance est centrale dans la manière dont les établissements traitent les préoccupations d'intégrité académique liées à l'IA et repensent l'évaluation — passant de l'interdiction et de la surveillance à l'accompagnement, à la littératie en IA et aux conceptions orientées vers le processus, comme on le voit dans les travaux sur la rationalisation des étudiants et sur la refonte de l'évaluation authentique.
• La refonte se joue sur trois dimensions à la fois. Laidlaw (2026) envisage la refonte de l'évaluation à l'ère de l'IA selon trois dimensions : culturelle-discursive (le langage et les présupposés), matérielle-économique (les ressources) et sociopolitique (la gouvernance et le pouvoir), et désigne l'intersection ressources-pouvoir comme étant à la fois le plus grand levier et le plus grand risque : les ressources qui circulent dans les structures de pouvoir existantes amplifient les inégalités.
• Le mélange d'instruments de la gouvernance écrite : Eldredge et al. (2026) ont audité les documents 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. Quarante des 48 (83%) disposaient d'au moins un document public, et sur les 40 documents analysés, la gouvernance se réalisait surtout comme orientation plutôt que comme règle contraignante : 21 directives (53%), 9 documents d'information (23%) et seulement 7 politiques formelles (18%). La plupart des documents s'adressaient à la fois aux enseignants et aux étudiants (20, 51%) plutôt qu'aux seuls étudiants (6, 15%), et ni le type de politique ni le public visé ne variaient selon le mode d'offre (test exact de Fisher P = .85 et P = .71), ce qui suggère que le mélange d'instruments suit l'habitude institutionnelle plutôt que les exigences des programmes en ligne, sur campus ou hybrides. Les contenus se regroupaient autour de l'intégrité académique, de l'usage responsable de l'IA et de la conduite des étudiants, avec peu d'orientations couvrant l'usage de l'IA dans l'apprentissage appliqué, la recherche et les environnements simulés, précisément là où se croisent les préoccupations curriculaires et de gouvernance des données. Les auteurs rapportent aussi que les organismes d'accréditation régionaux fournissaient l'essentiel du corpus (Higher Learning Commission n = 14 et SACSCOC n = 13, ensemble environ 60%, sans aucun document de la région WASC) et soutiennent que l'accréditation est le levier externe le mieux placé pour réduire la variation entre les programmes.
• La gouvernance comme écosystème de soutien distribué : Qian (2026) a codé les orientations relatives à l'IA des 50 universités américaines classées comme les plus innovantes et a constaté que la gouvernance se réalisait moins comme une règle que comme une interprétation et un soutien : seules 6 des 50 présentaient leur page principale comme une « politique », 33 sur 50 positionnaient les enseignants comme les principaux traducteurs des attentes institutionnelles en règles de cours, et le soutien à cette traduction se regroupait autour de quatre entités imbriquées — des centres d'enseignement et d'apprentissage fournissant le langage des programmes de cours et des menus de politiques de cours, des bibliothèques fixant les normes de citation et de provenance, des services informatiques et de gouvernance d'entreprise appliquant des règles de classification des données et des piles d'outils validées, et des bureaux d'intégrité académique portant la procédure régulière et une remédiation plaçant l'éducation d'abord. Qian soutient que c'est l'étayage, et non la position affichée, qui réduit l'ambiguïté, et le rapporte comme distribué de manière inégale : 33 des 50 établissements publiaient des supports de programme de cours ou de politique de cours, tandis que 4 seulement mettaient en avant des orientations destinées aux étudiants. C'est le constat sur le mélange d'instruments présenté plus haut sous forme organisationnelle — la capacité de gouvernance située dans des entités plutôt que dans des documents.
• Éthique, vie privée et biais : les mécanismes de gouvernance opérationnalisent les principes éthiques (L'éthique, La vie privée, Réduction des biais) qui sont souvent reconnus mais pas appliqués, et se rattachent aux débats sur l'IA responsable et la réglementation en éducation.
• Une matrice valeurs/normes pour la gouvernance. 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, supervision humaine, bienveillance, explicabilité, pertinence éducative) et projettent les normes éthiques extraites de la littérature sur une matrice croisant parties prenantes et valeurs. Cette matrice rend les normes actionnables pour réaliser des valeurs spécifiques et offre un fondement pour construire des cadres éthiques et une réglementation détaillés pour l'IAED — donnant aux établissements d'enseignement, aux développeurs et aux régulateurs des normes concrètes à mettre en œuvre. Les normes de supervision humaine se concentrent sur les établissements d'enseignement et les utilisateurs finaux, la pertinence éducative sur les établissements d'enseignement et les régulateurs, et les normes de bienveillance visant les régulateurs sont bien plus nombreuses (neuf) que pour tout autre ensemble, signalant le rôle des régulateurs pour garantir, par la politique et la législation, que l'IAED profite aux apprenants.

L'éducation à la gouvernance

La gouvernance de l'IA opère à deux niveaux que la base de connaissances traite ensemble : les règles institutionnelles qui gouvernent l'usage de l'IA (politiques, cadres d'usage acceptable, exigences d'évaluation et de déclaration) et l'éducation portant sur ces règles (préparer les personnes à s'y orienter). Une gouvernance sans éducation risque de n'être pas appliquée ou d'être opaque ; une éducation sans gouvernance manque de mordant. La recherche de ce fil comprend les analyses de politiques institutionnelles sur l'IAG, les cadres de déclaration relatifs à l'IA, la gouvernance de l'évaluation, la politique britannique sur l'IA dans l'enseignement supérieur et les revues complètes de l'IAED qui situent la gouvernance dans le paysage politique plus large.

La gouvernance de l'évaluation

Une arène centrale de la gouvernance de l'IA est la manière dont les établissements gouvernent l'évaluation — les règles qui déterminent ce qui compte comme usage acceptable de l'IA, comment le travail assisté par l'IA est déclaré, et comment les mesures sommatives sont préservées. Cela inclut la conception et l'application des déclarations d'usage de l'IA et de divulgation : la recherche montre que les déclarations obligatoires échouent lorsqu'elles paraissent punitives ou ambiguës (Gonsalves 2025, Vetter et al. 2026), et que c'est une politique claire, cohérente et fondée sur la confiance qui favorise réellement la divulgation. La recherche de la base de connaissances distingue la gouvernance fondée sur la détection (surveiller l'usage de l'IA, par exemple via l'IA de détection) de la gouvernance fondée sur la conception (repenser l'évaluation sommative et authentique pour que l'usage de l'IA soit attendu, déclaré et examiné). La gouvernance de l'IA générative dans l'évaluation, centrée sur les preuves et Beyond Detection soutiennent que la gouvernance doit associer toute détection à une refonte de l'évaluation, tandis que le choix de formats sommatives résistants à l'IA (examens oraux, épreuves surveillées ou à livres fermés, entretiens de revue de code — voir l'évaluation sommative) constitue lui-même une décision de gouvernance. Des preuves à grande échelle (Strömberg, Lei, & Wu 2026) soulignent l'importance de gouverner les mesures sommatives, étant donné que des devoirs non gouvernés peuvent être gonflés par l'IA tandis que l'apprentissage réel décline. La portée d'une interdiction constitue elle-même une décision de gouvernance : Wright (2026) montre que des règles interdisant l'« IA générative » sans distinguer la génération de la conversion de format capturent les outils de transcription assistée et transforment une erreur d'application d'une politique en allégation de manquement, pesant sur les étudiants en situation de handicap et exposés aux enjeux d'équité — une défaillance de gouvernance que les questions juridiques et les risques traitent comme une question d'égalité autant que d'intégrité.

Les preuves que Zagami (2026) recueille dans des arènes à enjeux élevés indiquent une gouvernance inégale plutôt qu'un simple refus : une adoption partielle et une politique incomplète dans l'évaluation, les admissions et les procédures disciplinaires, le retard institutionnel opérant comme une posture de gouvernance plutôt que comme un échec. La tâche institutionnelle consiste à interpréter le refus assez finement pour améliorer la gouvernance, en se demandant quelles décisions exigent un examen humain, quels systèmes exigent un audit, quels usages exigent une divulgation, et quels choix d'approvisionnement exigent une justification publique. Weidlich (2026) ajoute le corollaire propre à l'évaluation : les scores des détecteurs sont des signaux probabilistes conditionnels qui ne peuvent à eux seuls établir un manquement, si bien qu'une gouvernance centrée sur la détection constitue un fondement insuffisant pour défendre les affirmations relatives à l'évaluation.

La gouvernance à travers les niveaux

La gouvernance de l'IA opère à de multiples niveaux — du niveau national/réglementaire (politique gouvernementale, le cadre de l'OCDE, les orientations étatiques sur l'IA) au niveau institutionnel (politiques universitaires, groupes de pilotage de l'IA, commissions d'examen éthique) jusqu'au niveau de la classe (orientations des enseignants, mentions dans les programmes de cours, conception des devoirs). Une gouvernance efficace aligne ces niveaux : les cadres nationaux fixent les attentes, les établissements les traduisent en politiques et en structures de soutien, et les éducateurs les mettent en œuvre de manière à développer la littératie en IA et l'agentivité des étudiants. La recherche de la base de connaissances souligne que la gouvernance ne consiste pas seulement à restreindre, mais à créer les conditions d'une intégration de l'IA responsable, équitable et favorable à l'apprentissage — incluant le développement professionnel des enseignants, des orientations transparentes et une évaluation continue.

Une conduite identique, des verdicts différents. Poudyal (2026) a appliqué 15 vignettes standardisées d'usage étudiant aux environnements de politique publique de 20 universités australiennes, produisant 300 classifications : 40.0% clairement interdites, 32.3% manquements potentiels aux politiques, 9.0% autorisées sous conditions, et 18.7% indéterminées — aucune n'atteignant le seuil de clairement autorisée. Les instruments contraignants étaient muets sur l'IA générative dans 100 combinaisons, tandis que les orientations en tranchaient 88, et la réécriture déclarée en langage naturel et un paragraphe rédigé par l'IA ont produit la plus forte divergence entre universités, face à l'unanimité sur une interdiction explicite en matière d'évaluation. Là où l'on suppose que les niveaux décrits plus haut s'alignent, cette étude mesure l'ampleur de leur divergence, et situe la frontière opérationnelle dans les orientations plutôt que dans les instruments contraignants.

La gouvernance par les enseignants et le plaidoyer pour un examen délibéré. Lorsque les niveaux ci-dessus sont alignés par la politique, certains secteurs y parviennent plutôt par la gouvernance partagée. Gutowski and Hurley (2025) décrivent les facultés de droit comme un cas difficile précisément pour cette raison : les enseignants-chercheurs des facultés de droit américaines détiennent un pouvoir individuel inhabituel sur les normes des cours, si bien que la politique doit être construite avec eux plutôt que de leur être annoncée, et la plupart des établissements rédigeant des règles prohibitives réservaient aussi une marge de discrétion aux enseignants individuels et s'engageaient à réviser au rythme des évolutions technologiques. Leurs recommandations — souplesse par la conception, révision périodique, formation proactive, et autorégulation par le partage d'informations plutôt que d'attendre qu'un organisme d'accréditation dicte la politique — décrivent la gouvernance comme un processus continu plutôt que comme un document, le même point que le consensus Delphi formule en recommandant des cycles de révision programmés et un comité pluridisciplinaire permanent.

À l'échelle de l'établissement, le cadre AIGEM (Tan et al. 2026) positionne l'IA responsable comme une capacité organisationnelle stratégique pour le management éducatif, intégrant le leadership stratégique en IA, la gouvernance responsable, l'intelligence décisionnelle, l'intelligence collaborative humain-IA, le développement des compétences et la création de valeur durable — et rattache la mise en œuvre responsable aux ODD. Il souligne que la gouvernance n'est pas seulement une couche de conformité sur l'enseignement, mais une fonction de direction des établissements d'enseignement.

Les liens avec les concepts apparentés

La gouvernance de l'IA est liée à l'éthique (les principes qu'elle opérationnalise), à l'enseignement supérieur (le contexte institutionnel), à la vie privée et à la réduction des biais (des préoccupations spécifiques de gouvernance), et à l'intégrité académique (une arène principale de la gouvernance). Elle est centrale dans le changement institutionnel et l'IA responsable, et recoupe l'littératie en IA (la gouvernance soutient le développement d'un usage critique et informé). Elle est aussi liée à l'analytique de l'apprentissage (gouvernance des données) et à l'expérience étudiante (la gouvernance façonne la manière dont les étudiants s'orientent dans l'usage acceptable).

Gouverner les communs cognitifs. Le cadre des Cognitive Commons (Lovett 2026) conçoit la régénération de l'expertise comme un problème d'action collective au niveau de la profession, exigeant une gouvernance de type ostromien (définition des frontières, surveillance, sanctions graduées, choix collectifs). La gouvernance de l'IA n'est donc pas seulement une question de régulation des outils, mais aussi de préservation du réservoir d'expertise partagée dont les professions ont besoin — aux niveaux organisationnel, des associations professionnelles et de la politique.

La relation avec la politique éducative

La gouvernance se distingue de la politique d'IA en éducation — mais elle en est indissociable. La politique est le contenu : les règles et énoncés formels (quels usages de l'IA sont autorisés, ce qui doit être divulgué, quelle évaluation est permise). La gouvernance est la machinerie qui produit, met en œuvre, applique et révise ces règles : qui les établit, comment elles sont dotées de ressources et communiquées, comment la conformité et les recours sont traités, et comment elles s'adaptent à mesure que l'IA évolue. Là où la page sur l'politique recense les règles elles-mêmes et leurs écarts de maturité, cette page se concentre sur les structures et les pratiques qui rendent les règles réelles — groupes de pilotage, examen éthique, gouvernance de l'évaluation et responsabilité à travers les niveaux. Une règle sur le papier est une politique ; une règle qui est appropriée, surveillée et appliquée est une gouvernance. Les deux sont mutuellement dépendantes : une politique sans gouvernance n'est pas appliquée, et une gouvernance sans politique manque de direction.

Le langage de la responsabilité peut laisser l'acteur responsable non nommé. Poudyal (2026) a extrait 166 expressions d'obligation ou d'imputabilité de 366 résumés de travaux sur l'IAG dans l'enseignement supérieur et a constaté qu'aucune n'attribuait de responsabilité à un système tandis que 33 laissaient son porteur non spécifié ; « governance is needed » ne nomme personne pour convoquer, décider ou appliquer. Les établissements et les acteurs de la politique portaient 37 obligations, les métonymies établissement/éducateur 30, les éducateurs 20, les chercheurs 18, et les étudiants seulement six.

Svetec, Divjak & Kadoić (2026) identifient l'éthique et la gouvernance des données comme l'un des sept facilitateurs d'interventions éducatives dignes de confiance fondées sur l'analytique de l'apprentissage — des politiques pour l'usage éthique de l'analytique de l'apprentissage et de l'IA, la protection des données, la sécurité et la responsabilité — et positionnent la fiabilité (incluant le leadership et la gouvernance qui soutiennent la mise en œuvre) comme la condition préalable à des interventions fondées sur les données et porteuses de sens.

• La gouvernance peut être conçue dans l'outil. Un profil de gouvernance à six dimensions — ancrage pédagogique, autorité pédagogique, responsabilité humaine et contrôle, agentivité de l'apprenant et engagement cognitif, spécificité contextuelle, et visibilité de l'évaluation — situe la gouvernance dans le modèle d'interaction d'un outil d'enseignement, ses consignes, ses grilles, ses portes d'approbation et ses tableaux de bord, et demande si les mécanismes conviennent à la fonction pédagogique plutôt que de mesurer le degré de sévérité ou de permissivité d'un outil (Dickey, 2026).

Concepts liés

• Partenariats pédagogiques — Les partenariats pédagogiques
• Déclarations d'utilisation et de divulgation de l'IA — Les déclarations d'usage de l'IA et de divulgation
• Surveillance à distance des examens
• L'éthique
• Enseignement supérieur
• La vie privée
• Réduction des biais
• Intégrité académique
• Littératie en IA
• Analytique de l'apprentissage
• L'expérience étudiante
• La politique d'IA en éducation
• Réglementation de l'IA dans l'éducation
• L'évaluation sommative
• Usages abusifs de l'IA et préjudices pour l'apprentissage
• Le calibrage de la confiance
• L'IA générative
• Parties prenantes — Ombrelle : les personnes et les publics de l'IA en éducation (apprenants, enseignants, concepteurs, administrateurs, responsables de politiques)
• Soutien aux étudiants et réussite — la supervision des systèmes institutionnels de soutien par l'IA

Articles liés

• Artificial Intelligence Literacy and Sustainable Development: An Ethical Governance and Development Goals Framework — La littératie en IA comme capacité de gouvernance pour le développement durable : la taxonomie AIRE et l'AI–SDG Nexus (Islam, Morshed & Islam 2026)
• Artificial Intelligence in Educational Management: Opportunities, Challenges, and Future Directions — Le cadre AIGEM pour la gouvernance de l'IA dans le management éducatif
• Institutional approaches to artificial intelligence policy and guidance in health informatics and information management education: emerging trends and inconsistencies — Les documents de politique et d'orientation relatifs à l'IA dans 48 programmes agréés en informatique de la santé : une gouvernance faite d'orientations non contraignantes centrées sur l'intégrité (Eldredge et al. 2026)
• A Guided Inquiry Approach to Students Co-Designing Generative AI Course Policies — Les étudiants co-conçoivent des politiques de cours sur l'IAG par l'enquête guidée (Hingle & Johri 2026)
• 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)
• 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
• The Hidden Cost of Disclosure: A Multi-institutional Study on Undergraduate Students' Generative AI Usage and Faculty Accusations — Le coût caché de la divulgation
• "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
• Which inference is at risk? Assessment validity reasoning and generative AI — Quelle inférence est menacée : le raisonnement sur la validité de l'évaluation et l'IA générative (Weidlich 2026)
• Governing generative AI in higher education: a global Delphi study on policy and practice — Delphi mondiale sur la gouvernance et les politiques relatives à l'IAG
• Governing generative AI in higher education: Emerging policy approaches and support ecosystems at innovative U.S. universities — Gouverner par les orientations : règles de programme fixées par les enseignants et écosystème de soutien à quatre entités dans 50 universités américaines innovantes (Qian 2026)
• Forging ahead or proceeding with caution: Developing policy for generative artificial intelligence in legal education — Gouvernance par les enseignants, marge de discrétion des enseignants et révision périodique dans les politiques d'IAG des facultés de droit (Gutowski & Hurley 2025)
• Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment — Des interdictions d'« IA » trop larges, la conversion de format et le problème des aménagements raisonnables (Wright 2026)
• AI refusal in higher education: the right to refuse, the duty to understand and the diagnostic value of non-use — Le refus comme preuve : une gouvernance inégale, le devoir de comprendre et la valeur diagnostique du non-usage (Zagami 2026)
• Anticipatory governance and leadership for AI implementation in higher education: A scoping review — La gouvernance anticipatrice et le leadership pour l'IA
• New systems of learning for distance learning institutions? A six-study review of implementing AIDA — La mise en œuvre d'AIDA à l'Open University
• Leveraging complex systems: Leading for transformative change — SPARK : Leading for Transformative Change
• Students' engagement with generative AI in academic learning: A self-determination theory and epistemic network analysis study — L'engagement des étudiants avec l'IAG (TAD)
• Beyond Detection: Redesigning Authentic Assessment in an AI-Mediated World — Beyond Detection : la refonte de l'évaluation authentique
• A Comparative Analysis of Institutional and Course Generative AI Policies within Higher Education: Implications for Instruction in Computing Education — Les politiques institutionnelles sur l'IAG en informatique
• Structuring Transparency: Developing Domain-Specific Generative AI Declaration Frameworks in Higher Education — Les cadres de déclaration relatifs à l'IA
• Generative AI as a Design Variable: An Evidence-Centered Framework for Principled Governance in STEM Assessment — La gouvernance de l'évaluation à l'ère de l'IAG
• Artificial Intelligence in UK Higher Educational Policy and Institutional Decision Making — L'IA dans la politique britannique d'enseignement supérieur
• Review of Artificial Intelligence in Education from 2020 to 2025 — Revue complète de la recherche sur l'IAED
• The Tragedy of the Cognitive Commons: How AI Could Disrupt the Regeneration of Professional Expertise — La tragédie des communs cognitifs : l'IA et la régénération de l'expertise
• 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 d'usage général dans les politiques (Perrotta 2026)
• 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
• Instructional Governance by Design: A Framework for AI in Computing Education — Gouvernance pédagogique par la conception : un cadre pour l'IA dans l'enseignement de l'informatique
• Mapping the Authorized Boundary: A Comparative Policy-Vignette Study of Generative AI Governance in Australian Higher Education — Cartographier la frontière autorisée : une étude comparative de politiques par vignettes sur la gouvernance de l'IA générative dans l'enseignement supérieur australien