Enseignement supérieur

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

Enseignement supérieur — l'intégration de l'intelligence artificielle dans l'enseignement, l'apprentissage, l'administration et la politique institutionnelle à l'université. L'enseignement supérieur est le contexte le plus étudié de la base de connaissances : plus de 100 articles y examinent comment l'IA transforme l'enseignement de niveau universitaire, la politique éducative et l'expérience étudiante. L'IA dans l'enseignement supérieur est à la fois le cadre dominant de la AIED pour la recherche et le lieu où ses tensions sont les plus visibles — entre la promesse de personnalisation à l'échelle portée par l'IA générative et ses risques pour l'intégrité, l'apprentissage, la La vie privée et l'équité. Il englobe à la fois les études de premier cycle et de cycle supérieur, y compris les programmes professionnels comme la médecine et la gestion.

Questions à examiner

• L'enseignement supérieur est le lieu où les tensions soulevées par l'IA sont les plus visibles : personnalisation à l'échelle d'un côté, risques pour l'intégrité, l'apprentissage, la vie privée et l'équité de l'autre. Laquelle de ces tensions observez-vous le plus concrètement dans votre propre institution ?
• De grandes études révèlent des écarts entre la politique institutionnelle et ce que les étudiants font réellement de l'IA au quotidien. Pourquoi, à votre avis, la politique officielle diverge-t-elle si souvent de la pratique réelle des étudiants ?
• La page présente l'adoption de l'IA comme inégale : certaines institutions se transforment tandis que d'autres prennent du retard, sous l'effet de facteurs organisationnels et de la politique nationale. Quels facteurs déterminent, selon vous, si une université s'adapte ou s'enlise ?
• Alors que l'IA rend le soutien individualisé quasi gratuit et universel, comment cela déplace-t-il la valeur et le rôle de l'université elle-même ? Qu'est-ce qui devient plus rare, et donc plus précieux ?
• Un constat signale une baisse du temps d'étude chez les étudiants de premier cycle qui utilisent l'IA. Si les étudiants étudient moins mais déclarent être satisfaits, qu'est-ce que cela suggère quant à ce que les institutions devraient mesurer et protéger ?
• Compte tenu de l'écart entre la préparation à l'IA autoévaluée par les enseignants et leur préparation réelle, à quoi ressemblerait un véritable développement professionnel des enseignants dans votre contexte — et qui devrait en être responsable ?

Introduction

La recherche sur l'IA dans l'enseignement supérieur couvre toutes les fonctions de l'université : du tutorat par IA et de la correction automatisée au développement des enseignants, à l'intégrité académique, à la gouvernance institutionnelle et à l'accompagnement des étudiants. Les articles de la base de connaissances consacrés à l'enseignement supérieur se regroupent autour de plusieurs thèmes clés — la transformation institutionnelle, l'expérience étudiante à grande échelle, les enseignants et l'enseignement, l'évaluation et l'intégrité, ainsi que l'évolution rapide des politiques et des pratiques.

Transformation institutionnelle

Les cadres d'analyse du changement institutionnel examinent comment les universités s'adaptent à l'IA — non seulement au niveau de la salle de classe, mais aussi en matière de politique, de gouvernance et de structure organisationnelle. Le cadre EPIQ-AI reconceptualise la préparation des enseignants comme un défi d'alignement sociotechnique mobilisant des registres épistémiques, pédagogiques, institutionnels et qualitatifs. Repenser les universités à l'ère de l'IA interroge la capacité des modèles institutionnels actuels à accueillir une éducation pilotée par l'IA. L'adoption n'est pas uniforme : les recherches sur les facteurs organisationnels identifient ce qui favorise ou freine l'appropriation institutionnelle, et les analyses de politique nationale montrent comment le contexte systémique façonne les réponses des universités. Un projet institutionnel concret vient de Qin (2026), qui documente le repositionnement de l'université Lingnan en « institution d'arts libéraux à intensité de recherche à l'ère du numérique », imposant la littératie en IA générative à tous les étudiants de premier cycle et intégrant la culture numérique dans le tronc commun, tout en développant un modèle d'intervention humaine dans la boucle qui place au premier plan le raisonnement éthique et le jugement critique — soutenant que le basculement vers l'IA pour l'éducation est une transformation intellectuelle et non une simple augmentation technocentrée. La cartographie à grande échelle de 22 interventions d'intégration de l'IA dans l'enseignement supérieur (AlSheikh et al., 2026) confirme que la transformation relève encore davantage de l'aspiration que de la réalité : évaluées selon le modèle SAMR, la plupart des interventions se situent au niveau de la Substitution ou de l'Augmentation, l'intégration est concentrée dans la médecine, le génie et l'informatique, avec une présence très faible des sciences humaines, et les données probantes penchent vers l'Amérique du Nord et l'Asie, avec une représentation minimale du Sud global.

Un indice comparatif mondial mesure l'écart entre discours et structure. Chan (2026) a codé les sites officiels des 100 universités classées au Times Higher Education 2026 à l'aune d'un AI Institutionalization Index à 20 indicateurs. La couche symbolique est saturée tandis que la couche structurelle est mince : 100% des établissements disposent d'un groupe de travail sur l'IA et d'un diplôme de master en IA, mais seuls 12% ont une direction de l'IA, 5% exigent un cours d'introduction à l'IA pour les étudiants de premier cycle, et 0% publient une politique d'accessibilité de l'IA alors que 93% déploient des services d'IA sur le campus.

L'institutionnalisation s'est également révélée indépendante du prestige (corrélation de rang r ≈ 0.04), avec une variation régionale significative (ANOVA F = 5.86, p < .001 ; Amérique du Nord M = 0.63 contre Europe 0.51, Asie 0.50) et une typologie en six modèles dont seul un petit sous-ensemble, composé surtout de grandes universités publiques américaines, atteint « l'institutionnalisation profonde ». L'auteur signale que l'indice est une mesure de première génération, non validée et fondée sur les seuls sites web de l'élite du top 100 — une carte comparative, et non un tableau de bord.

Que l'institution ait ou non légitimé certaines formes d'usage de l'IA générative est lui-même mesurable. Sun, Dohn et Rehm (2026) ont classé 102 études empiriques sur l'enseignement supérieur selon la manière dont le travail épistémique était réparti entre l'étudiant et le système, et ont constaté que les applications de type Assistant (42.16%) et Enabler (42.16%) dominaient, tandis que Generator, Reimaginator et Synthesizer réunis représentaient moins d'un cinquième du corpus — non pas parce que les modèles sont incapables du reste, mais parce que les formes marginales distribuent l'auctorialité d'une manière que la logique de compétence individuelle de l'université ne reconnaît pas encore. Selon eux, la contrainte déterminante pesant sur l'IA générative dans l'enseignement supérieur est la légitimité institutionnelle plutôt que la capacité technique, ce qui place la question exactement dans le même territoire de politique et de refonte de l'évaluation que la réforme de l'intégrité et de l'Évaluation.

Le déploiement de l'IA en dehors de la salle de classe est devenu une question de protection du consommateur, et l'inventaire qui en est fait du côté étudiant reste mince. Le rapport SHAPE AI de Student Defense (2026) recense les usages institutionnels de l'IA dans les admissions, le recrutement et l'aide financière, les services de réussite étudiante (conseil, accompagnement psychologique, accès aux prestations, transfert de crédits) et la dispense des enseignements — fonctionnalités intégrées aux LMS Canvas, Blackboard et D2L Brightspace, plateformes d'IA générative à l'échelle de l'établissement, systèmes de tutorat et de rétroaction, détection et surveillance d'examens — et soutient que l'adoption devance la protection. Ses six préoccupations transversales (l'adéquation entre ce que paient les étudiants et ce qu'ils reçoivent, la perte des communautés d'apprentissage, la divulgation et la transparence, la confidentialité des données, les biais et une supervision humaine calibrée) sont assorties d'un filtre d'achat en quatre questions : quel problème est résolu, si une capacité de gouvernance existe, si l'institution fait preuve de transparence, et si le déploiement crée de la valeur pour les étudiants. La position du rapport est que les États, les organismes d'accréditation et le ministère fédéral de l'Éducation ne sont pas encore en mesure de détecter ces risques, ce qui laisse la politique écrite de l'institution comme seule protection effective ; il nomme directement le mode d'échec : un établissement qui fait la promotion d'un programme porté par les enseignants alors que l'enseignement ou la conception des cours est sous-traitée à l'IA ou à des prestataires externes vend un produit différent sous son propre nom.

L'expérience étudiante à grande échelle

Les études à grande échelle sur l'usage réel de l'IA par les étudiants et sur la disponibilité de l'IA générative et la satisfaction documentent la manière dont les étudiants utilisent effectivement l'IA — révélant des écarts entre la politique institutionnelle et la pratique quotidienne. Les recherches par enquête saisissent comment les étudiants naviguent dans le paysage de l'IA, et les études sur le temps d'étude, sur les compétences en IA des diplômés et sur les perceptions des outils d'IA par les étudiants montrent que l'expérience étudiante de l'IA est mitigée — efficiente, mais souvent plus superficielle. Une grande partie de cet apprentissage universitaire se déroule désormais en ligne, où l'enseignement et l'apprentissage en ligne façonnent à la fois les bénéfices de l'IA (personnalisation à l'échelle, soutien permanent) et ses risques (intégrité académique, délestage cognitif) pour les étudiants de premier cycle. Une approche exploratoire en apprentissage automatique utilisant l'analyse SHAP a examiné comment les perceptions et les caractéristiques démographiques des étudiants sont liées à leur intention d'usage académique de ChatGPT, en privilégiant l'interprétabilité (An Exploratory Machine Learning Approach to Understanding Determinants of Future ChatGPT Use in Higher Education). Dans l'enseignement des arts et du conception, où l'IA générative met en cause la valeur de la La créativité humaine, un modèle d'apprentissage par projets articulé autour du récit numérique a cultivé les capacités émotionnelles, culturelles et narratives qui manquent à l'IA — évalué par une étude de cas intégrée de 15 semaines auprès de 426 étudiants chinois de premier cycle, qui ont transposé un patrimoine culturel local en récits IA multimodale (In the AI era: A project-based digital storytelling framework for art and design education). Les usages d'assistance et d'inclusion de l'IA générative reconfigurent aussi l'expérience étudiante pour les apprenants handicapés : Khlaif et al. (2026) — une étude de cas qualitative portant sur 21 étudiants malvoyants de premier cycle dans trois universités palestiniennes — ont constaté que l'IA générative adapte le rythme, le contenu et la modalité de transmission aux profils individuels, simplifie les textes complexes et convertit les contenus d'une modalité à l'autre, procurant aux apprenants un sentiment d'autonomie et de confiance dans leur participation en classe, tout en étant perçue comme complétant les enseignants plutôt que comme les remplaçant.

Au-delà de la salle de classe, l'IA atteint les étudiants par l'intermédiaire de l'institution elle-même — conseil, démarche proactive, orientation et allocation d'un soutien rare — ce que l'accompagnement et la réussite des étudiants rassemble comme un corpus de preuves propre. Sa mise en garde principale concernant l'échelle vient d'une évaluation randomisée sur quatre ans (N = 8,708) dans laquelle les relances à l'inscription ont déplacé une échéance de 34 points de pourcentage, tandis que l'obtention du diplôme, les crédits et la moyenne générale ne bougeaient pas du tout.

Études supérieures et formation professionnelle

La base de connaissances est fortement pondérée vers les études de premier cycle, et elle abrite la préparation aux études supérieures et aux professions au sein de pages dédiées à des disciplines particulières (l'enseignement des professions de santé, la formation en gestion, la formation des enseignants) plutôt que dans une page distincte consacrée aux études supérieures. Deux courants portent néanmoins spécifiquement sur les étudiants de master, de doctorat et les étudiants en filière professionnelle : la formation à la recherche, et les programmes de diplômes professionnels.

La pratique de recherche au niveau postgraduate est le plus distinctif des deux. Dai et Chan (2026) ont analysé la manière dont 28 étudiants-chercheurs de troisième cycle, répartis en sept groupes de discussion, mettaient en œuvre la Littératie en IA dans leurs travaux de recherche assistés par IA générative, et ont trouvé chez eux des utilisateurs calibrés plutôt que des adoptants passifs — assortissant les outils aux tâches selon les enjeux perçus et les normes disciplinaires, conservant une supervision humaine et traçant eux-mêmes la frontière entre une aide acceptable à la rédaction et la substitution de leur raisonnement. Leur constat central est un déficit de politique : les consignes institutionnelles sur l'IA générative portent sur l'enseignement, l'apprentissage et l'évaluation, mais ne disent presque rien du processus de recherche ; les auteurs proposent donc des lignes directrices orientées vers les chercheurs, qui étayent chaque dimension de la littératie en IA tout au long du flux de travail de recherche, pour les chercheurs et leurs encadrants. Oh, Talton et Bui (2026) abordent la même population du côté institutionnel : parmi 93 étudiants de troisième cycle et postdoctorants en sciences biologiques suivant un cours obligatoire d'éthique de la recherche, trois signaux comportementaux simples observés avant le cours ont permis de constituer des profils d'entrée légers pour un enseignement adaptatif de l'L'éthique, tandis que les crédits de cours d'IA antérieurs ne prédisaient aucun des cinq résultats de perception. L'IA transforme également l'équipe de recherche elle-même — l'analyse de 147,074 publications depuis 2020 associe la rédaction assistée par IA à des équipes plus petites, moins pourvues en seniors, produisant des travaux très cités, renversant la dérive pluridécennale de la « Big Science » vers des collaborations toujours plus grandes — et une étude de cas menée par un seul chercheur documente ce à quoi ressemble un soutien agentique soutenu dans le flux de travail propre à un chercheur.

Les programmes de diplômes professionnels concentrent l'essentiel des données probantes de niveau troisième cycle, et ils sont organisés par discipline. Dans l'enseignement des professions de santé, un essai contrôlé randomisé portant sur 100 étudiants en médecine de troisième année a testé un système multi-agents fondé sur les LLM — patient simulé, tuteur socratique, évaluateur au niveau du tour de parole — organisé autour de fonctions d'L'étayage explicites pour la formation à l'entretien clinique, tandis que le cadre SCAN reconceptualise l'usage de l'IA par les étudiants en problème de répartition des tâches et de classification métacognitive en temps réel, plutôt qu'en détournement de la part de l'apprenant. La préparation au niveau master apparaît chez Zhu et al. (2026), dont le modèle D–T–E a accru la compétence en conception pédagogique d'étudiants au M.Ed. d'mathématiques (d de Cohen = 0.62) en faisant intervenir trois LLM comme « relecteurs intelligents » dans une boucle conception–rétroaction–réflexion. La manière dont les étudiants conceptualisent l'IA générative et leur propre professionnalisation recoupe l'ensemble de ces programmes, tandis que l'apprentissage professionnel en milieu de travail et la formation continue — adjacents à, mais distincts des études de troisième cycle — sont traités dans l'Apprenants adultes et la Apprentissage en milieu professionnel.

Corps enseignant et enseignement

Les recherches sur l'Le développement éducatif examinent comment les enseignants adoptent l'IA, y résistent ou s'y adaptent. Les études sur l'adoption de l'IA par les enseignants identifient la confiance, le soutien et l'attitude comme prédicteurs clés. Les recherches sur la rétroaction discrétionnaire assistée par IA explorent si l'IA accroît la qualité et la quantité de rétroaction fournie par les enseignants, et les recherches en éthique pèsent la question de savoir si les enseignants devraient utiliser l'IA pour la rétroaction, même. Les recherches sur les points de vue du personnel et les études phénoménographiques des conceptions des enseignants sondent la manière dont les enseignants comprennent leur rôle en mutation. Dans les grands groupes, l'IA peut désormais prendre en charge une part croissante de la charge de rétroaction : une expérience de terrain d'un semestre dans les travaux dirigés de macroéconomie de premier cycle (Geschwind et al., 2026) a montré que la rétroaction individuelle générée par GPT-4 soutenait la participation la plus élevée sur huit tâches ouvertes et produisait les plus grands gains d'apprentissage en contenu, positionnant la rétroaction par IA comme un complément évolutif à la rétroaction de l'enseignant et un substitut à la rétroaction par les pairs peu fiable. Une voie complémentaire pour les grands cours de STIM de premier cycle est un système d'assistant d'enseignement diagnostique : Arthur (Yin et al. 2026) utilise un socle ML appliqué question par question pour fournir une rétroaction en temps réel et personnalisée sur les questions de formules calculées d'économie appliquée à l'ingénierie — un domaine où les solutions manuscrites avaient auparavant bloqué tout soutien par IA — via une interface web fondée sur le dialogue et une banque de questions, qui arbitre entre la précision de la rétroaction et l'efficacité de la collecte. Farazouli et al. (2026) saisissent la dimension émotionnelle de ce changement : 24 enseignants universitaires suédois ont vécu l'émergence de l'IA générative comme alarmante et déstabilisante, faisant état d'un « état de vulnérabilité » (faible confiance, insécurité, crainte de « ne pas devancer les étudiants ») et se sentant « coincés » entre des discours utopiques et dystopiques — tout en repensant l'Évaluation et en réévaluant leurs priorités vers la pensée critique et un usage éthique de l'IA générative.

Évaluation et intégrité

La Intégrité académique et la recherche sur la réforme de l'évaluation par l'IA se confrontent à la question de savoir comment les universités devraient reconcevoir l'évaluation pour un public étudiant capable d'utiliser l'IA. Les approches centrées sur la détection cèdent la place à l'Évaluation authentique et à l'évaluation fondée sur le processus, notamment les examens oraux, les jumeaux d'évaluation et la refonte de l'évaluation authentique. Ce déplacement traduit une préoccupation plus profonde : comment les étudiants et les institutions définissent la triche avec l'IA, et la qualité des supports d'évaluation générés par IA. L'automatisation de la correction elle-même arrive à maturité pour les travaux universitaires à réponse ouverte : Pecuchova, Benko & Drlik (2025) ont évalué onze modèles d'IA générative et de plongement de phrases sur 1,885 réponses à 24 questions d'examen en génie logiciel, et ont constaté que seul GPTo1 atteignait un accord quasi parfait avec deux correcteurs humains experts (kappa de Fleiss 0.82), les modèles sensibles au contexte surpassant ceux fondés sur des réponses de référence — mais les coûts de son API propriétaire ont conduit les auteurs à recommander un déploiement hybride avec intervention humaine dans la boucle pour les établissements aux ressources limitées. Au niveau des filières professionnelles, Olvet et al. (2026) montrent que la correction par Grands modèles de langue (LLM) (GPT-4) de questions d'examen à réponse ouverte de médecine préclinique peut atteindre un accord substantiel à quasi parfait avec les correcteurs enseignants (kappa pondéré jusqu'à 0.94) après un affinement itératif de la grille par des humains, tout en recommandant encore de garder des humains dans la boucle pour arbitrer les divergences résiduelles. En complément de ces données au niveau du modèle, Falahat, Das, Bhaumik & Thambi (2026) ont corrigé un examen universitaire de pharmacie de 21 items avec ChatGPT-5 et ont trouvé un accord quasi parfait avec les enseignants sur les items objectifs (CCC 0.935–1.000), mais un accord peu fiable sur les items à réponse courte et les questions de dissertation, la fourniture de grille n'améliorant pas systématiquement la performance — ce qui renforce l'argument en faveur d'une correction hybride, avec intervention humaine dans la boucle dans l'évaluation universitaire.

Implications pour les enseignants du supérieur

• Concevoir l'évaluation pour un public étudiant capable d'utiliser l'IA. Les approches d'intégrité centrées sur la détection cèdent la place à l'évaluation authentique et fondée sur le processus (au-delà de la détection, réforme de l'évaluation) — reconcevez ce que vous évaluez, et pas seulement la manière dont vous le surveillez.
• Repenser la question « que doivent encore apprendre les étudiants à la main ? ». Comme en informatique, décidez quelles compétences doivent être préservées (vérification, jugement, processus) et faites-en le cœur évalué, plutôt que de supposer que les compétences en IA se transfèrent automatiquement.
• Traiter la préparation des enseignants comme un enjeu sociotechnique, et pas seulement technique. EPIQ-AI structure la préparation selon des registres épistémiques, pédagogiques, institutionnels et qualitatifs — alignez votre pratique d'enseignement sur la gouvernance institutionnelle, et pas seulement sur la maîtrise des outils.
• Combler l'écart entre politique et pratique. Les études à grande échelle (AI in the wild) montrent que les étudiants utilisent l'IA d'une manière que la politique institutionnelle n'anticipe pas — alignez vos attentes sur l'usage réel et enseignez explicitement la Littératie en IA.
• Utiliser l'IA pour élever la qualité et la quantité de rétroaction. La rétroaction assistée par IA peut accroître la rétroaction que délivrent les enseignants ; associez-la à un jugement humain afin qu'elle améliore l'apprentissage au lieu de se contenter d'automatiser.
• Vous engager délibérément dans l'innovation de la notation et de l'évaluation. Mesny, Roberge-Maltais & Galy (2026) soutiennent que l'Évaluation et la notation comptent parmi les facteurs les plus influents sur l'apprentissage dans l'enseignement supérieur, alors qu'ils restent peu étudiés dans des champs comme l'enseignement de la gestion (58 articles seulement sur 20 ans dans quatre revues de premier plan). Les approches traditionnelles, sommatives à outrance et fondées sur la norme minent l'apprentissage profond, le Le bien-être, l'équité et l'intégrité à l'ère de l'IA générative ; les auteurs invitent les enseignants à s'engager de manière plus active et réciproque dans cinq pratiques innovantes (évaluation authentique, auto- et évaluation par les pairs, réévaluation, notation fondée sur les standards, absence de notation), en notant que leur mise en œuvre exige un soutien institutionnel et culturel ainsi qu'une expérimentation progressive.
• Traiter la formation à la recherche et l'encadrement comme un lieu de littératie en IA à part entière. Les chercheurs de troisième cycle mettent en œuvre la Littératie en IA comme une pratique située plutôt que comme un ensemble de compétences figé, et les consignes institutionnelles s'arrêtent largement à l'enseignement et à l'évaluation. Les consignes relatives aux travaux de thèse, de mémoire et de publication devraient étayer concrètement la vérification, l'attribution et la divulgation pour chaque dimension de la littératie en IA — et de simples signaux observés avant le cours peuvent cibler ce soutien dans les cours d'éthique de la recherche — au lieu d'édicter des règles binaires.

Concepts liés

• Patrons pédagogiques — Le niveau où la majeure partie des preuves de séquences testées a été produite
• Enseignement et apprentissage en ligne — Enseignement et apprentissage en ligne
• L'IA générative — Technologies et modèles d'IA générative
• Grands modèles de langue (LLM) — Grands modèles de langue
• L'expérience étudiante — Expérience étudiante avec l'IA dans l'enseignement supérieur
• Le développement éducatif — Développement des enseignants et préparation à l'IA
• Intégrité académique — Intégrité académique face à un public étudiant capable d'utiliser l'IA
• Littératie en IA — Littératie en IA pour les étudiants et les enseignants
• Validité de l'évaluation — Validité de l'évaluation à l'ère de l'IA générative
• La politique d'IA en éducation — Politique éducative en matière d'IA
• Réglementation de l'IA dans l'éducation — Réglementation de l'IA dans l'éducation
• Surveillance à distance des examens — Surveillance d'examens à distance et intégrité automatisée des épreuves
• Apprentissage autodirigé — Apprentissage autodirigé avec l'IA
• Apprentissage par problèmes — Apprentissage par problèmes avec l'IA
• L'enseignement — Évolution du rôle enseignant dans les classes avec IA
• Parties prenantes — Parapluie : acteurs et publics de l'éducation à l'IA (apprenants, enseignants, concepteurs, administrateurs, décideurs)
• Arts, design et enseignement des médias
• Soutien aux étudiants et réussite — conseil, démarche proactive, orientation et allocation du soutien — le volet institutionnel de la réussite étudiante

Articles liés

• Faculty Readiness for AI-Supported Teaching and Scalable Online Program Delivery in Higher Education: The EPIQ-AI Framework for Epistemic Integrity — Cadre EPIQ-AI de préparation des enseignants
• AI in the Wild: A Large Scale Analysis of Authentic Interactions of College Students with Generative AI — AI in the Wild : usage de l'IA par les étudiants de premier cycle
• A Framework for Institutional Change in the Age of AI — Changement institutionnel à l'ère de l'IA
• Generative AI Availability, Grades, and Student Satisfaction at a Large University — Disponibilité de l'IA générative et satisfaction des étudiants
• A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform — Échelle d'évaluation de l'IA et réforme
• The University AI Didn''t Replace: Rethinking Universities in the AI Era — Repenser les universités à l'ère de l'IA
• AI Adoption Among Teachers: Insights on Concerns, Support, Confidence, and Attitudes — Adoption de l'IA parmi les enseignants
• 'AI Should Help Them Learn, Not Learn for Them': University Staff Perspectives on the Role of Generative AI in Education — Points de vue du personnel sur l'IA générative dans l'enseignement supérieur
• Exploring Organisational Drivers and Innovation Attributes of Artificial Intelligence Adoption in Higher Education — Facteurs organisationnels de l'adoption de l'IA dans l'enseignement supérieur
• Is It Ethical for Teachers to Use AI for Student Feedback? — L'IA dans la rétroaction aux étudiants : éthique
• Beyond Detection: Redesigning Authentic Assessment in an AI-Mediated World — Au-delà de la détection : reconcevoir l'évaluation authentique dans un monde médiatisé par l'IA
• "It is a temptation to get it to do the work…" Student Experiences of Navigating the Generative AI Landscape in UK Higher Education: A Cross-Institutional Survey with International Comparison — Expériences de l'IA générative chez les étudiants de l'enseignement supérieur britannique (enquête)
• AI skills for college graduates: Exploring how instructors and employers prioritize AI skills differently — Enseignants et employeurs face aux compétences en IA des diplômés de premier cycle
• Faster Completion, Less Learning: Generative AI Reduced Study Time on Math Problems and the Knowledge They Build — Baisse de 26.9% du temps d'étude chez les étudiants de premier cycle
• Artificial Intelligence in UK Higher Educational Policy and Institutional Decision Making — Politique d'IA dans l'enseignement supérieur britannique
• Is using artificial intelligence tools for academic work cheating? Student perceptions, ethics, and the impact on academic performance and critical thinking — Outils d'IA, travaux académiques et triche
• Assessing the Quality of AI-Generated Exams: A Large-Scale Field Study — Évaluer la qualité des examens générés par IA : une étude de terrain à grande échelle
• Reconsidering the Use of Oral Exams and Assessments: An Old Way to Move Into a New Future — Reconsidérer les examens oraux comme évaluation authentique et résistante à l'IA
• Assessment twins: An approach for strengthening assessment validity in the age of generative AI — Jumeaux d'évaluation pour renforcer la validité de l'évaluation à l'ère de l'IA générative
• Students' Perceptions of Artificial Intelligence Tools for Study Productivity and Learning: An Exploratory Survey Study — Students' Perceptions of Artificial Intelligence Tools for Study Productivity and Learning: An Exploratory Survey Study
• Understanding what good education is: a phenomenographic investigation of university teachers' understandings of AI — étude phénoménographique des conceptions de l'IA chez les enseignants universitaires
• AI for Education: The Digital Transformation of a Liberal Arts Institution — Implementation at Lingnan University — Transformation numérique d'une université d'arts libéraques vers un modèle à intensité de recherche à l'ère de l'IA générative (Qin 2026)
• Mapping artificial intelligence integration in higher education: A systematic review using the FACETS and SAMR frameworks — Revue systématique cartographiant l'intégration de l'IA dans l'enseignement supérieur via les cadres FACETS + SAMR (AlSheikh et al., 2026)
• Navigating uncertainty: university teachers' experiences and perceptions of generative artificial intelligence — Expériences et perceptions des enseignants universitaires face à l'IA générative : vulnérabilité, remise en question de l'évaluation, apprentissage étudiant menacé (Farazouli et al., 2026)
• GPT-4 feedback increases student activation and learning outcomes in higher education
• Automated Grading of Open-Ended Questions in Higher Education Using GenAI Models
• Innovative assessment and grading practices in higher education: A critical exploration for management educators
• Shaping Responsible GenAI Use in Research Through AI Literacy-Oriented Guidelines: Insights From Postgraduate Students — Usage de l'IA générative par les chercheurs de troisième cycle dans le flux de travail de recherche et lignes directrices orientées vers la littératie en IA (Dai & Chan 2026)
• How colleges and universities are adopting AI in higher education: a global comparative analysis — Chan (2026) : AI Institutionalization Index appliqué à 100 universités de premier rang ; le discours devance la structure, l'adoption est indépendante du prestige
• Engagement Intensity as a Learner-Modeling Signal for Adaptive AI Ethics Instruction — L'intensité de l'engagement comme signal de modélisation de l'apprenant pour un enseignement adaptatif d'éthique de l'IA (Oh, Talton & Bui 2026)
• Smaller, Younger, and More Impactful: How AI-Assisted Writing Transforms Research Teams — La rédaction assistée par IA oriente les équipes de recherche vers des collaborations plus petites, moins pourvues en seniors et très citées (Wang et al., 2026)
• StudentBench: AI and human tutoring yield equivalent GRE learning gains — StudentBench : le tutorat par IA et le tutorat humain produisent des gains d'apprentissage équivalents au GRE
• From Sentiment Classification to Actionable and Responsible Feedback: A Scoping Review and Evidence Map of NLP in Student Evaluation of Teaching, 2015–2026 — From Sentiment Classification to Actionable and Responsible Feedback: A Scoping Review and Evidence Map of NLP in Student Evaluation of Teaching, 2015–2026
• Literacy demands placed on students in student–GenAI entanglements in higher education — Les formes Assistant et Enabler dominent la recherche sur l'IA générative dans l'enseignement supérieur ; les types d'interdépendance marginaux restent rares pour des raisons institutionnelles plutôt que techniques (Sun, Dohn & Rehm 2026)
• Students at Stake: Risks of AI Deployment in Higher Education — Cartographie du déploiement de l'IA du côté des étudiants à travers les admissions, l'aide financière, les services aux étudiants et la dispense des enseignements, avec un filtre d'achat en quatre questions (Student Defense 2026)