Normes sociales de l'usage de l'IA

Sur cette page

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.

Les normes sociales de l'usage de l'IA — les règles informelles, appliquées localement, qui décident du moment où les apprenants et les enseignants peuvent utiliser l'IA générative, de l'ouverture avec laquelle ils peuvent l'admettre, et de ce qui compte comme triche dans la pratique plutôt que dans la politique. Le corpus est mince sur les normes comme sujet et épais sur les mécanismes qui les produisent. Les apprenants ne peuvent pas inférer de manière fiable l'usage de l'IA des uns et des autres : la corrélation médiane entre les estimations d'un observateur et son propre profil d'usage auto-déclaré était de r = 0,73 aux deux vagues, et l'exactitude du classement pour le type d'usage de l'IA était de r = 0,34 à la seconde vague. La honte et la culpabilité régulent la visibilité plutôt que l'usage, produisant dissimulation et divulgation sélective au lieu d'un changement de comportement. Les normes disciplinaires divergent fortement : des devoirs intégrant l'IA sont apparus dans 27% des syllabus de gestion et 5% des syllabus d'humanités sur 31 000 cours. Et la littérature formelle d'éthique achemine aux utilisateurs finaux les normes les moins nombreuses et les moins actionnables, ce qui signifie que les personnes soumises aux normes de la classe sont largement absentes des documents qui les discutent.

Questions à examiner

Si les étudiants ne peuvent pas dire qui utilise l'IA, sur quoi les règles informelles reposent-elles réellement ?
D'où viennent les normes sur l'IA lorsqu'une institution n'a pas de politique, ou lorsque la politique contredit ce que disent les enseignants en classe ?
Pourquoi un étudiant qui n'a jamais utilisé l'IA rendrait-il compte de plus de culpabilité à son sujet qu'un étudiant qui l'utilise chaque semaine ?
Qu'accomplit la honte qu'une politique ne peut accomplir, et à quel prix pour le fait de demander de l'aide ?
La surveillance change-t-elle le comportement, ou seulement la visibilité de ce comportement ?
Les normes de qui dominent dans un devoir de groupe, et qui absorbe le coût des habitudes d'IA partagées du groupe ?
Les étudiants devraient-ils avoir voix au chapitre dans la rédaction des normes auxquelles ils sont tenus ?

Introduction

La réglementation formelle de l'IA dans l'éducation arrive sous forme de politique : déclarations d'usage acceptable, clauses de syllabus, procédures d'détection, systèmes de surveillance, codes d'honneur. Tout ce que les étudiants éprouvent réellement, cependant, se situe sous cette couche. Un camarade de classe qui ne mentionne jamais utiliser ChatGPT, un enseignant qui dit « je me moque de la manière dont vous l'écrivez » puis l'interdit dans le syllabus, un groupe d'étude qui s'est discrètement mis d'accord sur ce qui est juste, un département où tout le suppose que la courbe de notation a déjà changé. Ce sont des normes : des attentes partagées quant au comportement acceptable, appliquées par l'approbation, la désapprobation et le risque d'être vu.

Cette page rassemble ce que la base de preuves dit de cette couche. Il convient de bien la distinguer, parce que l'expression « curriculum caché » est souvent utilisée de manière relâchée pour désigner tout ce qui est officieux. Ici, le sujet est plus étroit : les règles opératoires sur l'usage de l'IA, la manière dont elles se forment, dont elles sont appliquées, et la faiblesse du lien qui les unit aux règles écrites. Le corpus ne compte presque aucune étude qui mesure directement les normes, ce qui est en soi un constat. Ce qu'il comporte, ce sont des preuves répétées sur les mécanismes : l'inférence, la divulgation, l'émotion, et la variation disciplinaire qui façonne ce que toute norme locale peut devenir.

Ce que les étudiants croient les uns des autres

Les normes exigent une information sur le comportement d'autrui, et cette information est pire que ne le supposent la plupart des enseignants. Une étude de paires d'étudiants a suivi l'exactitude avec laquelle les apprenants jugeaient l'usage de l'IA d'un partenaire au fil de séances de programmation en binôme. Face au propre profil d'usage auto-déclaré de chaque partenaire, la corrélation médiane était de r = 0,73 aux deux vagues, assez élevée pour donner le sentiment d'un savoir et assez faible pour que de nombreuses estimations individuelles fussent fausses. L'exactitude du classement pour le type d'usage de l'IA était de r = 0,34 à la seconde vague, et 25% des équipes sont devenues moins bonnes pour juger leurs coéquipiers avec le temps.

Deux détails comptent pour les normes. D'abord, le désalignement n'a pas diminué avec un travail répété en face à face. La familiarité n'a pas produit d'exactitude, ce qui mine l'hypothèse que les normes se stabilisent à mesure que les groupes apprennent à se connaître. Ensuite, le correctif proposé par les auteurs était structurel plutôt qu'attitudinal : des historiques de prompts partagés, des annotations d'usage de l'IA, ou des enregistrements visibles par les pairs du travail appuyé par l'IA. Rendre visible l'usage de l'IA est un projet différent de celui qui consiste à rendre les étudiants plus honnêtes ou plus perspicaces à son sujet, et seul le premier dispose de preuves derrière lui.

Visibilité, honte et divulgation sélective

Si les pairs ne peuvent pas percevoir exactement l'usage de l'IA, alors les règles qui se développent autour d'elle sont appliquées largement par le risque social. Une étude d'entretiens menée auprès de 19 étudiants en informatique a examiné la honte et la culpabilité comme régulateurs sociaux, et a constaté qu'ils gouvernent la divulgation plutôt que l'usage. Les étudiants ont décrit des comportements de dissimulation et de divulgation sélective, et ils ont rendu compte du fait de se faire honte à eux-mêmes, à leurs pairs et à leur corps professoral. Le résultat négatif important est que ces émotions ont coexisté avec un usage continu de l'IA, générant des cycles d'agentivité réduite et de tension morale plutôt qu'incitant quiconque à arrêter.

Ce schéma déplace la norme de « utiliser ou ne pas utiliser » vers « admettre ou ne pas admettre ». Une classe peut avoir une forte norme anti-IA sur le papier, un usage répandu dans la pratique, et un équilibre de silence entre les deux, sans que personne ne soit confus sur ce que dit la règle. Cela prédit aussi où le coût atterrit : sur les apprenants les moins capables de gérer le risque social, et sur les apprenants dont l'usage visible porte des conséquences différentes.

Le côté enseignant de la même émotion est mesurable. Une enquête auprès du corps professoral utilisant un AI Guilt Index à quatre items (alpha de Cronbach = 0,88) a constaté une culpabilité anticipatoire supérieure au remords éprouvé : le score moyen de l'indice était de 2,39 (ET = 1,01), 22,9% des participants se situant au-dessus du point médian. Les non-utilisateurs d'IA ont rendu compte d'une culpabilité plus élevée (M = 3,25, ET = 1,04, n = 8) que les utilisateurs (n = 101, M = 2,32, ET = 0,97), t(8,39) = 2,00, p = 0,078, et l'item de remords a séparé les groupes plus nettement, t(7,79) = 2,44, p = 0,041. L'analyse par grappes a produit quatre profils : Comfortable Adopters (26,6%), Guilty Non-Users (29,4%), Cautious Users (28,4%) et Morally Distressed Avoiders (15,6%), avec des différences confirmées sur la culpabilité, F(3, 105) = 22,13, p < 0,001, eta carré = 0,39.

Une norme qui fait se sentir coupables des gens qui n'ont pas agi accomplit son travail par l'anticipation. C'est un véritable mécanisme régulateur, et il est invisible à tout audit de politique qui ne regarde que ce que font le corps professoral et les étudiants.

Le livre de règles local : disciplines et classes

Les normes sont locales, et les preuves sur la mesure de ce caractère local sont exceptionnellement concrètes. Une analyse de 31 000 syllabus de cours a constaté que les devoirs intégrant l'IA allaient de 27% en gestion à 5% en humanités. L'étendue n'est pas une lacune de conformité aux politiques ; elle traduit des jugements disciplinaires différents sur ce qu'est le travail, sur ce que vaut la pratique, et sur les compétences qu'un titre est censé certifier. La recommandation des auteurs en découle : accorder aux enseignants une autonomie au sein de normes disciplinaires plutôt que d'émettre des injonctions uniformes, parce que l'injonction devrait être rédigée pour une moyenne qui n'existe pas.

La couche de la classe peut aussi contredire la couche du document dans un même cours. Des entretiens avec des étudiants en marketing ont constaté que les normes entre pairs et la volonté de « ne pas prendre de retard » menaient l'adoption, le bouche-à-oreille étant décrit comme la plus grande promotion que l'IA ait eue, soutenu par la crainte de rester à la traîne. La même étude a enregistré une contradiction que les enseignants reconnaîtront : certains cours exigeaient l'IA tandis que le syllabus l'interdisait, et l'encouragement en classe d'un enseignant ne survivait pas toujours jusque dans la politique écrite. Lorsque les deux sont en désaccord, les étudiants traitent la norme parlée comme la norme opératoire, et le syllabus comme un passif à gérer.

Le travail de groupe est le lieu où les normes informelles font le plus de travail, parce que l'unité notée est collective. Une étude de 52 enseignants en formation initiale répartis en 15 groupes de discussion a identifié des schémas distincts plutôt qu'une ligne unique allant de l'enthousiasme à l'évitement, les groupes négociant ce qui comptait comme assistance légitime en l'absence d'une règle partagée. Tout étudiant qui a vu un groupe se mettre discrètement d'accord sur l'usage de l'IA par un membre a vu une norme s'écrire en temps réel, sans processus politique et généralement sans trace.

Éthique formelle, normes vécues

La littérature professionnelle sur l'éthique de l'IA et la norme de classe qu'elle est censée atteindre s'éloignent l'une de l'autre, et l'écart est documenté. Une revue systématique des valeurs et normes éthiques a extrait les normes de 15 articles et les a projetées sur quatre ensembles de parties prenantes issus de Smuha (2022). Les développeurs ont reçu le plus de normes, suivis des instituts éducatifs et des régulateurs. Les utilisateurs finaux ont reçu les normes les moins nombreuses et les moins actionnables, aucune norme ne traitant directement les étudiants sur la non-discrimination, la gestion des données ou l'adéquation éducative, et les voix étudiantes étant essentiellement absentes du matériau.

Le résultat est une littérature qui spécifie des obligations pour les gens qui construisent et achètent l'IA, et laisse les gens qui vivent avec elle dans la classe élaborer leurs propres règles. C'est une explication plausible de la raison pour laquelle les normes que décrivent les étudiants, comme dans l'étude sur la honte et la culpabilité, portent si souvent sur la visibilité et la réputation plutôt que sur les valeurs que nomment les documents d'éthique. Les deux systèmes régulent des choses différentes.

Pourquoi la surveillance ne tranche pas la question des normes

Lorsque les institutions cherchent à remplacer les normes informelles par une surveillance formelle, les preuves sont constantes et peu flatteuses. Une étude à quatre vagues portant sur 1 760 étudiants répartis dans 105 cours a constaté que la surveillance en ligne augmentait significativement l'anxiété d'examen, et n'avait aucun effet sur la tentation de tricher. Elle n'a pas non plus changé la difficulté perçue ni la performance à l'examen. Le coût en anxiété était concentré parmi les étudiants déjà vulnérables, notamment ceux dont l'environnement domestique était fragile et la technologie peu fiable.

Deux autres études expliquent pourquoi la surveillance est un mauvais outil pour établir des normes. Une revue de portée de la surveillance à distance a constaté que le contrôle était largement perçu comme dissuadant les manquements, mais que des chargés de cours sud-africains rendaient compte d'une malhonnêteté persistante malgré un contrôle actif, une situation que Khalil et coll. (2022) appellent « subterranean ethics », et que de fréquentes alertes mineures généraient des faux positifs et du travail de revue pour le corps professoral. La surveillance achète la conformité par la crainte de la détection plutôt que par l'engagement envers une norme partagée. Un modèle de l'évaluation sous information imparfaite aiguise le mécanisme : la dissuasion dépend de la capacité d'un détecteur à discriminer entre usage caché et travail légitime, plutôt que de son taux de capture, et lorsque les faux positifs croissent plus vite que les vrais positifs, les étudiants se désengagent du système au lieu de s'y conformer. Son résultat supplémentaire est celui qui porte directement sur les normes : le contrôle abaisse l'attrait de l'usage caché, mais il n'augmente pas l'divulgation. Les étudiants ne se déplacent vers l'ouverture que lorsque le fait de rendre compte est plus sûr ou plus précieux que la dissimulation, et une interdiction peut rendre la dissimulation plus attrayante que la conformité.

L'argument de justice procédurale en tire la conclusion : parce que l'usage habile ou légèrement édité de l'IA est indétectable dans le cas général, une procédure de manquement bâtie sur la détection produit de l'injustice sans efficacité, et la réponse est une meilleure évaluation, non une meilleure surveillance.

Le coût de cette substitution apparaît là où le corps professoral et les étudiants parlent réellement. Sur 253 222 enregistrements liés à l'IA provenant de 26 sous-forums Reddit sur l'éducation, un tiers de tous les fils de discussion entre corps professoral et étudiants portaient sur des différends de détection ou d'application, les étudiants en ouvraient 68,4%, et la négativité prédisait l'engagement (ρ = −0,72) — le conflit adversatif, et non la délibération, est la forme de contact entre rôles la plus volumineuse au sujet de l'IA générative (Yüce et coll. (2026)).

Ce que cela signifie pour la pratique

Rendre l'usage visible au lieu de l'inférer. Les étudiants ne peuvent pas se juger les uns les autres avec exactitude, et la collaboration répétée n'y remédie pas. Des enregistrements partagés légers du travail appuyé par l'IA, des annotations ou des historiques de prompts donnent à un groupe quelque chose de factuel sur quoi raisonner.
Vous attendre à ce que la norme parlée batte la norme écrite. Si ce qui se dit en classe contredit le syllabus, les étudiants suivront la classe. L'alignement entre les deux vaut plus qu'une clause plus stricte.
Traiter la divulgation comme un problème de conception, non comme un problème de vertu. La divulgation devient probable lorsque le fait de rendre compte est plus sûr ou plus précieux que la dissimulation. Cela signifie rendre l'usage divulgué lisible dans l'évaluation elle-même, plutôt que de réclamer l'honnêteté comme un trait de caractère.
Respecter la variation disciplinaire. Un écart de 27% à 5% entre départements n'est pas une incohérence à normaliser, ce sont des jugements différents sur ce que le titre certifie. Les injonctions à l'échelle de l'institution tendent à être rédigées pour une discipline qui n'existe pas.
Ne pas se tourner vers le contrôle pour établir des normes. La surveillance a accru l'anxiété sans changer la tentation de tricher dans la plus forte étude disponible, et elle concentre ce coût sur les étudiants les moins avantagés.
Demander qui manque à la norme. La littérature d'éthique n'assigne aux étudiants presque aucune obligation et tient peu compte de leur jugement, tandis que la classe leur en assigne beaucoup et l'applique socialement. Combler cet écart est une question de curriculum, non une question de conformité.

Concepts liés

Intégrité académique — le livre de règles formel aux côtés duquel ces normes se développent
Déclarations d'utilisation et de divulgation de l'IA — la pratique que les normes régulent le plus directement
La manière dont l'usage de l'IA est présenté aux étudiants — la manière dont une classe énonce ses attentes
Réduire les mésusages de l'IA — la contrepartie pédagogique de l'établissement des normes
Identité de l'apprenant — qui est un apprenant, aux yeux d'autrui, lorsque son usage de l'IA devient visible
Détection de l'IA — la réponse technique qui échoue pour l'essentiel
Surveillance à distance des examens — la surveillance comme substitut tenté aux normes
Confiance — ce dont dépendent à la fois les normes et la divulgation
L'équité — qui absorbe le coût social
Recherche d'aide — le comportement que la honte supprime en premier
Travail en groupe — là où se négocient les normes de groupe
L'expérience étudiante — le versant vécu de tout cela
Anxiété et stress — le résidu affectif
La gouvernance de l'IA — la couche formelle sous laquelle se situent ces normes
L'éthique — la littérature qui a le moins à dire aux étudiants

FAQ liées

Métadonnées

Niveau	Higher Ed
Public visé	Instructors, Administrators
Apprentissage et enseignement	Apprentissage collaboratif, La motivation, Recherche d'aide
Technologies et techniques	L'IA générative
Évaluation et mesure	Évaluation par les pairs, Travail en groupe, Détection de l'IA, Surveillance à distance des examens, Évaluation
Équité, éthique et usage responsable	Déclarations d'utilisation et de divulgation de l'IA, Confiance, L'équité, La vie privée, Usages abusifs de l'IA et préjudices pour l'apprentissage
Fondements de l'IA dans l'éducation	Intégrité académique, La manière dont l'usage de l'IA est présenté aux étudiants, Identité de l'apprenant

Source History Edit Chat