Les modèles d'adoption des technologies

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 modèles d'adoption des technologies (Technology adoption models) sont les cadres théoriques utilisés pour expliquer et prédire pourquoi des individus et des institutions acceptent, adoptent et continuent d'utiliser de nouvelles Technologies de l'IA — et, dans la recherche sur l'IA en éducation, pourquoi les apprenants, les enseignants et les organisations adoptent les outils d'IA générative. Plutôt qu'un modèle unique, il s'agit d'une famille de théories qui partagent des racines dans la recherche sur les systèmes d'information et la psychologie sociale, dont le Technology Acceptance Model (TAM) est l'application la plus répandue. La base de connaissances traite ces modèles ensemble parce que les études sur l'adoption de l'IA générative les combinent régulièrement (TAM + UTAUT, TAM + TPB, UTAUT + ARCS) et parce que leurs construits centraux — l'utilité perçue, la facilité d'usage perçue et l'influence sociale — reviennent dans presque toutes les études sur l'acceptation de l'IA en éducation.

Questions à examiner

Pensez à un moment où vous avez adopté une nouvelle application, un nouvel outil ou un nouveau service d'IA — et à un moment où vous en avez abandonné un. Qu'est-ce qui a réellement déterminé chaque décision : l'utilité apparente, la facilité d'usage, ou ce que faisaient les gens autour de vous ? Quel facteur soupçonnez-vous d'être le plus déterminant, et une enquête peut-elle réellement le saisir ?
Une croyance répandue veut que « si un outil est clairement utile, les gens l'utiliseront ». Avez-vous vu des situations où une technologie réellement utile n'a malgré tout pas réussi à s'imposer, ou une technologie aux limites évidentes s'est néanmoins répandue ? Qu'est-ce qui pourrait expliquer l'écart entre l'utilité objective et l'adoption réelle ?
Les cadres d'adoption comme le TAM ont été conçus dans les années 1980 pour des systèmes assez simples. Si vous avez utilisé l'IA générative, en quoi diffère-t-elle d'un traitement de texte ou d'un environnement numérique d'apprentissage — et pourquoi un modèle bâti autour de la « facilité d'usage » et de l'« utilité » pourrait-il peiner à saisir la manière dont les gens se rapportent à quelque chose qui répond ?
Les chercheurs disent souvent que le risque perçu et la confiance importent moins que prévu pour l'adoption de l'IA. Avant de poursuivre votre lecture, que prévoyez-vous : les étudiants adoptent-ils l'IA parce qu'ils lui font confiance, malgré les risques, ou ces préoccupations sont-elles en réalité mineures face à la commodité et à la pression sociale ?
La page soutient que les cadres d'adoption traitent l'usage d'un outil comme une décision unique, alors qu'un usage efficace relève peut-être d'un jugement continu. Où, dans votre propre pratique ou celle de vos étudiants, la frontière entre « choisir d'utiliser l'IA » et « décider continuellement comment bien l'utiliser » semble-t-elle s'estomper — et qu'est-ce qui changerait si nous mesurions cela au lieu de la simple appropriation ?
Certains chercheurs regroupent les apprenants en différents « personas d'adoption » au lieu de supposer qu'un modèle unique convient à tous. Quelles différences voyez-vous parmi vos propres apprenants, collègues ou étudiants qu'un modèle moyen unique d'adoption pourrait masquer — et comment ces différences pourraient-elles façonner la manière dont vous les soutenez ?

Introduction

Données probantes méta-analytiques sur l'adoption de l'IA. Une méta-analyse de l'adoption de l'IA par les étudiants du supérieur (233 corrélations, 32 études, N = 16,977) trouve des corrélations positives modérées pour les facteurs individuels (r = 0.57), contextuels (r = 0.53) et technologiques (r = 0.50), les intentions d'usage étant le prédicteur le plus fort (r = 0.64) et les risques perçus et la confiance plus faibles que prévu. Sa critique centrale est que le champ s'appuie excessivement sur les cadres traditionnels TAM/UTAUT, antérieurs aux systèmes intelligents modernes, et néglige des facteurs propres à l'IA tels que l'anthropomorphisme et l'éthique — soutenant que ces lacunes importent pour l'avancée de la théorie et d'une politique fondée sur les données probantes.

La famille de modèles

Le Technology Acceptance Model (TAM)

Proposé par Davis (1989), le TAM explique l'adoption par deux croyances centrales — l'utilité perçue (Perceived Usefulness, PU) et la facilité d'usage perçue (Perceived Ease of Use, PEOU) — qui façonnent l'attitude (ATT) des utilisateurs, puis l'intention comportementale (BI), puis l'usage réel. Fondé sur la théorie des systèmes d'information (adaptée de la Theory of Reasoned Action), le TAM est devenu le cadre dominant pour l'adoption de l'IA générative en éducation. Dans la recherche éducative sur l'IA générative, il est fréquemment étendu par la littératie en IA, la confiance, l'influence sociale, la théorie de l'autodétermination et l'usage critique pour saisir la complexité de l'adoption au-delà de la simple appropriation.

UTAUT / UTAUT2 / UTAUT3

La Unified Theory of Acceptance and Use of Technology consolide le TAM avec huit modèles antérieurs en quatre déterminants centraux — l'attente de performance, l'attente d'effort, l'influence sociale et les conditions facilitantes (UTAUT2 ajoutant la motivation hédonique, la valeur du prix et l'habitude ; UTAUT3 ajoutant l'innovativité personnelle). La base de connaissances applique l'UTAUT aux populations d'enseignants et d'étudiants : les enseignants autrichiens de mathématiques du secondaire (UTAUT avec 448 enseignants), les enseignants de sciences en formation initiale au Ghana (UTAUT + TPB) et les étudiants du Lesotho (UTAUT3 + ARCS, utilisant PLS-SEM et fsQCA). Jácome-Vásconez et al. étendent l'UTAUT2 par l'IA explicable (Random Forest, SHAP, NCA, IPMA, K-Means) auprès de 522 étudiants universitaires, trouvant l'habitude comme le plus fort prédicteur de l'intention d'utiliser ChatGPT et montrant que l'attente d'effort est une condition nécessaire plutôt qu'un moteur linéaire — un résultat visible seulement lorsque l'IA explicable complète la régression.

La théorie du comportement planifié (TPB)

La TPB explique l'intention par l'attitude, les normes subjectives et le contrôle comportemental perçu. Elle est fréquemment associée au TAM/UTAUT dans les études sur l'adoption de l'IA — par exemple, Rizun et al. intègrent le TAM, la TPB, l'UTAUT et le cadre FATE (équité, responsabilité, transparence, éthique) pour modéliser les déterminants comportementaux et éthiques de l'adoption de ChatGPT par les étudiants.

La recherche sur l'adoption s'arrête généralement à l'intention ; une extension de la TPB qui a mesuré le retard malgré une intention authentique a montré que le contrôle comportemental perçu était le plus fort prédicteur négatif de la procrastination dans l'apprentissage assisté par l'IA générative (β = −0.331) sur 1,243 étudiants de premier cycle, le lien entre intention et retard n'étant significatif qu'à des niveaux modérés à élevés d'anxiété liée à l'apprentissage avec l'IA générative (Li et al. (2026)).

La diffusion de l'innovation (DOI)

La théorie de la DOI de Rogers explique l'adoption comme un processus social dans lequel les innovations se diffusent au sein des populations au fil du temps, en mettant l'accent sur les attributs de l'innovation (avantage relatif, compatibilité, complexité, possibilité d'essai, observabilité) et sur les catégories d'adoptants. Elle apparaît dans les analyses institutionnelles de la base de connaissances, par exemple lorsque Al-Rahmi et al. combinent le cadre Technologie–Organisation–Environnement (TOE) avec la DOI pour modéliser l'adoption organisationnelle de l'IA dans les universités saoudiennes.

Technologie–Organisation–Environnement (TOE)

Le cadre TOE pose l'adoption comme façonnée par les contextes technologique, organisationnel et environnemental — un complément aux TAM/UTAUT au niveau individuel pour l'étude de l'adoption institutionnelle (voir Exploring Organisational Drivers and Innovation Attributes of Artificial Intelligence Adoption in Higher Education).

Les applications dans la base de connaissances

Les modèles d'adoption sont appliqués à travers la base de connaissances pour modéliser l'appropriation des outils d'IA par les étudiants et les enseignants :

Extension à l'usage critique : Nguyen et al. ont étendu le TAM par l'usage critique auprès d'étudiants en ingénierie et en informatique, constatant que les attitudes et l'usage critique prédisent directement l'intention — et que l'usage critique protège de la dépendance excessive.
Modèle sociocognitif unifié : Asag & Al Mamun ont intégré le TAM à l'UTAUT auprès d'étudiants en ingénierie au Bangladesh (expliquant 64% de la variance d'usage).
Profils centrés sur la personne : plutôt que des modèles centrés sur les variables, Saihi & Ahmed construisent par partitionnement des personas d'adoption de l'IA générative, et Chen et al. utilisent l'analyse de profils latents pour identifier quatre profils d'acceptation de ChatGPT parmi des enseignants en formation initiale — montrant le dépassement par le champ des comptes rendus linéaires à modèle unique.
Validation interculturelle : Martínez-Moreno et al. valident de manière interculturelle les construits de motivation liés à l'adoption en Suisse et en Chine.
Corrélats psychologiques : Wu et al. s'appuient sur le TAM pour relier la motivation, l'auto-efficacité, l'anxiété et la perception du risque à l'acceptation de l'apprentissage de l'anglais assisté par l'IA.
Critique de la compétence régulatoire : Kim soutient que les modèles centrés sur l'adoption, comme le TAM, traitent l'usage comme une décision stable, alors qu'un usage efficace de l'IA est un processus continu de jugement, de révision et d'appropriation sélective — recadrant la littératie en IA comme une compétence régulatoire et la pensée critique plutôt que comme une acceptation.

Ajouter une capacité de la famille du TPACK aux côtés de cadres de croyances comme la théorie du comportement planifié, en tant que prédicteurs parallèles, invite à un chevauchement des construits et laisse indécidé l'ordonnancement causal de la capacité, de l'attitude et du contrôle ; le modèle Capacité–Décision place au contraire la capacité en AI-TPACK en amont de l'attitude et du contrôle comportemental perçu (Mnguni (2026)).

Déterminants par apprentissage automatique de l'adoption de ChatGPT : une approche exploratoire par apprentissage automatique a examiné la manière dont les perceptions et les caractéristiques démographiques des étudiants se rapportent à l'usage académique prévu de ChatGPT, en recourant à l'analyse SHAP pour identifier les construits clés liés à l'apprentissage — privilégiant le sens éducatif à la maximisation de la performance algorithmique (An Exploratory Machine Learning Approach to Understanding Determinants of Future ChatGPT Use in Higher Education).
L'explicabilité et la pertinence au regard du domaine comme leviers d'acceptation chez les enseignants : en adaptant la théorie de la confiance dans l'automatisation à l'acceptation par les enseignants des recommandations de l'IA, Feldman-Maggor et al. (2025) ont constaté que la compréhensibilité (accrue par l'IA explicable) était corrélée positivement à la fois à la confiance et à l'acceptation d'un outil de regroupement par l'IA, et que les explications fondées sur le domaine, formulées dans un langage curriculaire, surpassaient celles fondées sur les données et l'importance des caractéristiques sur les trois dimensions. L'acceptation était en outre déterminée par l'alignement pédagogique et le potentiel de réduction de la charge de travail — des facteurs situationnels que les construits classiques du TAM/UTAUT capturent rarement, ce qui renforce l'argument en faveur d'une extension des modèles d'adoption au contexte et à l'explicabilité.
L'acceptation mesurée au niveau des matériaux pédagogiques (2026). Wang, Chuang et Wu (2026) ont opérationnalisé l'attente de performance, l'attente d'effort, le caractère ludique perçu et l'intention comportementale pour deux guides de littératie en IA répartis par tranches d'âge, utilisés par 794 étudiants du primaire et secondaire et 37 enseignants, validant la structure à quatre facteurs par EFA et CFA sur échantillons scindés et soutenant l'invariance de mesure entre les éditions 9-12 et 13-18. Les apprenants plus jeunes ont déclaré des niveaux plus élevés sur les quatre construits, et le caractère ludique était le corrélat le plus fort de l'intention dans les deux cohortes — le coefficient standardisé allant du caractère ludique à l'intention excédant 1.00 dans le groupe le plus jeune, avec un HTMT de .950 entre les deux construits. Les auteurs y lisent un chevauchement des construits et une éventuelle suppression plutôt qu'un effet géant, rappel utile que les instruments d'acceptation appliqués à des matériaux peuvent produire des facteurs empiriquement enchevêtrés qui compliquent l'interprétation structurelle.

Limites et extensions

L'accent cognitif du TAM sous-capture aussi les dimensions émotionnelles et relationnelles de l'usage de l'IA. Une étude qualitative portant sur des étudiants en soins infirmiers et des enseignants a montré qu'aux côtés des quatre construits classiques du TAM, les participants — principalement les étudiants — décrivaient l'IA comme une source de soutien psychosocial : réconfort émotionnel pendant le stress et espace confidentiel de réflexion. Cela étend l'utilité perçue au-delà des gains de performance jusqu'au bien-être dans une formation professionnelle à fort enjeu, suggérant que les modèles d'adoption devraient prendre en compte les facteurs affectifs et psychosociaux, et pas seulement l'utilité instrumentale.

La perception de l'autonomie et l'aversion au risque comme extensions propres à l'outil. Une enquête à méthodes mixtes menée auprès de 287 enseignants expérimentés avec l'IA générative dans 27 pays et régions (Dai et al. (2026)) étend le TAM dans une direction que la famille de modèles a à peine effleurée : l'autonomie perçue de l'outil lui-même. En ajoutant l'autonomie artificielle perçue (la mesure dans laquelle les enseignants croient que l'IA générative peut exécuter de manière indépendante une tâche pédagogique assignée) et l'aversion au risque aux construits classiques, leur modèle structurel affiné expliquait 79.8% de la variance de l'intention comportementale (χ²(97) = 202.597, CFI = .963, TLI = .954, RMSEA = .062, SRMR = .041), l'utilité perçue demeurant dominante (PU → BI β = .832, p < .001) et la facilité d'usage alimentant l'utilité (PEU → PU β = .479). Les résultats instructifs sont les détours. L'autonomie artificielle n'agissait pas directement sur l'intention (β = .026, ns) mais agissait par l'utilité (AA → PU β = .188, p < .001 ; effet indirect AA → PU → BI = .156, IC à 95% [.082, .240]) — les enseignants qui jugeaient l'IA générative plus capable la trouvaient plus utile, pas plus immédiatement adoptable. L'aversion au risque abaissait l'intention (RA → BI β = −.163, p < .001) sans abaisser l'utilité perçue (RA → PU ns), parce que les inquiétudes des enseignants portaient sur l'usage fait par les étudiants — tricherie et intégrité, affaiblissement des connaissances fondamentales et de la pensée d'ordre supérieur, hallucinations, réduction de l'interaction humaine, et risques éthiques, juridiques et d'équité — plutôt que sur le leur. La facilité d'usage n'était pas significative dans l'ensemble (PEU → BI β = .068) mais l'était parmi les 225 enseignants qui avaient réellement utilisé l'IA dans leur enseignement (β = .138, p < .05), le schéma familier selon lequel l'effort ne s'enregistre qu'après une rencontre réelle ; l'attitude a dû être abandonnée lorsque sa corrélation avec l'intention (r = .929) a enfreint la validité discriminante. Les enseignants plaçaient l'IA générative aux niveaux semi-autonomes (130 au niveau 2, « assistance à l'enseignant » ; 94 au niveau 3, « automatisation partielle »)... [tronqué]

La perception du risque comme extension propre à une dimension. Une enquête menée auprès de 814 étudiants universitaires chinois (Du, Ning, Shi & Chen (2026)) intègre la théorie de l'évaluation cognitive et la théorie de la motivation à se protéger dans le TAM/UTAUT2 pour demander non pas si les étudiants adoptent l'IA générative, mais ce qu'ils en retirent. L'hypothèse de la famille de modèles selon laquelle le risque supprime uniformément l'adoption ne survit pas : la perception du risque se décompose en dimensions informationnelle, sécuritaire, technique, éthique et juridique qui font évoluer les bénéfices dans des directions opposées. Le risque sécuritaire — une menace que les étudiants croient pouvoir maîtriser par leurs pratiques de confidentialité — était associé positivement à l'assistance académique perçue et au développement des compétences, conformément à un ajustement centré sur le problème, tandis que le risque informationnel, que les apprenants ne peuvent facilement vérifier, érodait le soutien psychologique et émotionnel ainsi que les bénéfices liés à la vie quotidienne et aux loisirs, par l'évitement. Des analyses de seuil ont en outre montré des effets qui changent de signe au-delà de points de coupure propres à chaque dimension, et l'expérience d'usage importait indépendamment : les étudiants comptant plus d'un an d'usage de l'IA générative déclaraient des bénéfices plus élevés dans quatre domaines. L'implication pratique pour la recherche sur l'acceptation est que le « risque perçu » est un construit trop grossier pour être modélisé — c'est la contrôlabilité, et non la simple présence du risque, qui détermine si les étudiants s'engagent ou se retirent.

Le lien entre risque et usage dépend aussi du système : sur les 49 systèmes de TALIS 2024 ayant administré les items, l'utilité perçue de l'IA était associée positivement à l'usage de l'IA dans les 49, tandis que le risque perçu y était associé négativement dans 40 et positivement dans neuf (Fang & Jin (2026)).

Concepts liés

Métadonnées

Niveau	Higher Ed
Public visé	Learners
Technologies et techniques	L'IA générative, Les modèles d'adoption des technologies
Méthodes de recherche et évaluation	Les méthodes de recherche en AIED
Fondements de l'IA dans l'éducation	Littératie en IA

Source History Edit Chat