Comment la recherche sur l'IA en éducation doit-elle intégrer l'équité, l'accessibilité, la confidentialité, l'éthique et la sécurité pédagogique ?

Traduction automatique de la page anglaise, non encore relue par une personne de langue maternelle.

Ces exigences doivent être traitées comme des contraintes de conception et des résultats à évaluer dès le départ, et non comme des limites ajoutées à la section de discussion une fois l'étude d'efficacité terminée.

Équité

Pour l'équité, il faut examiner non seulement qui a accès à l'IA, mais aussi qui possède les compétences nécessaires pour l'utiliser efficacement et qui, en fin de compte, en reçoit les bénéfices. Le concept de Digital Divide de la base de connaissances distingue la fracture d'accès, la fracture des compétences et la fracture des résultats, ce qui signifie que l'égalité d'accès à un agent conversationnel n'équivaut pas à un bénéfice éducatif équitable. Les chercheurs devraient donc rapporter les résultats des sous-groupes concernés et étudier l'efficacité différentielle plutôt que de se fier uniquement aux moyennes globales (voir Differential Effects Across Learner Groups).

Des recherches récemment ajoutées montrent comment les inégalités structurelles s'accumulent. Une étude comparative de 45 universités nigérianes (15 fédérales, 15 d'État, 15 privées) n'a constaté qu'une intégration modérée de l'IA (M = 4.79 sur une échelle de 10 points, étendue 1.83–7.83), et le type de gouvernance ne la prédisait pas (F(2,42) = 1.01, p = 0.372) ; l'âge de l'établissement (β = 0.43, p = 0.016) et la localisation dans le Sud-Ouest (β = 0.31, p = 0.029) la prédisaient. Les capacités internes se renforçaient mutuellement (r = 0.79–0.80), et les collaborations internationales et les partenariats avec l'industrie se cumulaient (r = 0.74), car « les relations engendrent les relations ». Les cadres politiques constituaient la dimension la plus faible (M = 4.09 ; seulement 27% des établissements obtenaient 6 ou plus), ce qui révèle un écart entre la stratégie formelle et l'activité opérationnelle de conception de programme. Les interventions en faveur de l'équité devraient donc cibler les établissements plus récents et les régions mal desservies plutôt que de supposer que la catégorie institutionnelle détermine la capacité, et devraient prendre en compte les contextes du Global South dont une grande partie des données probantes manque encore.

Accessibilité

Pour l'accessibilité, il faut inclure les apprenants en situation de handicap dans la conception et l'évaluation, tester les interfaces réelles au regard des exigences d'accessibilité, offrir des manières équivalentes de participer et de démontrer ses apprentissages, et distinguer l'accessibilité technique d'une pédagogie réellement inclusive. Voir Accessibility. Une étude de conception sensible aux valeurs menée avec des étudiants, des enseignants et des développeurs de collèges communautaires montre à quoi cela ressemble en pratique : elle a produit 16 fonctionnalités alignées sur des valeurs, couvrant l'explicabilité (E1–E5), le contrôle humain dans la boucle (H1–H9) et la confidentialité (P1–P4), et a fait apparaître des tensions de valeurs plutôt que des solutions nettes, notamment transparence contre interprétabilité, confidentialité contre connaissance pédagogique, et agentivité de l'apprenant contre étayage guidé par le système.

Confidentialité et éthique

Pour la confidentialité et l'éthique, il faut ne collecter que les données nécessaires à la finalité éducative, rendre transparents l'usage des données et les limites du système, maintenir une responsabilité humaine effective, et examiner l'équité, le consentement, les biais, l'explicabilité, l'autonomie de l'apprenant et les conséquences des décisions médiées par l'IA. Ce sont des dimensions centrales de l'éthique. L'étude de conception citée plus haut montre qu'il s'agit de compromis à gérer, et non d'exigences indépendantes à cocher : les étudiants voulaient garder le contrôle sur l'analytique d'apprentissage et les données affectives, tandis que les enseignants voulaient de la visibilité pour soutenir l'apprentissage. À mesure que les systèmes acquièrent leur propre agentivité, la question de gouvernance s'accentue. Une revue critique de la gouvernance de l'IA agentique soutient que l'autonomie ne devrait pas dépasser la maturité des données probantes ni la solidité d'un contrôle humain responsable, et propose un langage de reporting partagé, à savoir les niveaux d'autonomie A0–A4, les niveaux de supervision O0–O4 et les stades de maturité des données M0–M5, afin que les usages à conséquences (A4 : admissions, notation, progression) exigent une validation répliquée et pertinente au regard du contexte ainsi qu'une autorité humaine continue, plutôt qu'un score élevé à un référentiel d'évaluation.

Sécurité pédagogique

Pour la sécurité pédagogique, il faut mesurer les préjudices que les benchmarks classiques de l'IA ne repèrent pas : la sur-dépendance, la divulgation excessive des réponses, le renforcement des conceptions erronées, la perte d'agentivité, la suppression de la métacognition, le traitement inéquitable, le préjudice motivationnel et le désalignement pédagogique. Les tests de sécurité devraient inclure des interactions réalistes à plusieurs tours et des scénarios propres à une discipline, et pas seulement des invites uniques. La synthèse Pedagogical Safety et le benchmark SafeTutors montrent pourquoi des systèmes techniquement « utiles » ou exacts peuvent malgré tout nuire à l'apprentissage. Les praticiens convergent vers une réponse de conception compatible : dans une étude de conception participative menée avec six enseignants du secondaire, les enseignants ont conçu de leur propre initiative des « experts délimités » plutôt que des agents autonomes, c'est-à-dire des systèmes à domaine étroitement circonscrit fonctionnant sous supervision humaine, avec des frontières de domaine, un filtrage du contenu et la possibilité pour l'enseignant de passer outre, ce qui forme trois couches de protection. Ils accueillaient favorablement l'IA pour présenter du contenu, fournir de la pratique et donner une formative rétroaction, mais refusaient de lui déléguer la définition des objectifs ou l'évaluation sommative, concevant la supervision comme une responsabilité professionnelle plutôt que comme une méfiance envers la technologie.

Triangulation méthodologique

Enfin, il faut combiner les données probantes quantitatives et qualitatives. Des résultats quantitatifs désagrégés peuvent révéler des effets différentiels ; les entretiens, les observations, les groupes de discussion et les méthodes participatives ou de co-conception peuvent faire apparaître des obstacles, des préjudices, des présupposés culturels et des vécus d'apprenants que les scores agrégés laissent échapper. La synthèse Research Methods in AIED traite explicitement la triangulation méthodologique comme importante parce qu'aucune méthode ne maximise simultanément l'inférence causale, la validité écologique, la compréhension du contexte et la généralisabilité.

La transparence sur la manière dont l'analyse assistée par IA a elle-même produit ses résultats fait partie de cette obligation. La proposition de warrantability soutient qu'une interprétation assistée par IA devrait rester inspectable, contestable et révisable, appuyée par des artefacts tels que des tableaux de thèmes liés aux sources, des empilements de perspectives et des rivières de preuves, de sorte qu'un résumé fluide ne puisse dissimuler le chemin analytique qui l'a produit. La revue de l'IA agentique ajoute une discipline consistant à séparer les niveaux de résultats : les résultats au niveau de l'artefact (exactitude, qualité de la rétroaction) peuvent être nécessaires à un bénéfice pour l'apprenant, mais ne sont jamais une preuve suffisante d'un tel bénéfice, et c'est précisément sur les résultats en matière d'équité et au niveau institutionnel que les données sont les plus minces.

Où cela s'inscrit dans la base de connaissances

Ces exigences se rattachent directement aux Top 10 Findings for Instructors (constats 9 et 10), aux réfutations destinées aux parties prenantes dans Addressing Common Misconceptions About AI in Education?, et au programme de données manquantes dans Research Gaps in AIED. Pour des méthodes qui prennent ces contraintes au sérieux, voir Evaluating AI Interventions: Methods.