Des applications médicales qui assistent les chirurgiens en temps réel aux plateformes de recrutement qui sélectionnent les meilleurs candidats, l’intelligence artificielle (IA) transforme aujourd’hui de très nombreux secteurs d’activité économiques. Mais l’IA ne se limite pas aux industries, elle trouve une place de plus en plus significative au sein des universités et des établissements d’enseignement supérieur.

Bien au-delà d’un simple outil, l’IA impacte l’enseignement universitaire en proposant par exemple des parcours d’apprentissage personnalisés pour répondre aux besoins individuels des étudiants. Mais ces avancées amènent à s’interroger sur les fondements mêmes de la démarche d’apprentissage universitaire. En effet, dans ce contexte, les rôles traditionnels des enseignants sont modifiés tout comme la relation entre savoir et apprenant. A ce titre, l’IA suscite de nombreuses questions. Comprendre la manière dont elle reconfigure ces rôles et ces interactions devient essentiel pour évaluer ses implications pédagogiques, éthiques et sociales.

La Commission européenne (2018) décrit l’IA comme « des systèmes qui affichent un comportement intelligent en analysant leur environnement et en prenant des mesures – avec un certain degré d’autonomie – pour atteindre des objectifs spécifiques ». Pour l’UNESCO (2021) l’IA est définie comme « des systèmes technologiques capables de traiter l’information par un processus s’apparentant à un comportement intelligent, et comportant généralement des fonctions de raisonnement, d’apprentissage, de perception, d’anticipation, de planification ou de contrôle ».

Dans le contexte de l’enseignement supérieur, l’IA est utilisée par des plateformes d’apprentissage en ligne qui personnalisent les parcours de formation en fonction des besoins propres aux étudiants, tandis que des assistants virtuels facilitent l’accès à l’information. Ces changements numériques annoncés invitent à une réflexion sur l’impact de l’IA dans l’enseignement supérieur. Car au-delà de l’outil, l’IA remet en question les pratiques pédagogiques établies, redéfinit les rôles de l’enseignant et de l’étudiant et interroge la nature même de l’acquisition et de la validation des connaissances au sein des institutions.

Cette dynamique se comprend particulièrement bien à travers la Théorie de l’Acteur-Réseau (ANT) d’Akrich, Callon et Latour (2006). Dans cette logique, l’IA se comporte en tant qu’ « acteur non-humain » qui participe activement aux processus de traduction des interactions au sein du réseau éducatif. En prenant part aux interactions du système éducatif, l’IA redéfinit les rôles traditionnels de l’enseignant. Celui-ci endosse davantage un rôle de superviseur et de facilitateur des apprentissages.

Toutefois, cette reconfiguration n’est pas sans susciter des controverses. A ce titre, la question de l’évaluation devient centrale. En effet, l’IA offre des possibilités nouvelles de production de contenus, ce qui pose un défi en termes d’évaluation, pour apprécier les compétences réellement acquises et la compréhension individuelle. Les institutions se voient dès lors dans l’obligation de repenser leurs pratiques d’évaluation pour garantir la validité des apprentissages.

L’IA reconsidère la place de l’enseignant comme seule source de référence de la connaissance ce qui influence les dynamiques de pouvoir. Ces changements s’observent dans les pratiques et peuvent modifier les attentes des différents acteurs. L’intégration de l’IA entraîne aussi des préoccupations éthiques telles que l’équité d’accès, la protection des données personnelles des étudiants … Tous ces enjeux illustrent la difficulté de l’intégration de l’IA dans l’enseignement supérieur.

L’impact de l’IA dans l’enseignement supérieur apparaît comme un processus complexe de négociation et d’adaptation, impliquant tous les acteurs du réseau et redéfinissant fondamentalement la nature même de l’enseignement. Nous posons ainsi la question dans cet article de savoir de quelle manière l’intégration de l’Intelligence Artificielle, en tant qu’acteur non-humain, reconfigure le réseau socio-technique de l’enseignement supérieur ?

Dans un premier temps, nous présentons le cadre théorique de l’acteur-réseau, en soulignant sa pertinence pour analyser les interactions dans l’enseignement supérieur. Dans un second temps, nous analysons des études empiriques pour apprécier les impacts de l’IA sur les rôles, les interactions et les pratiques dans l’enseignement supérieur. Enfin, nous nous intéressons à la controverse sur l’évaluation en analysant les ajustements que les acteurs doivent opérer pour préserver l’authenticité des apprentissages et les valeurs fondamentales de l’enseignement supérieur.

Cadre théorique : La Théorie de l’Acteur-Réseau (ANT) et son application à l’enseignement supérieur

Pour comprendre l’impact de l’intelligence artificielle (IA) sur le système éducatif universitaire, nous proposons de mobiliser le cadre théorique de l’acteur-réseau qui permet une analyse les interactions entre les différents acteurs. La théorie de l’acteur-réseau, aussi appelée « sociologie de la traduction », a été développée par les chercheurs du Centre de sociologie de l’innovation de l’École des mines de Paris au début des années 1980 (Mahil, Tremblay, 2015). Ce cadre fournit une méthodologie pertinente pour saisir la dynamique de ces réseaux, où les acteurs participent activement à l’articulation du système. Dans cette perspective, nous analysons d’abord les concepts fondamentaux de l’ANT, avant d’appliquer cette théorie au fonctionnement de l’enseignement supérieur en tant que réseau d’acteurs. Nous intégrons ensuite l’IA comme un nouvel acteur non-humain pour évaluer son impact sur la reconfiguration de ce réseau.

Présentation de la Théorie de l’Acteur-Réseau (ANT)

Nous examinons ici les origines de l’ANT, ses concepts fondamentaux, et la dynamique de traduction qui explique comment les réseaux se construisent et évoluent.

Origines et contexte de l’ANT

La Théorie de l’Acteur-Réseau (ANT), développée dans les années 1980 par Bruno Latour et Michel Callon, s’inscrit dans le champ des Science and Technology Studies (Debailly, Quet, 2017). Elle propose un cadre conceptuel qui permet d’appréhender les interactions en prenant en compte l’influence des acteurs humains et non-humains dans la structuration des systèmes sociaux. Dans ce cadre, le réseau est défini comme un ensemble dynamique de liens entre des acteurs humains (individus, organisations) et non-humains (technologies, objets) soumis à plusieurs principes.

Les principes de l’ANT

La Théorie de l’Acteur-Réseau (ANT) repose sur l’analyse des interactions des acteurs du système social. D’après, Lamine, Fayolle et Chebbi (2015), les acteurs « participent collectivement à la co-construction du système social auquel ils appartiennent ». En d’autres termes, chaque acteur contribue à influencer les relations qui émergent au sein du réseau.

L’ANT repose sur plusieurs principes clés :

• Symétrie : pour Vibert (2022, tous les acteurs, humains ou non-humains, sont considérés avec la même importance analytique, sans hiérarchie de causalité.
• Réseau : Ce terme désigne un ensemble de relations entre acteurs qui, bien que cohérent, est intrinsèquement instable. Les liens entre les acteurs sont continuellement négociés, reformés, et susceptibles de transformations (Mahil, Tremblay, 2015).
• Le changement : les changements sociaux et organisationnels ne sont pas imposés uniquement par des acteurs humains ; ils émergent des interactions collectives entre tous les acteurs du réseau, qu’ils soient humains ou non-humains. Ce processus dynamique donne naissance aux innovations et aux évolutions des rôles dans le réseau (Walsh et Renaud, 2010).

Les acteurs humains et non-humains dans l’ANT

Dans la Théorie de l’Acteur-Réseau (ANT), le terme d’ « acteur » s’applique à « n’importe quel élément qui cherche à courber l’espace autour de lui, à rendre d’autres éléments dépendants de lui, à traduire les volontés dans le langage de la sienne propre » (Callon, Latour, 1981).

Les acteurs peuvent être humains ou non-humains :

• Acteurs humains : Ce sont des individus ou des groupes d’individus qui participent directement à la construction et au maintien des réseaux sociaux.
• Acteurs non-humains : Ces entités participent activement à la structuration du réseau. « La théorie de l’acteur-réseau reconnaît aux non-humains une certaine agentivité et une capacité d’interaction leur inférant une part importante dans la construction de la réalité sociale » (Wiart, 2021). Un acteur non-humain est perçu comme ayant un impact concret sur les interactions (Baba, 2016) au sein du réseau, influençant les comportements et les pratiques des autres acteurs (Chamois, 2018) et disposant. Les acteurs non-humains incluent les technologies, les infrastructures, les objets matériels et même des concepts ou des règlements.

La distinction entre acteurs humains et non-humains permet ainsi de comprendre la diversité des influences au sein du réseau social. Mais pour saisir pleinement le fonctionnement de ce réseau, il est nécessaire de se pencher sur le processus de construction et d’évolution de ces interactions.

La Théorie de la Traduction : Une dynamique en quatre étapes

Ces interactions s’expliquent par « le modèle de la traduction » défini par Callon et Latour (1981) comme « l’interprétation donnée, par ceux qui construisent les faits, de leurs intérêts et de ceux des gens qu’ils recrutent » (Baba, 2006). La théorie de la traduction, qui sous-tend l’ANT, décrit le processus par lequel un réseau sociotechnique se construit et évolue. Elle se décompose en quatre étapes : problématisation, intéressement, enrôlement et mobilisation (Akrich, Callon et Latour, 1988a et 1988b). Ces étapes permettent de comprendre comment les acteurs se rassemblent, s’organisent et se stabilisent au sein d’un réseau :

• La Problématisation ou « comment se rendre indispensable ? » (Callon, 1986) : Un acteur central identifie un problème et positionne les autres acteurs de façon à les rendre dépendants de lui pour sa résolution. Cet acteur se place ainsi comme porte-parole du problème.
• Intéressement : cette étape se définit comme « l’ensemble des actions par lesquelles une entité s’efforce d’imposer et de stabiliser l’identité des autres acteurs qu’elle a définis par sa problématisation » (Callon, 1986). L’objectif de la phase d’intéressement est de renforcer le lien et l’intérêt des acteurs envers la problématisation (Goumari, Jaouhari, 2020).
• Enrôlement ou « comment définir et coordonner les rôles ? » (Callon 1986) : L’enrôlement « désigne le mécanisme par lequel un rôle est défini et attribué à un acteur qui l’accepte » (Callon, 1986). L’enrôlement, « c’est un intéressement réussi. Décrire l’enrôlement, c’est donc décrire l’ensemble des négociations multilatérales, des coups de force, des ruses qui accompagnent l’intéressement et lui permettent d’aboutir » (Callon, 1986). Cela implique des négociations et des ajustements. Chaque acteur accepte alors le rôle assigné pour garantir la cohérence du réseau.
• Mobilisation : Le réseau atteint une certaine stabilité, et l’acteur principal devient le porte-parole ultime, représentant le réseau. Il mobilise ainsi tous les alliés nécessaires pour concrétiser l’action ou le projet​ (Callon, 1986).

À travers ces quatre étapes de la traduction, la Théorie de l’Acteur-Réseau permet de comprendre comment le réseau se construit et se maintient, chaque acteur jouant un rôle complémentaire dans la réalisation des objectifs pédagogiques.

Application de l’ANT au système éducatif universitaire

Appliquer la Théorie de l’Acteur-Réseau à l’enseignement supérieur permet de comprendre ce système comme un réseau dynamique d’interactions. Dans cette partie, nous explorons le fonctionnement de l’université en tant que réseau d’acteurs, en analysant le rôle de l’enseignant dans l’animation de ce système.

L’enseignement supérieur comme un réseau d’acteurs

Le monde de l’enseignement supérieur peut être envisagé comme un système instable où différents acteurs interagissent pour développer les pratiques. Dans ce cadre collaboratif, des acteurs sont identifiables (Gueissaz, 1997). Nous pouvons citer les professeurs, les étudiants, l’administration universitaire ou encore le personnel de soutien. Chacun occupe une place clé dans le fonctionnement. Les professeurs ont pour mission de transmettre les connaissances et de guider les étudiants. Les élèves s’impliquent activement à leur propre formation. L’administration doit s’assurer de la mise en place des politiques et des ressources nécessaires pour soutenir les activités académiques. Le personnel de soutien facilite la mise en œuvre des méthodes pédagogiques.

Parmi les acteurs non-humains, nous pouvons retenir les ressources pédagogiques (livres et supports numériques), les installations (salles de classe, plateformes d’apprentissage) et les réglementations qui encadrent l’enseignement universitaire. Ces éléments participent à la l’articulation des acteurs du réseau en affectant les processus d’apprentissage, les dispositifs d’évaluation et les relations de communication.

Dans ce réseau, l’enseignant occupe une position centrale et joue un rôle pivot en tant que coordonnateur et animateur des processus d’apprentissage. Il structure le parcours pédagogique, adapte les contenus et utilise les supports pour enrichir l’expérience éducative. Sa capacité à s’adapter aux besoins des étudiants et à intégrer les ressources en font un acteur central, garantissant la cohérence de l’ensemble du système éducatif.

Mais l’enseignant ne se contente pas de transmettre le savoir, il contribue activement à la construction d’un environnement d’apprentissage où chaque acteur participe au développement des compétences et des connaissances des étudiants.

Fonctionnement du réseau éducatif universitaire selon les étapes de la traduction

Dans le contexte de l’enseignement supérieur, les 4 étapes du processus de traduction proposent un cadre pour analyser les interactions entre enseignants, étudiants, administration et ressources pédagogiques. Chaque étape reflète un aspect clé de la coordination des acteurs et éclaire sur le rôle de l’enseignant, acteur-pivot dans l’animation et la supervision des processus d’apprentissage.

• Problématisation : dans cette première étape, l’enseignant joue un rôle central en identifiant un besoin qui doit mobiliser l’ensemble des acteurs du système. Ainsi, dans un contexte universitaire, si l’enseignant constate des disparités de niveau ou d’engagement parmi les étudiants, il va s’interroger sur la manière de garantir l’atteinte des objectifs pédagogiques. L’enseignant s’inscrit ainsi comme le catalyseur pour soutenir un apprentissage de qualité. Cette problématisation permet d’acter un problème autour duquel les autres acteurs (administration, étudiants, personnel technique) seront mobilisés.
• Intéressement : l’enseignant met en place des dispositifs pour capter l’intérêt des autres acteurs et les engager dans le réseau de manière stable. Il utilise des dispositifs pédagogiques – cours interactifs, supports en ligne, plateformes de discussion – pour intéresser les étudiants et les impliquer. Pour impliquer les étudiants, l’enseignant peut organiser des cours interactifs, intégrer des supports pédagogiques variés (documents en ligne, podcasts de cours, études de cas), et utiliser une plateforme collaborative, comme Moodle ou Teams, pour faciliter les échanges ou centraliser les ressources. La création de forums de discussion peut permettre aux étudiants de poser des questions et de s’entraider. Pour impliquer l’administration, il peut être utile de mettre en avant les avantages de ces outils pédagogiques pour l’établissement (meilleure satisfaction des étudiants, diminution des abandons, …)
• Enrôlement : La troisième étape, celle de l’enrôlement, implique une négociation des rôles pour que chaque acteur accepte et s’investisse dans le rôle qui lui a été attribué. Par exemple, l’enseignant peut établir des règles de participation claires telles que la participation à des discussions en ligne, la remise régulière de travaux pratiques, ou la participation active en cours. Il peut encourager les étudiants à préparer des questions ou de travailler en groupes sur des cas pratiques en amont des séances de cours. L’enseignant collabore avec l’administration et le personnel technique pour assurer la disponibilité des ressources (salles équipées, accès à des plateformes en ligne, soutien technique).
• Mobilisation : l’enseignant devient le porte-parole du système afin de s’assurer que chaque acteur respecte les engagements pris.  Cela implique un suivi de la progression des étudiants et une supervision continue. Vis à vis des étudiants, l’enseignant peut mobiliser des retours réguliers sur les travaux rendus, valoriser leurs efforts en fonction des difficultés ou des succès observés (feedbacks personnalisés, bilans collectifs, axes d’amélioration, …). Pour l’administration, il s’agit de garantir la cohérence des dispositifs mobilisés. Cela peut passer par des bilans périodiques sur l’utilisation des plateformes, ou les besoins techniques à venir. Cet encadrement permet de stabiliser le système, en s’assurant que les objectifs pédagogiques sont partagés et atteints par l’ensemble des acteurs engagés.

Toutefois, l’arrivée de l’IA transforme le    système éducatif. Intégrée au réseau universitaire, elle modifie les rôles, les relations et les pratiques au sein de ce système.

Introduction de l’IA comme un acteur non-humain dans le réseau éducatif

Avec l’arrivée de l’intelligence artificielle dans le domaine de l’enseignement supérieur, de nouveaux questionnements émergent quant à la place et au rôle de cet acteur non-humain. L’IA ne peut ainsi être réduite à un simple outil technologique : elle devient un acteur à part entière, doté de capacités d’interaction qui modifient profondément les interactions du système éducatif. Parfois les étudiants « humanisent » ce nouvel acteur comme le montre une conversation surprise par nous entre deux étudiantes à la bibliothèque universitaire), la première disant « J’ai décidé d’être gentille avec ChatGPT pour qu’il me donne les bonnes réponses, il connaît ma vie, il m’a demandé comment se passaient mes études en droit », la seconde s’étonnant ; « Ah bon, ce que tu dis fait peur, mais tu sais que tu parles avec un robot (…) ». Cette utilisation de l’IA, notamment générative, par les étudiants, qui ont toute confiance, dans les réponses apportées, nous a interpellés d’une part comme chercheur et d’autre part comme enseignant. Aussi cette partie examine plus précisément comment l’IA se positionne en tant que nouvel acteur non-humain et les effets de son intégration sur les interactions et les processus pédagogiques au sein de l’enseignement supérieur et la partie suivante analyse, à partir d’un travail de terrain, le mode d’utilisation de l’IA générative par les étudiants. Dès lors, compte tenu de ces deux aspects, la question centrale posée par l’IA au niveau du système porte sur le rôle de l’enseignant dans l’évaluation et la certification des compétences acquises par l’étudiant.

Caractéristiques de l’IA comme un acteur non-humain ?

En introduisant l’IA comme un acteur non-humain, l’ANT permet d’analyser son influence sur l’organisation du réseau, mais aussi de comprendre comment elle reconfigure les échanges et les responsabilités au sein de l’enseignement supérieur :

• Modifie la dynamique du système éducatif : En s’intégrant dans les pratiques d’enseignement, l’IA réorganise le fonctionnement du réseau : elle revoit les rôles, les responsabilités, et les attentes des acteurs humains.
• Impact sur les interactions dans le réseau : L’IA change la nature des relations entre les acteurs humains (enseignants, étudiants) en introduisant de nouveaux modes de communication, de suivi, et de rétroaction. Un assistant pédagogique virtuel ou une plateforme d’apprentissage réoriente les tâches de l’enseignant, l’allège de certaines tâches répétitives (comme le suivi personnalisé ou la correction automatisée) et influence directement l’expérience des étudiants.

Controverses autour de l’évaluation dans le contexte de l’intégration de l’IA

Le Rapport sur l’état et les besoins de l’éducation : Évaluer pour que ça compte vraiment (Conseil supérieur de l’éducation (CSE), 2018) affirme que : « dans la logique de l’approche par compétences, c’est l’évaluation faite en fin de parcours ou d’étape qui devrait permettre de certifier jusqu’à quel point les apprentissages ont été effectués. Il est cependant prudent de fonder le jugement évaluatif sur plusieurs traces d’apprentissage… » (In Boucher, 2023). L’intégration de l’intelligence artificielle dans l’enseignement supérieur soulève des questions cruciales quant à l’authenticité des évaluations et la validité des compétences évaluées mais aussi sur les principes éthiques de l’évaluation universitaire. L’IA transforme le réseau éducatif et introduit des controverses, notamment autour de l’usage de dispositifs comme les générateurs de texte pour la production de travaux, ou des logiciels de correction automatique.

Défis posés par l’authenticité de l’évaluation

L’un des défis majeurs de l’IA dans l’évaluation universitaire est lié à la validité des évaluations. Selon, Boucher (2023) les IA comme GPT-4 changent « considérablement les règles du jeu » en matière d’évaluation, car les étudiants peuvent facilement générer des travaux en quelques secondes. Cela remet en question la validité de l’évaluation des compétences. Ainsi, un étudiant qui utilise un générateur de texte pour une dissertation risque de produire un travail qui n’est pas représentatif de sa propre compréhension ou de ses capacités d’analyse.

Nécessité de nouvelles méthodes d’évaluation

Face à ces défis, il devient essentiel de développer des méthodes d’évaluation qui vont au-delà de la simple production de contenu (Journées de la pédagogie UBS, 2024). Boucher (2023) propose que les enseignants reconsidèrent la structure des évaluations pour les rendre « à l’épreuve des IAG ». Il préconise des évaluations plus englobantes, des exercices en plusieurs étapes avec des remises formatives et une évaluation finale intégrée. Les évaluations qui se limitent à la rédaction ou aux QCM perdent de leur pertinence. De nouvelles approches, telles que les projets collaboratifs, les présentations orales, les débats ou les exercices en classe, permettent d’évaluer des compétences qui ne peuvent pas être reproduites par une IA.

Réflexion éthique et pédagogique

Enfin, l’usage de l’IA pose des questions éthiques fondamentales (Unesco, 2021). En effet, l’enseignant doit s’assurer que les évaluations valident les compétences individuelles des étudiants et ne sont pas faussées par l’exploitation des IA. Boucher (2023) suggère que la réponse aux défis posés par l’IA ne doit pas être purement technologique (par l’usage d’outils de détection, par exemple), mais avant tout pédagogique, en favorisant des méthodes d’évaluation qui impliquent les étudiants de manière significative​.

Méthodologie, terrain et premiers résultats  

IA, quelles pratiques et usages des étudiants ? 

Notre étude est en partie basée sur  l’étude publiée par la FNEGE (2024), intitulée Regards croisés sur les IA génératives dans l’enseignement supérieur en Gestion : panorama, pratiques et perspectives (668  étudiants et 204 professeurs) et de celle publiée par le Pôle Léonard de Vinci et Talan sur les enjeux sociétaux de l’IA, qui visait à comprendre la vision et l’utilisation des IA génératives par les étudiants (avec 1600 réponses) montrant, en particulier, que « 99% des étudiants utilisent l’IA, contre 60% pour l’ensemble des Français ». Après avoir analysé les résultats de ces deux études, nous avons organisé des groupes de discussion avec différentes classes, de la première à la cinquième année (527 étudiants, cf. tableau 1). Ces groupes de discussion incluaient des étudiants provenant de deux écoles de commerce et deux universités en France, une école d’ingénieurs et deux universités au Maroc, et deux universités en République Démocratique du Congo.  Après avoir analysé les données issues de ces groupes, nous avons élaboré un guide d’entretien pour approfondir certains thèmes identifiés dans notre grille de codage. Nous avons ensuite complété l’étude par des entretiens semi-directifs avec 41 étudiants (étude toujours en cours, cf. tableau, 2). Notre objectif est de mieux comprendre l’usage, la vision, les ressentis et les émotions des étudiants vis-à-vis des IAG.

Tableau 1 : répartition de nos focus groupe par pays

Source : Notre échantillon

Tableau 2 : répartition de nos entretiens semi-directifs :

Source : Notre échantillon

Ce qui ressort des analyses, c’est qu’il existe des difficultés d’accès en matière de numérique comme en RDC, et des difficultés d’accès à certaines fonctionnalités de l’IA et notamment celles de ChatGPT, comme le souligne notre échantillon au Cameroun. Les étudiants interrogés ont indiqué utiliser le compte ChatGPT d’amis qui vivent en France ou l’usage de cette IAG n’est pas restreint. Hormis ces différences sur l’accès au numérique, il est à noter que notre étude met en évidence un comportement identique de l’usage de l’IA par les étudiants quelle que soit l’origine géographique de l’étudiant. Selon l’étude menée par le Boston Consulting Group, le Maroc est le deuxième pays au monde pour de l’usage de l’outil d’intelligence artificielle ChatGPT.

Et Cet usage semble ne pas se limiter au monde étudiant comme en témoigne une récente enquête de France Info (3 décembre 2024), ou l’auteur démontre que les élèves de lycées et collèges ont un usage identique à notre échantillon. Ils n’ont pas le sentiment de tricher, l’utilisent de façon quotidienne, ne vérifient jamais les sources, et ne remettent jamais en cause les réponses de l’IA générative. Lors de nos groupes de discussion avec les étudiants, tous ont déclaré utiliser l’IA, spécifiquement une IA générative. Pour eux, l’IA se résume à ChatGPT, sans mentionner d’autres IA. Une minorité utilise la version payante de ChatGPT. Selon l’étude de la FNEGE (2024) 94% des étudiants utilisent ChatGpt gratuit.

Les principaux résultats : À la question de savoir s’ils font confiance à l’IA, 100 % des étudiants ont répondu oui. Aucun ne vérifie les réponses fournies par l’IA générative, ni les sources. Lorsqu’on leur demande pourquoi, ils répondent : « ChatGPT ne peut pas se tromper » ou « je n’ai pas le réflexe de vérifier ». Ils ne critiquent jamais l’IA qu’ils utilisent. Ils reprennent tous les réponses, les propositions de l’IAG sans les modifier.

Les raisons qui incitent les étudiants à utiliser l’IA générative : « être plus performant », « être efficace », « gagner du temps », « être rapide », « être sûr d’avoir la bonne réponse », « par peur de ne pas avoir une bonne note », ou encore « parce que d’autres étudiants l’utilisent et auront donc la bonne réponse et pas nous ».

Concernant leur relation avec l’IA générative, 90 % des étudiants déclarent « être gentil avec ChatGPT », « être poli(e) », « ne pas vouloir le froisser », « j’ai mal au cœur si je lui parle mal », « j’ai des remords si je suis méchant(e) avec ChatGPT », ou « si tu lui parles mal, il te donne que des mauvaises réponses ». Certains précisent avoir fait le test avec des camarades de classe.

Seule une infime partie des répondants reconnaît que « la qualité des réponses dépend du prompt utilisé, « il faut être très précis dans ce qu’on lui demande ».

Tous les répondants ont indiqué être « dépendant à l’IAG », ne pas avoir le sentiment de tricher, ne pas comprendre les réticences, ou les interdictions d’utilisations émises par les professeurs ou leurs parents.  Ils reconnaissent qu’il existe un décalage entre leur utilisation de L’IA et celle des enseignants ou de leurs parents. Quelques étudiants ont indiqué aider leurs parents à l’apprentissage des IA pour leur développement professionnel. Certains ont ajouté utiliser la version professionnelle de ChatGPT payante de leurs parents.

Ces tendances ont été confirmées par nos entretiens semi-directifs avec les étudiants. Ces résultats confirmant le recul de l’esprit critique des étudiants, doivent bien évidemment nous interpeler comme enseignants. L’accès facilité aux connaissances et les moyens désormais répandus de répondre rapidement à des problèmes ne compensent pas les risques de mauvaises interprétations des conséquences possibles de décisions basées sur l’IA générative.  L’IA est un acteur non-humain du système éducatif, elle ne doit pas devenir son dirigeant.

IA, quelles conséquences pour les modalités d’évaluation ?

Après cette première analyse de nos données, il nous a semblé intéressant de confronter nos premiers résultats à des enseignants-chercheurs.

Nous avons organisé un focus groupe avec cinq enseignants.  Ils déclarent tous ne pas utiliser d’IAG. Selon l’étude de la FNEGE (2024), 6% des 204 professeurs interrogés déclarent utiliser fréquemment. Ils se posent la question de l’interdiction de l’usage de l’IAG par les étudiants. Les raisons évoquées sont « la trop forte dépendance des étudiants, le manque de créativité, l’absence de réflexion, le non-contrôle des sources par les étudiants, la confiance trop élevée des étudiants envers l’IAG » ils déclarent être dépassés par la place de l’IA dans le quotidien des étudiants et la difficulté d’évaluer et de certifier les compétences acquises par les étudiants.  « Les étudiants ne précisent jamais si le contenu ou même une partie a été généré par l’IAG, on rencontre de grosses difficultés pour savoir ou détecter si le contenu est fait par l’IA ou non ». Se pose ici la question centrale du rôle de l’enseignant dans l’apprentissage des étudiants.

Il existe un consensus au sein de l’ensemble des IA sur le fait qu’il n’existe pas d’outil efficace qui permette de détecter le contenu généré par l’IA. GOOGLE, a annoncé récemment s’engager à soutenir le développement d’une IA responsable, c’est-à-dire à filigraner le contenu audio et visuel pour indiquer que celui-ci est généré par l’IA. Ce qui répond aux interrogations de l’enseignant : Comment peut-il remplir son rôle d’enseigner et de valider les compétences acquises par l’étudiant s’il n’a pas la capacité de savoir ce qui a été fait par l’étudiant lui-même ou généré par l’IAG ?  Pour aller plus loin dans la réflexion que vont valoir les diplômés et les diplômes demain ?

Nous avons donc créé un groupe de travail d’enseignants-chercheurs français, marocains et congolais (terrain de notre étude) pour continuer la réflexion sur l’usage de l’IA générative par les étudiants et les enseignants. Nous souhaitons élaborer une charte d’utilisation de l’IA par les étudiants. Il est à notre sens essentiel et primordial de développer des pratiques éducatives inclusives qui respectent les impératifs éthiques.

Une première charte d’utilisation de l’IA par les étudiants issue de nos travaux et comparaisons, axée sur les enjeux de l’éthique et du respect des droits d’auteurs est testée dans une composante d’un peu plus de 1000 étudiants et d’une quarantaine d’enseignants titulaires d’une université française.  Les enseignants du groupe de travail ont saisi l’importance de s’adapter à cette nouvelle technologie répandue et déjà utilisée par les étudiants. Cette adaptation passe par la formation. Nos nouveaux axes de réflexion sur la formation des enseignants sur l’usage de l’IA portent sur la co-construction de contenus en IA, la conception de design pédagogiques des modules de cours, le développement des contenus académiques, exercices, études de cas, le test des modules auprès des étudiants et enseignants, la création des supports numériques immersifs, l’organisation de workshops et assurer l’évaluation des actions, des chartes ou règlements d’utilisation de l’IA. Nous sommes dans le partage d’expérience pour réussir un apprentissage personnalisé en s’adaptant aux besoins individuels des étudiants et des enseignants.

Les 4 étapes de la redéfinition du réseau éducatif par l’IA

L’intégration de l’IA dans l’enseignement supérieur modifie les relations entre les acteurs. Elle modifie les rôles et introduit de nouvelles dynamiques d’apprentissage. A partir des quatre étapes de l’ANT, nous proposons d’examiner comment l’IA redéfinit le fonctionnement du réseau éducatif.

Problématisation : une redéfinition des Enjeux pédagogiques

Dans une situation classique (sans IA), la problématisation se structure autour de la transmission des savoirs et de la validation des compétences. L’enseignant joue le rôle central de transmetteur et évaluateur. Les enjeux se concentrent sur la création d’un parcours d’apprentissage. Chaque étudiant développe et démontre ses compétences individuelles.

Les résultats de l’enquête montrent que l’IA modifie cette problématisation en redéfinissant les attentes des acteurs. Pour les étudiants, l’IA est un acteur indispensable pour « être performant », « gagner du temps » et « être sûr d’obtenir la bonne réponse ». L’enseignant, traditionnellement catalyseur de la transmission des savoirs, est confronté à un nouvel enjeu : garantir l’authenticité des apprentissages dans une situation où l’IA répond directement aux attentes des étudiants. Aussi, la problématique évolue : il ne s’agit plus simplement de transmettre un savoir, mais de garantir que ce savoir ne soit pas « sous-traité » par l’IA ce qui remettrait en question la légitimité et la validité des compétences.

Intéressement : une IA qui capte l’attention des étudiants

Dans un contexte classique, l’intéressement repose sur la capacité de l’enseignant à capter et maintenir l’attention des étudiants à l’aide de méthodes pédagogiques et de dispositifs d’évaluation engagés.  Nos résultats montrent que l’IA a redéfini ce rôle. En effet, 100 % des étudiants participants affirment utiliser l’IA, en particulier ChatGPT, sans vérifier ni douter des réponses fournies. Ils expriment même une sorte de « confiance aveugle », certaines allant jusqu’à dire que « ChatGPT ne peut pas se tromper ».

Ce transfert de confiance vers l’IA montre que les étudiants déplacent l’engagement qu’ils ont vis à vis de l’enseignant vers un outil perçu comme une source ultime de savoir et de confiance. L’IA capte l’intérêt et l’attention des étudiants et relègue l’enseignant au second plan. L’enseignant ne semble plus la première source d’information, mais une ressource de secours. En termes d’intéressement, l’IA prend une place centrale et pose un défi aux enseignants pour conserver une influence dans l’accompagnement des apprentissages.

Enrôlement : une négociation des rôles et une modification des pratiques

Sans IA, l’enrôlement permet une organisation claire des rôles. L’enseignant propose des activités d’apprentissage et des évaluations, et les étudiants s’engagent avec pour objectif de développer et de démontrer leurs compétences. Avec l’IA, cette organisation est perturbée. Les enseignants interviewés évoquent des préoccupations majeures concernant la validité des travaux rendus, certaines soulignant « ne pas savoir si le contenu soumis est celui de l’étudiant ou de l’IA ». Cette incertitude empêche l’enseignant de remplir son rôle traditionnel qui permet de garantir l’authenticité des savoirs. Comme alternative, ils explorent de nouveaux dispositifs, comme les évaluations en plusieurs étapes, les travaux de groupe ou les présentations orales. Ces dispositifs limiteraient l’influence de l’IA. Dans ce contexte, l’enrôlement est modifié. Chaque acteur doit adapter son rôle. Les étudiants apprennent à être évalués selon des modalités nouvelles, qui apportent des garanties, et les enseignants développent de nouvelles méthodes pour s’assurer de la validité des compétences. 

Mobilisation : une volonté de stabiliser le réseau

Pendant l’étape de mobilisation l’enseignant contrôle que chaque acteur respecte son engagement. Il devient le « porte-parole » d’un système qui cherche à crédibiliser l’évaluation. Mais l’introduction de l’IA complexifie cette mobilisation. La confiance des étudiants dans l’IA remet en cause cette capacité à garantir la valeur réelle des savoirs. Lors des groupes de discussion, les enseignants soulignent une « impuissance » face à l’influence de l’IA et évoquent des difficultés à détecter les travaux générés par des IA. Cela rend le contrôle des savoirs plus délicat. En réponse, les institutions et les enseignants cherchent à explorer de nouvelles règles. Ils envisagent la création de dispositifs comme des chartes d’utilisation de l’IA pour instaurer des règles claires et éduquer les étudiants aux bonnes pratiques.

Tableau 5 : Synthèse

Conclusion

Notre étude est imparfaite et loin d’être terminée mais elle confirme d’un point de vue théorique l’apport de l’ANT pour mieux comprendre les enjeux de l’encadrement nécessaire des pratiques de l’IA et l’intérêt qu’il y a pour la communauté universitaire à ne pas la considérer uniquement comme un outil de fraude potentiel mais bien comme un acteur, certes non-humain mais surtout non-humain. L’IA n’est pas et ne doit pas être envisagée comme un acteur humain, elle reste un outil, certes très performant et modifiant les comportements (notamment des étudiants) mais dépourvue d’empathie. Il est illusoire de penser qu’il est encore possible d’interdire l’usage de l’IA par les étudiants. Les compétences en matière d’IA par les étudiants sont des compétences très attendues et demandées par les entreprises. Une partie de notre échantillon est composée d’étudiants en alternance, et les résultats méritent une étude dédiée uniquement à cette thématique. Nos premiers résultats démontrent que pour réussir un apprentissage des étudiants via l’IA il faut une collaboration efficace avec les parties prenantes, les enseignants, les professionnels (vacataires enseignants) et les entreprises. Pour cela les enseignants doivent utiliser et maitriser les différents outils en lien avec l’IA. D’où l’importance de la formation. Nous poursuivons notre étude avec des nouveaux axes de recherche, car certains résultats ne sont pas identiques, par exemple l’inégalité d’accès à internet ou au numérique est une question centrale en Afrique et dans nos terrains de recherche le Maroc, la République Démocratique du Congo et le Cameroun. Cette fracture numérique peut être un frein à l’accès à cette innovation, aux opportunités portées par l’IA dans l’éducation et aux aspirations africaines.