L’utilisation et les perceptions des outils IA dans
l’enseignement supérieur.
Dr. OUOBA Nambihanla Emmanuel – Université Virtuelle du Burkina Faso
2
Plan de présentation
1. Introduction
2. Éléments théoriques
3. Méthodologie
4. Résultats
5. Discussion
6. Conclusion
3
Introduction
1. Transformations profondes de l’enseignement supérieur
2. Applications des outils IA dans l’enseignement supérieur
3. Préoccupations éthiques et pratiques (Williamson et
Eynon (2020); Knox (2021)
4. Enjeux technologiques, pédagogiques, éthiques et de
gouvernance des systèmes éducatifs.
4
Eléments théoriques 1/4
1- Usage de l'IA dans l'éducation supérieure (Luckin et al. (2021) ).
• automatiser certaines tâches éducatives,
• améliorer la personnalisation des apprentissages,
• offrir des outils analytiques pour la recherche et la gestion
académique
• fournir un accompagnement individualisé aux apprenants
• adaptation des cours aux besoins spécifiques de chaque
étudiant
5
Eléments théoriques 2/4
2- Les perceptions des universitaires vis-à-vis de l’IA (Holstein et al.
(2020); McArthur et Lin (2023) )
• la majorité des universitaires perçoivent l'IA comme une
opportunité d'amélioration de l'efficacité de l'apprentissage
• beaucoup soulignent les risques liés à la protection des données
personnelles et aux questions éthiques
• la « déshumanisation » de l’apprentissage
• l’IA pourrait remplacer des interactions humaines essentielles
dans le processus éducatif.
6
Eléments théoriques 3/4
3- Défis éthiques et technologiques (Kizilcec et Lee (2022); McArthur
et Lin (2023) ).
• préoccupations sur la confidentialité des données
• préoccupations sur l’équité dans l’accès aux outils
• nécessité de réguler l'utilisation des technologies IA
• éviter une fracture numérique
• garantir que l'accès ne se fasse pas au détriment des
groupes marginalisés.
7
Eléments théoriques 4/4
4- Impact des outils IA sur les compétences des étudiants (Zhao et Hu
(2023)
• Une des grandes préoccupations soulevées dans la littérature
• l’utilisation excessive pourrait entraîner une dépendance
technologique,
• affecter des compétences essentielles (la pensée critique, la
créativité et la résolution de problèmes)
• l’IA peut compléter l'éducation humaine Vs l’IA risque
d'amoindrir les capacités autonomes d'apprentissage ?
8
Méthodologie 1/4
1. repose sur une collecte de données quantitatives
et qualitatives à partir d'un questionnaire
2. deux principaux axes :
• les usages actuels de l’IA dans les processus
d’apprentissage des universitaires,
• les perceptions et préoccupations face à ces nouvelles
technologies
9
Méthodologie 2/4
1. L’étude a été menée auprès d’un échantillon d’environ 300
personnes
2. Europe, Amérique du Nord et majoritairement en Afrique
3. Les thèmes abordés incluent :
• Les outils d’IA utilisés par les universitaires,
• Le niveau de confort avec ces outils et leur intégration,
• Les perceptions sur les opportunités et les risques liés à l’utilisation de l’IA,
• Les attentes des universitaires vis-à-vis de l’IA.
10
Méthodologie 3/4
1. L’analyse quantitative ( Stata Now/BE 18.5) :
• à l'aide de statistiques descriptives
• identifier les tendances générales d'utilisation de l'IA et
• les niveaux de confort
2. L’analyse qualitative :
• analyse thématique
• pour comprendre les perceptions plus profondes concernant
les risques et les opportunités de l’IA pour l’enseignement
supérieur.
11
Méthodologie 4/4
1. Matrice de corrélations avec p-values
• pour visualiser les corrélations entre les variables
• tester la significativité statistique
12
Résultats : statistiques descriptives
Répartition géographique
Profil des participants
Domaine ou filière des
participants
13
Résultats : usages
Catégorisation d’outils ou application d’IA
14
Résultats : usages
Traitement du langage nature Outils vision par ordinateur
15
Résultats : usages
Outils de machine Learning Les systèmes de recommandation
16
Résultats : usages
Outils robots et automatisation Les agents virtuels et les assistants vocaux
17
Résultats : usages
Les outils d’analyse des données Les outils de détection et prévention des fraudes
18
Analyse multivariée
▪ Profil Vs formation
▪ Formation Vs avantage et inconvénient
▪ Formation en IA Vs résidence à l’utilisation
▪ Domaine/Filière et efficacité perçue de l’IA
▪ Domaine et confidentialité et éthique
▪ Efficacité perçue de l’IA, confidentialité et éthique
19
Discussion 1/4
▪ La formation est centrale dans l'intégration de l'IA dans
l'enseignement supérieur (Chiu et al., 2022).
▪ Les avantages et les inconvénients perçus de l’IA varient
en fonction de la formation (Huang et al., 2023)
▪ Les disparités géographiques créent des inégalités dans
l'utilisation et la perception des technologies d’IA (Bozkurt
et al., 2021)
20
Discussion 2/4
▪ L'efficacité de l'application de l'IA dépend du domaine
d'étude (Zawacki-Richter et al., 2023); (Chen et al., 2020)
▪ L'adoption de l'IA varie selon le domaine en raison des
préoccupations en matière de confidentialité (Adams et al.,
2022) (Chong, 2023).
▪ Nécessité d'un cadre éthique robuste pour éviter des biais
systémiques dans les algorithmes (Kiemde & Kora, 2022);
(Akgun & Greenhow, 2021).
21
Discussion 3/4
▪ L'efficacité de l'IA dans l'amélioration des résultats
d'apprentissage est souvent compromise par des
préoccupations liées à la protection des données
(Hermansyah et al., 2023); (Bozkurt et al., 2021)
▪ Les enseignants qui perçoivent l'IA comme potentiellement
biaisée ou injuste sont moins susceptibles de l'utiliser de
manière intensive. (Cathrin & Wikandaru, 2023)
22
Discussion 4/4
23
Conclusion
Les analyses montrent que le profil des répondants, leur
formation, leur domaine, et leur lieu de résidence influencent
significativement leurs perceptions de l’IA, qu'il s'agisse de ses
avantages, de ses risques, ou de son efficacité.
Les recommandations tournent autour de la formation continue et
de la mise en place de cadres éthiques pour encourager une
adoption responsable de l'IA dans l'enseignement supérieur.
24
Je vous remercie de votre attention
25
Bibliographie
• Adams, A., Cathrin, B., & Wikandaru, D. (2023). Exploring Ethical Considerations in AI Adoption in Higher Education. Springer.
• Akgun, A., & Greenhow, C. (2021). Generative AI Tools in Education: Ethical Implications and Frameworks. IEEE Access.
• Bozkurt, A., Burton, A., & Zawacki-Richter, O. (2021). Systemic Review of AI in Science Education: Potential and Risks. Educational Technology & Society.
• Chen, L., Chen, P., & Lin, Z. (2020). Artificial Intelligence in Education: Opportunities and Challenges. IEEE Access.
• Chong, A. Y. L. (2023). Privacy Concerns and AI Adoption in Education. Computers in Human Behavior.
• Hermansyah, I., et al. (2023). Privacy and Ethical Frameworks for AI in Higher Education. Frontiers in Psychology.
• Kiemde, D., & Kora, M. (2022). Developing Responsible AI in Educational Settings. Springer.
• Knox, J. (2021). AI and education in the global south: Critical perspectives on the politics of data. Learning, Media and Technology, 46(1), 1-17.
https://doi.org/10.1080/17439884.2021.1876727
• Luan, H., Zou, B., & Liviero, S. (2020). Challenges of Big Data and AI in Education. IEEE Access.
• McArthur, D., & Lin, S. (2023). The role of artificial intelligence in personalized learning: Opportunities and challenges. Educational Technology & Society, 26(3), 72-
85. https://doi.org/10.3986/ects.v26i3.9
• Williamson, B., & Eynon, R. (2020). Datafication and automation in higher education: Critical perspectives on AI, data and learning analytics. Learning, Media and
Technology, 45(1), 1-12. https://doi.org/10.1080/17439884.2020.1686011
