Université et intelligence artificielle : entre promesses pédagogiques et vigilance éthique
Notice bibliographique
Résumé
Abstract: This study explores how Artificial Intelligence (AI) is reshaping higher education by transforming teaching, learning, and institutional management. The main objective is to examine how universities can leverage AI’s pedagogical potential while addressing its ethical implications. Using a qualitative methodology combining a literature review and the analysis of international case studies, the research identifies concrete applications of AI in university contexts, such as adaptive learning systems, automated assessment, and educational chatbots. The findings reveal that AI can enhance student engagement and instructional efficiency, but also raise concerns about algorithmic bias, data privacy, and digital inequality. The article concludes that a responsible and gradual integration of AI— supported by ethical guidelines and continuous teacher training—is essential to ensure that technology strengthens, rather than replaces, the humanistic mission of higher education. Résumé : Cette étude analyse la manière dont l’intelligence artificielle (IA) redéfinit l’enseignement supérieur en transformant les pratiques pédagogiques, la gestion institutionnelle et la mission éducative de l’université. L’objectif principal est d’examiner comment les établissements peuvent exploiter le potentiel éducatif de l’IA tout en répondant à ses enjeux éthiques, sociaux et méthodologiques. En combinant une analyse documentaire et l’examen critique de cas observés dans plusieurs universités étrangères - notamment au Canada, en Europe et en Asie -, la recherche met en évidence des usages concrets tels que les systèmes d’apprentissage adaptatif, l’évaluation automatisée et les agents conversationnels éducatifs. Les résultats révèlent que l’IA peut renforcer l’engagement des étudiants et améliorer l’efficacité institutionnelle, mais qu’elle exige parallèlement une vigilance accrue quant à la protection des données, aux biais algorithmiques et à la fiabilité des outils de détection du plagiat. L’article plaide ainsi pour une intégration progressive et responsable de l’IA, soutenue par une formation continue des enseignants et un encadrement éthique rigoureux, afin que la technologie demeure un instrument au service de la mission humaniste de l’université.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,018 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,015 |
| Communication savante | 0,012 | 0,009 |
| Science ouverte | 0,001 | 0,007 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».