Ancrer l'usage de l'IA dans l'enseignement supérieur inclusif dans l'Universal Design for Learning et des cadres institutionnels dépassant la logique punitive¶

Strategy · All strategies
Evidence · 1 claim (1 for) · 1 study (1 review), q2 · 0 of 1 report an effect size · 1 claim rests on one study

Description¶

L'article propose d'articuler outils d'IA et pratiques inclusives via l'Approche par Conception Universelle pour l'Apprentissage (UDL), qui « vise des curriculums flexibles adaptés à une gamme étendue de styles et d'aptitudes » (Rose & Meyer, 2002, cités dans Bergeron et al., 2012). En anticipant la diversité dès la conception, cette approche « produit des effets plus durables que les démarches réactives qui ne cherchent à adapter les situations qu'après identification des difficultés ». La stratégie englobe aussi les pratiques « transgressives » d'enseignants (Pérez & Suau, 2023) que l'IA pourrait amplifier, et une réponse institutionnelle dépassant la logique punitive, alors que moins de 10 % des établissements ont initié une réflexion éthique (UNESCO, 2023, citée par Zollinger, 2024).

Design Implications¶

Context¶

Requirements¶

• L'efficacité suppose que les enseignants soient formés à interpréter les données et à y répondre, et que les principes éthiques soient intégrés aux trois dimensions de conception, de données et d'usage identifiées par Collin et Marceau (2022).

Constraints¶

• L'article note que les missions handicap restent « souvent limités à une approche organisationnelle qui laisse les EC face à des injonctions floues » (Pérez & Suau, 2023), dans un système marqué par des traditions sélectives.

Target Learners¶

• étudiants en situation de handicap dans l'enseignement supérieur
• enseignants-chercheurs

Target Learning Goals¶

• garantir l'accès aux formations dans les mêmes conditions pour tous les étudiants
• articuler outils d'IA et pratiques pédagogiques inclusives

Affordances¶

• Universal User Concept Exclusion Disability

Claims¶

• Les LLMs utilisés comme juges d'évaluation scientifique présentent douze types de biais qui désavantagent les productions s'écartant des canons dominants [+W]

Related Strategies¶

• Hybrider chercheur et IA en préservant la diversité épistémique : posture critique, diversification des corpus, prompt engineering disciplinaire, benchmarks et formation

Examples¶

-

Key Sources¶

• Fatiha TALI OTMANI. (2025). L'intelligence artificielle générative et la marginalisation des savoirs minoritaires dans l'enseignement supérieur. Le cas du handicap. https://scholar.google.com/scholar?q=%22marginalisation+des+savoirs+minoritaires+dans+l%27enseignement+sup%C3%A9rieur%22