Éducation & enseignement supérieur · BIB-AFA-0056
The Future of Mathematics Education in West Africa: How AI is Revolutionizing Personalized Learning
Dans quelle mesure l’intelligence artificielle peut-elle réellement personnaliser l’apprentissage des mathématiques dans l’enseignement supérieur ouest-africain, et quelles conditions institutionnelles, techniques et pédagogiques doivent être réunies pour que cette personnalisation ne reste pas un simple potentiel théorique ?
Question centrale
Dans quelle mesure l’intelligence artificielle peut-elle réellement personnaliser l’apprentissage des mathématiques dans l’enseignement supérieur ouest-africain, et quelles conditions institutionnelles, techniques et pédagogiques doivent être réunies pour que cette personnalisation ne reste pas un simple potentiel théorique ?
Thèse / idée directrice
La revue conclut que l’IA possède un potentiel réel pour adapter contenus, rythme, feedback et tutorat aux besoins des étudiants en mathématiques, mais que ce potentiel demeure faiblement réalisé en Afrique de l’Ouest. L’obstacle principal n’est pas seulement l’accès aux outils : il tient à la faiblesse des infrastructures, aux compétences limitées des enseignants et étudiants, au manque de contenus contextualisés et aux insuffisances de gouvernance des données. L’innovation ne peut donc produire des gains durables sans transformation institutionnelle.
Architecture et contenu substantiel
Le texte part de l’essor mondial des systèmes d’apprentissage adaptatif, des tuteurs intelligents et des outils génératifs, puis constate que l’Afrique de l’Ouest reste sous-documentée malgré l’expansion rapide de l’IA éducative. Les auteurs organisent alors une revue systématique centrée sur l’enseignement supérieur et l’apprentissage personnalisé des mathématiques. La recherche documentaire couvre 2015–2025 et plusieurs bases internationales et africaines. À partir de 474 références initiales, 27 travaux sont retenus après filtrage. La synthèse montre que les recherches régionales sont en croissance mais restent concentrées au Nigeria et au Ghana. Les applications identifiées concernent principalement tutorat intelligent, parcours adaptatifs, génération de feedback, analyse des performances et soutien individualisé. Les travaux rapportent des perspectives d’amélioration de l’engagement, de la compréhension conceptuelle et de la remédiation, mais l’hétérogénéité méthodologique empêche encore de parler d’efficacité généralisée. Les barrières récurrentes sont la connectivité, l’équipement, le coût, la formation des enseignants, la littératie numérique des étudiants, la localisation des contenus et la gouvernance des données. L’article termine sur un agenda régional de recherche : évaluations d’impact plus rigoureuses, études de durabilité, équité d’accès et adaptation aux différents types d’établissements ouest-africains.
Méthode / matériau
Revue systématique avec procédures de type PRISMA. Sources : Scopus, Web of Science, ERIC, Google Scholar, AJOL et dépôts institutionnels. Période 2015–2025. 474 références initialement repérées, 27 études retenues. Synthèse des modèles d’IA, impacts pédagogiques, obstacles d’adoption et lacunes de recherche.
Concepts structurants
Conclusions / résultats
La littérature régionale reste émergente et dominée par le Nigeria et le Ghana. Les outils d’IA peuvent soutenir une personnalisation réelle de l’apprentissage mathématique, mais leur déploiement exige investissements technologiques, développement des compétences, contenus localisés et politiques de gouvernance robustes. Les auteurs appellent à des recherches futures plus rigoureuses sur l’impact, la soutenabilité et l’équité.
Apport de la contribution
La fiche permet de distinguer clairement le potentiel technologique des conditions de sa réalisation. Elle est directement utile pour Mérisphère Lab et pour les réflexions sur l’IA éducative en contexte africain : elle évite de confondre disponibilité d’un outil et transformation pédagogique effective.
Réserves / interrogations ouvertes
Le résumé direct et les références permettent de reconstruire solidement le protocole, le nombre d’études incluses, les grands résultats et les recommandations. Le PDF intégral n’a toutefois pas encore été relu de bout en bout dans cette séquence ; la typologie exacte des 27 études, les tableaux de synthèse et les résultats détaillés devront être contrôlés avant validation définitive.
Références de vérification
- https://www.ajol.info/index.php/ajesms/article/view/333488
- African Journal of Educational Studies in Mathematics and Sciences 22(1), 2026, pp. 49–64
- CC BY 4.0