Éducation & enseignement supérieur · BIB-AFA-0080
Ethical Double Standards in the Use of AI Tools in Tanzanian Higher Education: A Case of Student vs Lecturer Practices in Research Assessment
Les universités tanzaniennes appliquent-elles les mêmes règles d’usage de l’intelligence artificielle aux étudiants et aux enseignants lorsqu’ils produisent, évaluent ou corrigent des travaux académiques, et que produit l’inégalité de traitement sur la confiance institutionnelle ?
Question centrale
Les universités tanzaniennes appliquent-elles les mêmes règles d’usage de l’intelligence artificielle aux étudiants et aux enseignants lorsqu’ils produisent, évaluent ou corrigent des travaux académiques, et que produit l’inégalité de traitement sur la confiance institutionnelle ?
Thèse / idée directrice
L’étude met en évidence un double standard systémique : les étudiants perçoivent l’usage de l’IA comme fortement surveillé et sanctionné, tandis que les enseignants disposent d’une marge plus large pour employer des outils similaires dans l’évaluation, la rédaction ou la préparation académique. Le problème n’est pas simplement l’absence de règles ; il réside dans leur manque de clarté, leur application asymétrique et l’insuffisance de guidance éthique. Cette asymétrie dégrade la confiance, produit peur et confusion et affaiblit la légitimité des politiques d’intégrité académique.
Architecture et contenu substantiel
L’article construit son argument à partir de l’Organisational Justice Theory et distingue équité distributive, procédurale et interactionnelle. Il examine d’abord la clarté des politiques : les répondants jugent faible la communication des règles, faible l’égalité des lignes directrices et encore plus faible la transparence de l’application. En revanche, ils sont fortement d’accord avec l’idée que les étudiants sont davantage pénalisés et que les enseignants sont encouragés à employer l’IA dans certaines tâches. Une seconde partie décrit l’usage étudiant : les outils comme ChatGPT, Grammarly ou QuillBot sont couramment utilisés et jugés utiles pour la qualité de l’écriture, mais les étudiants déclarent manquer de guidance et craindre des accusations de plagiat. Les entretiens et focus groups font apparaître une formule récurrente : mêmes outils, règles différentes. Une troisième partie mesure la fairness globale et confirme une forte perception de double standard. Les tests comparant étudiants et enseignants montrent des divergences significatives sur clarté, égalité d’application, pénalisation et fairness. Les analyses de corrélation indiquent enfin que clarté, équité et cohérence de l’enforcement sont fortement liées : une politique vague et asymétrique produit mécaniquement moins de confiance. La discussion demande donc des règles institutionnelles communes, une distinction explicite entre usages autorisés et non autorisés et une formation identique des enseignants et étudiants.
Méthode / matériau
Explanatory sequential mixed-method design dans trois universités publiques tanzaniennes. Population : 782 enseignants et plus de 45 000 étudiants. 656 questionnaires distribués (396 étudiants, 260 enseignants) ; 431 réponses valides analysées, dont 260 étudiants et 171 enseignants. Phase qualitative : 30 entretiens semi-structurés, 15 étudiants et 15 enseignants, plus six focus groups de huit participants chacun. Analyses descriptives, t-tests, ANOVA, corrélations de Pearson et analyse qualitative.
Concepts structurants
Conclusions / résultats
Les participants évaluent faiblement l’équité des politiques (M = 2,18), la fourniture égale de guidance (M = 2,05) et la clarté/cohérence des règles (M = 2,27), tandis que l’affirmation d’un double standard atteint M = 4,09. Les étudiants rapportent un usage régulier de l’IA (M = 3,71), une amélioration perçue de l’écriture (M = 4,01) mais aussi une forte peur d’être accusés de plagiat (M = 4,22). Les différences étudiants/enseignants sont significatives pour la clarté (t = −3,27, p = .001) et la fairness (t = −2,98, p = .003). Les corrélations entre clarté, équité et enforcement dépassent r = .59.
Apport de la contribution
La fiche met au jour une question centrale pour toute institution utilisant l’IA : la légitimité d’une politique dépend autant de son contenu que de la symétrie de son application. Pour Mérisphère Lab, elle fournit une base empirique pour établir des règles qui distinguent assistance, fraude et usage professionnel sans créer une norme différente selon le statut de l’utilisateur.
Réserves / interrogations ouvertes
L’étude porte sur trois universités publiques et mesure en partie des perceptions ; elle ne prouve pas que chaque décision disciplinaire concrète est biaisée. Une autre prudence méthodologique tient à la différence entre questionnaires distribués et réponses valides : les analyses finales reposent sur 431 répondants, même si certains tableaux comparatifs utilisent les tailles d’échantillon planifiées.
Références de vérification
- https://doi.org/10.59645/tji.v6i1.768
- The Journal of Informatics 6(1), 2026, pp. 55–81
- texte intégral CC BY 4.0