📊 statistics

Plagiarism or Productivity? Students Moral Disengagement and Behavioral Intentions to Use ChatGPT in Academic Writing

Cette étude révèle que chez les étudiants philippins, l'intention d'utiliser ChatGPT pour la rédaction académique est fortement influencée par des mécanismes de désengagement moral, notamment le blâme attribué, ce qui souligne la nécessité de politiques claires et d'un soutien éthique pour encadrer l'usage de l'IA.

Auteurs originaux : John Paul P. Miranda, Rhiziel P. Manalese, Mark Anthony A. Castro, Renen Paul M. Viado, Vernon Grace M. Maniago, Rudante M. Galapon, Jovita G. Rivera, Amado B. Martinez Jr

Publié 2026-03-23

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : John Paul P. Miranda, Rhiziel P. Manalese, Mark Anthony A. Castro, Renen Paul M. Viado, Vernon Grace M. Maniago, Rudante M. Galapon, Jovita G. Rivera, Amado B. Martinez Jr

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

🎓 Le Dilemme de l'Étudiant : Tricher ou Travailler ?

Imaginez que vous êtes étudiant en Philippines. Vous avez un gros devoir à rendre, le stress monte, et soudain, vous avez une super idée : ChatGPT. C'est comme un assistant personnel ultra-intelligent qui peut écrire, résumer et corriger pour vous.

Mais là, le petit juge intérieur s'active : "Est-ce que c'est tricher ?"
Si vous dites "Oui", vous vous sentez coupable. Si vous dites "Non", vous vous sentez soulagé.

Cette étude (Miranda et al., 2025) a demandé à 418 étudiants : "Comment arrivez-vous à vous sentir bien en utilisant cette IA, même si les règles disent peut-être le contraire ?"

🧠 Le "Magicien" de l'Excuse : La Désengagement Moral

Les chercheurs ont découvert que les étudiants utilisent un outil mental très puissant appelé la désengagement moral. C'est un peu comme un magicien qui fait disparaître la culpabilité.

Au lieu de dire "J'ai triché", l'étudiant utilise 5 astuces pour se convaincre que ce n'est pas grave :

La Justification Morale (Le "C'est pour le bien") :
- L'analogie : C'est comme dire : "Je ne vole pas de pain, je le prends pour nourrir mon cerveau !"
- En vrai : "J'utilise ChatGPT pour apprendre, pas pour copier."
L'Étiquetage Euphémistique (Le "Doux langage") :
- L'analogie : Appeler un "vol" un "emprunt temporaire".
- En vrai : "Ce n'est pas de la triche, c'est de l'aide à la rédaction."
Le Déplacement de Responsabilité (Le "C'est de leur faute") :
- L'analogie : Si vous renversez un vase, vous dites : "C'est la table qui était mal placée !"
- En vrai : "Ce n'est pas ma faute, c'est l'école qui n'a pas donné de règles claires."
La Minimisation des Conséquences (Le "Ce n'est pas grave") :
- L'analogie : "J'ai mangé un seul biscuit, la boîte n'en aura pas manqué."
- En vrai : "Ça ne fait de mal à personne, tant que je comprends ce que j'écris."
L'Attribution de la Faute (Le "Blâmer le système") :
- L'analogie : "Si je suis en retard, c'est parce que la circulation est nulle, pas parce que je suis en retard."
- En vrai : "Les professeurs ne savent pas gérer l'IA, alors c'est normal que je l'utilise."

🎯 Ce que l'étude a révélé (Les Résultats)

Les chercheurs ont posé des questions pour voir comment ces "magies" mentales influencent la décision d'utiliser l'IA.

Le coupable principal : C'est l'attribution de la faute. Les étudiants qui disent "C'est l'école qui est confuse" sont ceux qui ont le plus envie d'utiliser ChatGPT. Ils se disent : "Puisqu'ils ne disent pas non clairement, je peux le faire."
Le moteur de l'action : Une fois que l'étudiant s'est convaincu que c'est acceptable (grâce aux astuces ci-dessus), son attitude devient positive. C'est cette attitude positive qui est le plus grand moteur pour décider d'utiliser l'IA à l'avenir.
L'effet de groupe : Si tout le monde le fait, on se dit que c'est normal (c'est la "norme sociale").

🏫 La Leçon pour les Écoles et les Professeurs

Imaginez que l'école est un terrain de jeu. Si les règles sont floues (ex: "Ne faites pas de mal" sans préciser ce qu'est le mal), les enfants vont trouver des astuces pour jouer aux limites.

L'étude nous dit trois choses importantes :

Arrêtez de juste interdire : Dire "Non, c'est interdit" ne suffit pas si les étudiants pensent que c'est juste pour "apprendre".
Soyez clairs comme de l'eau de roche : Les écoles doivent dire exactement ce qui est permis et ce qui ne l'est pas avec l'IA. Pas de zone grise !
Parlez-en : Les professeurs doivent discuter de l'éthique en classe. Il faut aider les étudiants à comprendre pourquoi l'honnêteté compte, pas juste leur donner une liste d'interdits.

🚀 En résumé

Les étudiants ne sont pas nécessairement de "mauvais élèves". Ils sont souvent coincés entre la pression de réussir et des règles qui ne sont pas assez claires sur l'IA. Ils utilisent des excuses mentales pour se sentir bien en utilisant ChatGPT.

Pour changer cela, il ne faut pas seulement surveiller les étudiants, il faut éclairer le chemin avec des règles claires et un accompagnement éthique. Si l'école devient un guide clair, les étudiants n'auront plus besoin de "magiciens" pour se justifier !

1. Problématique et Contexte

L'étude aborde la tension croissante entre l'adoption rapide des outils de génération d'IA (comme ChatGPT) par les étudiants universitaires et les principes d'intégrité académique. Bien que ces outils améliorent l'apprentissage et la productivité, leur usage soulève des inquiétudes concernant l'originalité et la triche.
Le problème central identifié est l'absence de modèles intégrant la désengagement moral (les mécanismes cognitifs permettant de rationaliser des comportements éthiquement douteux) avec la Théorie du Comportement Planifié (TPB). L'étude vise à comprendre comment les étudiants philippins justifient l'utilisation de ChatGPT pour des travaux académiques et comment ces justifications influencent leur intention comportementale, dans un contexte où les politiques institutionnelles sont souvent floues ou en cours de révision.

2. Méthodologie

L'étude adopte une approche quantitative basée sur un design transversal et l'utilisation de l'équation structurelle (via des modèles de régression multiple).

Participants : Un échantillon de 418 étudiants universitaires philippins ayant une expérience préalable avec ChatGPT pour des tâches académiques (thèses, études de faisabilité, rapports, etc.). La majorité fréquente des institutions publiques (85,7 %) et l'âge moyen est de 21,65 ans.
Instrument : Un questionnaire en ligne utilisant une échelle de Likert en 5 points mesurant 9 construits :
- Désengagement moral (5 mécanismes) : Justification morale, étiquetage euphémique, déplacement de responsabilité, minimisation des conséquences, attribution de la faute.
- Théorie du Comportement Planifié (TPB) : Attitudes, normes subjectives, contrôle comportemental perçu.
- Variable dépendante : Intention comportementale d'utiliser ChatGPT.
Analyse des données : Les données ont été analysées via Python (Jupyter Notebook) en utilisant des régressions linéaires multiples (Moindres Carrés Ordinaires - OLS) pour tester six hypothèses reliant les mécanismes de désengagement moral aux composantes de la TPB, puis à l'intention comportementale. La fiabilité interne (Alpha de Cronbach) était supérieure à 0,70 pour tous les construits.

3. Contributions Clés et Cadre Théorique

La principale contribution de cet article est l'intégration théorique de la Théorie du Désengagement Moral (Bandura) dans le cadre de la Théorie du Comportement Planifié (Ajzen) spécifiquement pour le contexte de l'IA générative dans l'éducation supérieure philippine.

L'étude démontre que les mécanismes de désengagement moral agissent comme des prédicteurs distaux qui influencent les attitudes, les normes subjectives et le contrôle comportemental, lesquels déterminent ensuite l'intention d'usage.
Elle met en lumière le rôle spécifique de l'attribution de la faute (blâmer les institutions pour des politiques floues) comme mécanisme dominant dans la rationalisation de l'usage de l'IA.

4. Résultats Principaux

Les résultats statistiques révèlent des relations significatives entre les variables :

Modèle de prédiction de l'Attitude : Le modèle explique 67,9 % de la variance ( $R^2 = .679$ ). Les prédicteurs significatifs sont l'étiquetage euphémique, le déplacement de responsabilité, la minimisation des conséquences et l'attribution de la faute. La minimisation des conséquences et l'attribution de la faute sont les plus forts prédicteurs. La justification morale n'est pas significative.
Modèle de prédiction des Normes Subjectives : Le modèle explique 56,7 % de la variance ( $R^2 = .567$ ). L'attribution de la faute est le prédicteur le plus fort ( $\beta = 0,387$ ), indiquant que les étudiants perçoivent une plus grande acceptation sociale de l'IA lorsqu'ils blâment le manque de clarté des règles institutionnelles.
Modèle de prédiction du Contrôle Comportemental Perçu : Le modèle explique 59,1 % de la variance ( $R^2 = .591$ ). L'attribution de la faute est à nouveau le prédicteur dominant ( $\beta = 0,421$ ), suivi de la justification morale.
Modèle de prédiction de l'Intention Comportementale : Les trois composantes de la TPB expliquent 60,6 % de la variance de l'intention ( $R^2 = .606$ $R^{2} = .606$ ).
- L'attitude est le prédicteur le plus fort de l'intention ( $\beta = 0,499$ ).
- Le contrôle comportemental perçu ( $\beta = 0,253$ ) et les normes subjectives ( $\beta = 0,098$ ) sont également significatifs, mais moins influents que l'attitude.

Synthèse des résultats : Les étudiants qui blâment les institutions pour des directives imprécises, minimisent les risques éthiques ou transfèrent la responsabilité aux autres, développent des attitudes plus favorables et un sentiment de contrôle accru, ce qui conduit à une intention plus forte d'utiliser ChatGPT.

5. Signification et Implications

Cette étude offre des insights cruciaux pour les décideurs éducatifs et les chercheurs :

Politiques Académiques : La corrélation forte entre l'attribution de la faute et l'intention d'usage suggère que l'absence de politiques claires sur l'IA est un facteur majeur de non-conformité. Les institutions doivent non seulement établir des règles, mais les communiquer explicitement pour réduire l'ambiguïté morale.
Pédagogie et Éthique : Les étudiants ne rejettent pas nécessairement l'IA par malhonnêteté, mais la rationalisent comme un outil d'apprentissage acceptable en l'absence de garde-fous. Il est nécessaire de développer des programmes éducatifs qui aident les étudiants à naviguer les aspects moraux de l'IA, au-delà de la simple interdiction.
Limites des Modèles Comportementaux : L'étude souligne que les modèles basés uniquement sur l'intention (comme la TPB) ne capturent pas entièrement le comportement réel, car des facteurs émotionnels (stress, pression des pairs, commodité) jouent également un rôle.
Contexte Local : Dans le contexte philippin, l'étude met en évidence comment les lacunes systémiques perçues par les étudiants influencent directement leur éthique numérique, appelant à une approche holistique combinant guidance des enseignants, culture d'intégrité et soutien technique.

En conclusion, l'utilisation de ChatGPT par les étudiants est moins une question de capacité technique que de rationalisation morale facilitée par un environnement institutionnel perçu comme flou ou défaillant.