Towards an AI-Enabled Inclusive Educational Leadership (AIIEL) Framework: Integrating Responsible AI Governance, Disability Inclusion, and Gender Equality in Higher Education

Les universités sont actuellement au cœur d'une révolution silencieuse. Pendant des décennies, ces institutions se sont appuyées sur le jugement humain pour décider de qui est admis, comment les enseignants sont promus et comment les étudiants sont soutenus. Aujourd'hui, l'intelligence artificielle s'immisce dans ces rôles, proposant de trier les candidatures, de noter les copies et de gérer les emplois du temps avec rapidité et efficacité. Mais à mesure que ces outils numériques font partie du tissu quotidien de l'enseignement supérieur, une question troublante émerge : rendent-ils le système plus équitable, ou renforcent-ils discrètement les vieilles inégalités ? Le problème central est que, si la technologie progresse rapidement, les personnes responsables se sentent souvent mal préparées pour la guider. Elles craignent que, sans une surveillance attentive, ces systèmes intelligents puissent accidentellement traiter injustement les femmes, les personnes handicapées ou d'autres groupes marginalisés, simplement parce que les données dont ils apprennent reflètent des biais passés. Le défi n'est pas seulement d'utiliser la technologie, mais de s'assurer qu'elle sert tout le monde de manière égale.

Deux chercheurs, Wafa Muhammed Alajaji et Obby Phiri, sont intervenus pour combler cette lacune. Ils soutiennent que les universités ne peuvent pas simplement acheter un nouveau logiciel et espérer que tout se passe bien ; elles ont besoin d'une nouvelle façon de concevoir le leadership. Dans leurs récents travaux, ils proposent un plan complet appelé le cadre de leadership éducatif inclusif assisté par l'IA (AI-Enabled Inclusive Educational Leadership). Il ne s'agit pas d'un morceau de logiciel ou d'un ensemble de règles de codage. C'est plutôt un guide pour les personnes qui dirigent les universités, conçu pour les aider à prendre des décisions qui protègent l'équité tout en embrassant l'innovation. Les auteurs suggèrent que l'approche actuelle de la gestion de l'intelligence artificielle dans les écoles est trop fragmentée. Les guides existants traitent souvent la diversité et l'inclusion comme un simple petit élément sur une longue liste de contrôle, séparé du travail principal de gouvernance. Alajaji et Phiri pensent que c'est une erreur. Ils soutiennent que l'inclusion doit être tissée dans chaque décision, du moment où un nouvel outil est imaginé jusqu'au jour où il est utilisé dans une salle de classe.

Pour construire cette nouvelle approche, les chercheurs ont examiné six domaines d'étude qui étaient auparavant tenus à lらpart. Ils ont examiné comment les dirigeants construisent des cultures inclusives, comment l'intelligence artificielle est utilisée dans les écoles, comment fonctionne l'inclusion des personnes handicapées, comment l'égalité des sexes est maintenue, comment gouverner la technologie de manière responsable et comment les universités se transforment numériquement. En réunissant ces fils séparés, ils ont créé un modèle à quatre couches qui agit comme un cycle de prise de décision. La première couche se concentre sur les personnes et la vision. Elle demande aux dirigeants de considérer qui est assis à la table lorsqu'un nouveau système est choisi. Les étudiants handicapés et les membres du corps professoral féminins sont-ils sollicités pour donner leur avis avant l'achat d'un outil, ou ne sont-ils consultés qu'après que les dommages ont été causés ? Cette couche souligne que le leadership consiste à instaurer la confiance et à s'assurer que chacun a une voix.

La deuxième couche concerne la conception des outils eux-mêmes. Ici, le cadre pose une question simple mais profonde : ce système aide-t-il réellement un étudiant handicapé à réussir, ou fait-il simplement semblant de le laisser entrer ? Les chercheurs s'appuient sur l'idée de « capacité », ce qui signifie regarder au-delà de l'accès formel pour voir si une personne possède la liberté réelle d'utiliser une ressource pour atteindre ses objectifs. Par exemple, un système de notation automatisé peut techniquement accepter une dissertation d'un étudiant ayant une déficience visuelle, mais si le système ne peut pas lire le format spécialisé utilisé par l'étudiant, l'outil a échoué. Cette couche insiste sur le fait que les dirigeants doivent évaluer la technologie en fonction de sa capacité à élargir les opportunités réelles pour tous, et non sur la simple question de savoir si elle répond à une exigence légale minimale.

La troisième couche se concentre sur la manière dont la technologie est gouvernée et contrôlée. Elle demande si l'humain est toujours aux commandes. Le cadre suggère que pour les décisions à enjeux élevés, comme l'embauche d'un professeur ou le refus d'un diplôme, il doit y avoir une ligne claire où un humain peut intervenir et passer outre la machine. Elle examine également la manière dont la technologie a été construite, exhortant les dirigeants à s'assurer que les personnes qui seront affectées par le système ont aidé à le créer. Cela évite la situation où un outil est construit dans un laboratoire par un petit groupe d'ingénieurs, puis imposé à une population universitaire diversifiée sans aucun test de l'équité. La dernière couche examine les résultats. Elle demande aux dirigeants de suivre les données, mais pas seulement les chiffres généraux. Ils doivent examiner de près comment le système affecte différents groupes de personnes simultanément, comme les femmes handicapées, pour voir si l'outil crée de nouvelles barrières ou résout les anciennes.

Parallèlement à ce cadre principal, les auteurs proposent deux outils pratiques pour aider les universités à mettre ces idées en pratique. Le premier est une liste de compétences que les dirigeants universitaires doivent acquérir. Il ne s'agit pas seulement de compétences techniques sur le fonctionnement des ordinateurs, mais de compétences humaines sur la manière de détecter les biais, d'écouter les voix marginalisées et d'interpréter les données de manière à révéler les inégalités cachées. Le second outil est un modèle de maturité, qui agit comme une carte pour le parcours d'une institution. Il décrit cinq étapes, commençant par un stade où l'université ignore les risques et n'a aucun plan, passant par des stades où ils réagissent aux problèmes au fur et à mesure qu'ils surviennent, pour enfin atteindre un stade d'« excellence inclusive ». À ce niveau le plus élevé, l'université ne se contente pas d'éviter les préjudices ; elle utilise activement l'intelligence artificielle pour améliorer l'institution pour tout le monde, et elle peut le prouver avec des données.

Les chercheurs précisent que leur travail est une proposition, et non un produit fini qui a été testé dans le monde réel. Ils reconnaissent que leurs idées sont basées sur des théories existantes et qu'ils n'ont pas encore vu si ces modèles spécifiques fonctionnent en pratique dans différents types d'universités. Ils notent qu'une grande partie de la recherche actuelle provient de pays riches, et ils ne savent pas encore si leur cadre fonctionnera dans des endroits disposant de moins de ressources ou de normes culturelles différentes. Cependant, ils soutiennent que la situation actuelle est trop risquée pour attendre une preuve parfaite. La vitesse à laquelle les universités adoptent l'intelligence artificielle dépasse le développement des compétences de leadership, et sans un guide clair, le secteur risque d'élargir l'écart entre les privilégiés et les vulnérables.

En fin de compte, cet article est un appel à l'action pour ceux qui dirigent les universités. Il suggère que l'avenir de l'enseignement supérieur dépend moins de la sophistication des algorithmes que de la sagesse des dirigeants qui les choisissent. En traitant l'inclusion comme une partie centrale du leadership plutôt que comme une réflexion après coup, les universités peuvent s'assurer que l'essor de l'intelligence artificielle élève tout le monde, plutôt que de laisser certains de côté. Les auteurs offrent une feuille de route pour ce voyage, une feuille de route qui donne la priorité à la dignité humaine et à l'équité dans un monde de plus en plus automatisé. Bien que la voie à suivre nécessite plus de recherche et de tests, la direction est claire : le leadership inclusif est le seul moyen de garantir que la promesse de l'intelligence artificielle soit tenue pour tous.