📈 economics

AI Research Attention and Higher Education System Response: A Lead-Lag Panel Analysis of the EU-27

Cette analyse de panel sur les 27 pays de l'UE révèle que les indicateurs du système d'enseignement supérieur sont principalement déterminés par leur propre persistance historique plutôt que par l'attention portée à l'IA, à la seule exception du fait que l'intérêt de recherche publique pour l'IA générative prédit une légère augmentation des dépenses ultérieures en recherche et développement.

Auteurs originaux : Gabriel Osei Forkuo, Emmanuel Osei-Dwomoh

Publié 2026-09-08

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Gabriel Osei Forkuo, Emmanuel Osei-Dwomoh

Article original sous licence CC BY 4.0 (https://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

Dans le monde de l'enseignement supérieur, une question discrète mais puissante a émergé alors que l'intelligence artificielle redessine nos façons d'apprendre et de travailler : le battage médiatique autour des nouvelles technologies change-t-il réellement le système, ou le système suit-il simplement sa propre trajectoire ? Depuis des décennies, les chercheurs étudient la manière dont les nouveaux outils se propagent dans les écoles et les universités. Ils savent que lorsqu'une nouvelle technologie arrive, les gens deviennent curieux, les chercheurs publient des articles à son sujet et les gouvernements élaborent des politiques. Mais il existe une lacune dans notre compréhension. Nous voyons souvent ces phénomènes se produire simultanément, mais nous savons rarement lequel précède l'autre. Est-ce l'explosion de l'intérêt public et de la production académique sur l'intelligence artificielle qui force les universités à modifier leurs chiffres d'inscription, à consacrer plus d'argent à la recherche ou à former davantage de personnes aux compétences numériques ? Ou bien ces grands changements dans le système éducatif se produisent-ils en raison de plans à long terme et de forces existantes, l'engouement pour l'intelligence artificielle ne faisant que surfer sur la vague ? Cette question est cruciale pour les dirigeants universitaires et les responsables gouvernementaux qui doivent décider où investir des milliards de dollars. Si le battage médiatique est le moteur du changement, ils doivent agir vite. Si le système évolue de lui-même, ils risquent de gaspiller des ressources à poursuivre une tendance qui ne dirige pas réellement le navire.

Pour répondre à cela, deux chercheurs ont entrepris d'examiner l'ensemble de l'Union européenne, en analysant les données des vingt-sept pays membres sur une période de six ans. Ils ont traité le système éducatif comme un géant au mouvement lent, suivant trois indicateurs spécifiques qui définissent sa santé : le nombre de jeunes inscrits à l'université, le montant que les nations dépensent en recherche et développement, et le pourcentage de la population adulte possédant de solides compétences numériques. Ils ont ensuite comparé ces chiffres à évolution lente à trois mesures de l'« attention » portée à l'intelligence artificielle : le nombre d'articles académiques écrits sur l'intelligence artificielle générative, l'existence de politiques gouvernementales nationales sur le sujet, et le volume de recherches effectuées par les individus sur cette technologie sur Google. Les chercheurs ont construit un modèle qui regardait le passé pour prédire l'avenir. Ils ont posé une question simple et directe : si un pays a accordé beaucoup d'attention à l'intelligence artificielle l'année dernière, ce pays verra-t-il un changement dans ses inscriptions universitaires, ses dépenses de recherche ou ses compétences numériques cette année ? Ils ont également posé l'inverse : est-ce que la force existante d'un pays en matière d'éducation et de recherche prédisait un pic de publications sur l'intelligence artificielle l'année suivante ?

Les résultats ont brossé le portrait d'un système remarquablement têtu. Le prédicteur le plus fort du nombre d'étudiants à l'université, du montant dépensé en recherche ou du niveau de compétence de la main-d'œuvre était simplement ce que ces chiffres étaient l'année précédente. En d'autres termes, le système a tendance à continuer ce qu'il faisait déjà. Les chercheurs ont constaté que l'intense conversation mondiale sur l'intelligence artificielle, qui a explosé après le lancement d'un chatbot populaire fin 2022, n'a pas imposé de transformation rapide immédiate dans ces trois domaines majeurs. Lorsqu'ils ont examiné si le nombre d'articles académiques sur le sujet conduirait à une hausse des inscriptions universitaires ou à l'apprentissage de compétences numériques, les données n'ont montré aucune connexion claire. Il en allait de même pour les documents de politique nationale ; la simple existence d'une stratégie nationale ne semblait pas déclencher de changements immédiats dans les résultats du système. Même l'idée inverse, selon laquelle les pays dotés de systèmes éducatifs solides produiraient naturellement plus de recherches en intelligence artificielle, n'a pas été soutenue par les données. La capacité du système ne semblait pas être le moteur de l'essor de la recherche.

Il y avait toutefois une petite exception spécifique à cette règle d'inertie. Les chercheurs ont découvert un lien entre la curiosité du public et le financement de la recherche. Lorsque les habitants d'un pays effectuaient des recherches sur l'intelligence artificielle générative sur Internet, cet intérêt semblait prédire une légère augmentation des dépenses de recherche l'année suivante. L'effet était modeste, mais c'était la seule fois où les données montraient que l'attention pouvait mener à l'action. Plus précisément, un bond notable de l'intérêt de recherche était associé à une légère hausse du pourcentage de la production économique d'un pays dédié à la recherche et au développement. Cela suggère que si la fascination du public pour la technologie peut inciter les gouvernements à injecter un peu plus d'argent dans la recherche, elle ne semble pas assez puissante pour modifier rapidement le nombre d'étudiants à l'université ou le nombre d'adultes apprenant les compétences numériques.

L'étude conclut que l'histoire de l'intelligence artificielle dans l'enseignement supérieur européen n'est pas celle d'une révolution soudaine et systémique pilotée par le battage médiatique. C'est plutôt une histoire de persistance. Les grands indicateurs de la santé de l'éducation et de l'économie se déplacent selon leurs propres courants lents et profonds, largement insensibles au bruit annuel d'une nouvelle tendance technologique. L'attention du public et la production de la communauté académique avancent de concert avec la production de la recherche, mais elles ne tirent pas encore le reste du système avec elles. Pour les décideurs politiques, cela signifie que si le suivi de l'intérêt public peut offrir un signal ténu sur la direction que prend l'argent de la recherche, ce n'est pas un cristal de vision fiable pour prédire les changements dans le nombre d'étudiants ou les compétences de la main-d'œuvre. Le système n'est pas remodelé du jour au lendemain par l'arrivée de l'intelligence artificielle ; il change à son propre rythme, la nouvelle technologie surfant actuellement sur la vague plutôt que de la créer.

Résumé Technique : Attention à la recherche sur l'IA et réponse du système d'enseignement supérieur dans l'UE-27

Problématique
La littérature existante sur l'intelligence artificielle générative (IA générative) dans l'enseignement supérieur repose principalement sur des études de cas à micro-niveau ou sur des corrélations contemporaines (de la même année). Ces approches ne parviennent pas à établir une antériorité temporelle ou une causalité directionnelle entre l'attention portée à l'IA et les changements systémiques plus larges dans l'enseignement supérieur. Plus précisément, il n'est pas clair si l'augmentation de l'intérêt pour la recherche, de l'activité politique et du volume de recherche publique stimule activement les adaptations structurelles — telles que les changements dans les effectifs de l'enseignement tertiaire, les dépenses en recherche et développement (R&D) et le développement des compétences numériques — ou si ces indicateurs de système ne font que refléter des trajectoires historiques indépendantes de l'attention portée à l'IA. De plus, la littérature manque de preuves macro-niveau et transnationales testant si la capacité établie du système (capacité d'absorption) prédit la production future de recherche en IA.

Méthodologie
L'étude emploie une analyse de panel avec décalage (lead-lag) couvrant l'ensemble des 27 États membres de l'Union européenne (UE-27 sur la période 2020-2025, $N=162$ observations pays-année).

Sources de données : L'analyse utilise des données ouvertes d'Eurostat, de la Banque mondiale, d'OpenAlex, de Google Trends et de l'Observatoire des politiques de l'IA de l'OCDE.
Variables :
- Prédicteurs de l'attention à l'IA (Année $t-1$ ) : Publications sur l'IA générative et l'enseignement supérieur transformées logarithmiquement, un indice de politique nationale de l'IA (échelle 0–2) et un indice composite d'intérêt de recherche Google Trends.
- Résultats du système (Année $t$ ) : Effectifs bruts de l'enseignement tertiaire, dépenses de R&D en part du PIB et part de la population possédant des compétences numériques de niveau supérieur au niveau de base.
Stratégie économétrique : Les auteurs ont estimé quatre modèles de panel à effets fixes à deux voies avec des erreurs types robustes aux clusters (groupées par pays).
- Modèles directs (trois) : Ils testent si les mesures décalées de l'attention à l'IA prédisent les résultats actuels du système, en contrôlant le propre décalage du résultat (terme autorégressif) pour isoler le pouvoir prédictif incrémental au-delà de la persistance.
- Modèle inverse (un) : Il teste si les résultats passés du système prédisent l'activité actuelle de publication de l'IA générative, en contrôlant le propre décalage de la série de publications.
Contraintes de conception : En raison de la courte dimension temporelle (six ans), l'étude utilise un seul décalage d'un an. Elle exclut explicitement les diagnostics complets de causalité de Granger (par exemple, les tests de cointégration, les tests de dépendance transversale) qui nécessitent des séries temporelles plus longues, reconnaissant cela comme une limitation spécifique dans la Section 6.

Contributions clés

Construction de panel reproductible : L'étude construit un panel pays-année en open-source capturant l'attention de la recherche en IA et les indicateurs d'enseignement supérieur à travers l'UE-27, comblant ainsi une lacune dans les preuves macro-niveau pluriannuelles.
Spécification bidirectionnelle (lead-lag) : Contrairement aux études précédentes reposant sur des corrélations de la même année, cette conception met en œuvre un test de type Granger pour déterminer l'antériorité temporelle, examinant à la fois si l'attention à l'IA conduit au changement du système et si la capacité du système conduit à la production de recherche en IA.
Diagnostics de panel : L'étude reconnaît l'absence de tests de robustesse standards pour la dépendance transversale et l'hétérogénéité structurelle (tels que les tests de cointégration) en raison de la courte durée du panel, signalant explicitement cela comme une limitation méthodologique plutôt que comme une caractéristique de l'analyse.

Résultats
L'analyse révèle que la persistance, plutôt que la disruption induite par l'IA, est le facteur dominant expliquant la variation d'une année sur l'autre des indicateurs du système.

Dominance autorégressive : Dans les quatre modèles, la valeur décalée de la variable dépendante (le passé de l'indicateur) était le prédicteur le plus fort de sa valeur actuelle (coefficients allant de 0,447 à 0,716, tous $p < 0,001$ ).
Modèles directs (Attention à l'IA $\rightarrow$ Résultats du système) :
- Dépenses de R&D : L'intérêt de recherche publique décalé prédit significativement les dépenses de R&D de l'année suivante (coefficient = 0,0042, $p = 0,003$ ). C'est le seul lien croisé statistiquement significatif trouvé. La magnitude est modeste : une augmentation de 10 points de l'indice de recherche est corrélée à une augmentation d'environ 0,042 point de pourcentage de la R&D/PIB.
- Effectifs de l'enseignement tertiaire : Les publications sur l'IA générative décalées montrent une association négative marginale avec les effectifs de l'année suivante (coefficient = -0,746, $p = 0,092$ ), ce qui n'atteint pas la signification conventionnelle. Ni l'indice de politique ni l'intérêt de recherche ne prédisent de manière significative les effectifs.
- Compétences numériques : Aucune des trois mesures d'attention à l'IA ne prédit de manière significative les compétences numériques de l'année suivante.
Modèle inverse (Capacité du système $\rightarrow$ Attention à l'IA) :
- Aucun des résultats du système décalés (effectifs, R&D, compétences numériques) ne prédit de manière significative l'activité future de publication de l'IA générative. Cela contredit l'hypothèse selon laquelle la capacité préexistante du système agit comme un moteur primaire pour la production de recherche en IA dans cette période.

Signification et affirmations
L'article affirme que, dans un horizon d'un an, il existe peu de preuves que l'attention portée à l'IA entraîne des changements institutionnels larges dans les systèmes d'enseignement supérieur à travers l'UE-27.

Pouvoir prédictif modeste : L'étude conclut que l'intérêt de recherche publique pour l'IA générative semble précéder de faibles augmentations de l'investissement dans la recherche, mais que cette relation est étroite et ne s'étend pas aux effectifs ou aux compétences numériques.
Rejet d'une causalité large : Les résultats écartent l'existence d'une forte relation directe globale où l'attention à l'IA entraînerait des changements simultanés dans les effectifs, les dépenses et les compétences. Ils écartent également une forte relation inverse où la capacité du système existante serait le principal moteur de la croissance de la recherche en IA.
Interprétation des résultats nuls : Les auteurs soutiennent que l'absence d'effets significatifs sur les effectifs et les compétences numériques est informative plutôt qu'une simple absence de données. Cela suggère que ces indicateurs de système sont pilotés par des forces structurelles plus lentes (démographie, politiques à long terme) plutôt que par des changements technologiques rapides.
Implications politiques : Les résultats suggèrent que les décideurs politiques ne devraient pas traiter l'attention portée à la recherche en IA comme un indicateur avancé de changements immédiats dans les effectifs ou les résultats en matière de compétences. Bien que le suivi des tendances de recherche publique puisse offrir des signaux précoces, bien qu'imparfaits, pour l'investissement dans la recherche, les données ne soutiennent pas l'idée que l'IA est actuellement en train de remodeler le paysage plus large de l'enseignement supérieur en l'espace d'une seule année. L'étude souligne que la croissance de la recherche en IA générative en Europe a probablement suivi une voie dictée par l'attention publique exogène (post-lancement de ChatGPT) plutôt que par une accumulation graduelle de capacités numériques ou de recherche préexistantes.

Les auteurs maintiennent un ton prudent, notant qu'un décalage d'un an peut être insuffisant pour capturer les cycles de planification institutionnelle plus longs et que l'étude mesure des indicateurs de niveau systémique plutôt que des adaptations spécifiques au niveau de la classe. Ils postulent que de futures recherches avec des horizons temporels plus longs et des données au niveau de l'institution pourraient révéler des dynamiques différentes.

Articles similaires