Article historique de recherche | Auteurs : Huang Ronghuai, Zhang Guoliang et Liu Mengyu. Modern Educational Technology, 2024, volume 34, numéro 2, pages 13–22 ; publié par la Chaire le 30 septembre 2024. Descriptions, jugements et propositions conservent le contexte de l’étude, sans constituer une politique actuelle ni une garantie d’efficacité d’un produit.
Sommaire de l’article
Résumé et mots-clés
Résumé : L’intégration des technologies intelligentes à l’ensemble du processus éducatif transforme l’éducation, mais engendre aussi des risques éthiques : discrimination algorithmique, usages abusifs, atteintes à la vie privée et déplacement des rôles des acteurs. Éviter ces risques tout en bénéficiant des technologies est devenu un enjeu majeur de l’éducation intelligente. L’article analyse d’abord des rapports d’éthique technologique et distingue quatre dimensions : technologies intelligentes, acteurs éducatifs, données et supervision. Il étudie ensuite les manifestations différenciées des risques dans six situations—enseignement, apprentissage, gestion, évaluation, entraînement et recherche—et en situe les causes dans le manque de fiabilité des outils, les pratiques insuffisamment encadrées et les lacunes de littératie des enseignants et apprenants. Enfin, il propose des mesures de prévention et de gouvernance touchant l’amélioration technique, la gestion des risques, la responsabilité et le contrôle, les flux de données et les compétences, pour un développement sain et durable.
Mots-clés : éducation intelligente ; technologie intelligente ; normes éthiques ; manifestations des risques ; gouvernance des risques
Introduction
Les technologies intelligentes transforment l’éducation, tout en soulevant discrimination et opacité algorithmiques, usages abusifs et dépendance, fuites de données, difficultés de communication affective et frontières incertaines de l’autorité[1][2]. Ces problèmes retiennent l’attention en Chine et à l’étranger. Entre 2019 et 2021, l’UNESCO a publié notamment le Consensus de Beijing sur l’intelligence artificielle et l’éducation et la Recommandation sur l’éthique de l’intelligence artificielle[3][4], appelant à des applications éducatives éthiques et durables. Réduire les risques et orienter la technologie vers le bien commun constitue désormais un défi partagé à l’échelle mondiale[5].
Les applications intelligentes font évoluer les formes éducatives. L’éducation intelligente, stade avancé du développement numérique, rejoint les objectifs de transformation et se caractérise notamment par des usages conformes à l’éthique technologique[6]. Les nouveaux produits offrent des possibilités tout en suscitant des inquiétudes. Les normes éthiques évoluent pourtant moins vite que les pratiques. Les recherches portent surtout sur des principes et des risques abstraits, sans cadre global dépassant l’influence propre de la technologie[7], insuffisant pour une éducation plus riche techniquement et plus intégrée. Décideurs, chercheurs, praticiens, développeurs et autres parties prenantes comprennent différemment ces normes. Il faut donc examiner systématiquement orientations, manifestations, causes et gouvernance, pour relier les exigences souhaitables aux difficultés réelles et soutenir une évolution saine et durable.
I. Orientations normatives : l’éthique technologique dans l’éducation intelligente
L’éthique désigne les principes moraux régissant les relations humaines, y compris les relations éthiques objectives et leur régulation extérieure[8]. L’éthique technologique concerne les valeurs et règles des relations entre technologie, personnes et société au cours du développement et de l’utilisation[9]. En 2017, le Conseil des affaires d’État chinois a publié son plan de développement de l’intelligence artificielle de nouvelle génération, proposant des applications dans l’enseignement, la gestion et les ressources, ainsi que des services personnalisés pour l’éducation quotidienne et tout au long de la vie[10]. L’intervention technique dans tout le processus accroît les risques. Clarifier les orientations normatives peut apporter une compréhension commune et des principes d’action.
1. Analyse des orientations
De nombreux pays et organismes publient des politiques et rapports éthiques pour limiter les effets négatifs. En éducation, ces textes évolutifs constituent une base prospective, mais les principes dégagés reproduisent souvent la logique technologique générale et prennent insuffisamment en compte la spécificité éducative. Cette étude examine sept rapports représentatifs des cinq années précédentes et extrait leurs préoccupations par analyse de contenu, présentée au tableau 1. Elle recherche un modèle adapté à la nature, aux valeurs et aux conditions contemporaines des usages éducatifs. Quatre dimensions centrales se dégagent : technologies intelligentes, acteurs, données et supervision éducative. Elles organisent les éléments et principes du modèle.
Rendu fidèle du tableau vectoriel ; page imprimée 14, page PDF 2.
Tableau 1 en texte intégral : sept rapports
Les sept lignes et trois colonnes sont proposées en texte sélectionnable et lisible à voix haute. Titres et principes sont traduits dans la langue de la page ; l’image source reste en chinois.
| Titre du rapport | Organisme émetteur | Orientations éthiques : éléments ou principes |
|---|---|---|
| Consensus de Beijing sur l’intelligence artificielle et l’éducation [11] | UNESCO | Contrôle humain ; approche centrée sur l’humain ; absence de discrimination ; égalité des genres ; données et algorithmes transparents et auditables ; inclusion et équité ; vie privée ; sécurité ; coopération des parties prenantes. |
| L’intelligence artificielle en éducation : défis et possibilités pour le développement durable [12] | UNESCO | Inclusion et équité des applications ; systèmes de données inclusifs et de qualité ; équité, éthique et transparence dans la collecte, l’usage et la diffusion, notamment vie privée, sécurité et protection, explicabilité et responsabilité. |
| Une intelligence artificielle digne de confiance en éducation : promesses et défis [13] | OCDE | Créer et maintenir la confiance par transparence, explicabilité et responsabilité ; mettre sécurité et protection des données au service des valeurs humaines, notamment vie privée et autres traitements sécurisés. |
| IA et éducation : guide pour les décideurs politiques [14] | UNESCO | Vie privée et confidentialité ; éviter biais et inexplicabilité ; règles et supervision assurant des usages et réutilisations équitables, transparents, non discriminatoires et auditables ; inclusion et équité éducatives. |
| Cadre éthique pour l’IA en éducation [15] | Université de Buckingham, Royaume-Uni | Atteinte des objectifs éducatifs ; modalités d’évaluation ; gestion et charge de travail ; équité ; autonomie ; vie privée ; transparence et responsabilité ; participation éclairée ; conception éthique. |
| Intelligence artificielle et avenir de l’enseignement et de l’apprentissage : éclairages et recommandations [16] | Département de l’Éducation des États-Unis, Office of Educational Technology | Protection de la vie privée ; sécurité des données ; approche humaine ; équité éducative ; éthique ; transparence ; explicabilité ; responsabilité. |
| IA générative et avenir de l’éducation [17] | UNESCO | Priorité à l’équité, à la qualité et à la sécurité ; attention aux biais des données. |
2. Construction du modèle
À partir du tableau 1, l’étude propose le modèle d’orientations éthiques pour l’éducation intelligente de la figure 1. Il présente systématiquement les normes à considérer dans les applications éducatives, afin que les technologies servent, dans un cadre éthique, l’enseignement, l’apprentissage, la gestion, l’évaluation, l’entraînement et la recherche.
Les rapports éclairent les descriptions suivantes.
① La dimension technologique comprend explicabilité, exactitude, sécurité et stabilité des algorithmes et produits. Les principes de fonctionnement et les décisions doivent être ouverts, compréhensibles et traçables dans les entrées, sorties, performances et productions, pour renforcer la confiance. Les analyses et contenus doivent être exacts et éviter les informations trompeuses. La sécurité concerne conformité et absence de dommages dans les algorithmes, les interactions humain-machine et les produits. La stabilité désigne la robustesse et la fiabilité face aux menaces, sans résultats anormaux.
② Les données éducatives exigent sécurité et normalisation. Il faut les protéger lors de la collecte, du stockage, de l’usage, du partage et de la suppression, contre les fuites et abus. La normalisation des formats et procédures favorise qualité, utilité générale et circulation ordonnée. Les jeux d’entraînement doivent être authentiques, exacts, objectifs et diversifiés, pour éviter les biais.
③ La supervision comprend responsabilité, contrôle et gouvernance collaborative. Les règles doivent préciser devoirs et responsabilités de chacun dans le développement et l’usage, afin de guider les pratiques et d’éviter les désordres liés à des responsabilités floues. Les applications doivent pouvoir être inspectées, évaluées et gérées. Une coopération inclusive permet de partager les bénéfices et de soutenir leur durabilité.
④ Les acteurs éducatifs requièrent équité, contrôle, dignité et vie privée. L’équité signifie un accès non discriminatoire aux ressources entre pays, régions, groupes raciaux, individus, genres, situations de handicap et communautés linguistiques. Le contrôle comprend le libre choix d’utiliser ou d’arrêter une technologie et la maîtrise de ses usages. La dignité est inhérente et inviolable : droits humains et libertés fondamentales doivent être respectés durant tout le cycle de vie. L’accès aux informations privées doit rester raisonnable, licite et mesuré.
Image native extraite de la revue ; page imprimée 15, page PDF 3.
Figure 1 en texte intégral : quatre dimensions et treize principes
Le centre nomme le modèle d’orientations éthiques de l’éducation intelligente. Quatre dimensions occupent l’anneau intermédiaire, entourées de treize principes ; six situations éducatives forment le périmètre extérieur.
- Technologies intelligentes
- Explicabilité
- Exactitude
- Sécurité
- Stabilité
- Acteurs éducatifs
- Équité
- Contrôle
- Dignité humaine
- Protection de la vie privée
- Données éducatives
- Sécurité des données
- Normes des données
- Supervision éducative
- Responsabilité
- Supervision
- Gouvernance collaborative
Six situations d’application
- Enseignement
- Apprentissage
- Gestion éducative
- Évaluation éducative
- Entraînement aux compétences
- Recherche et production des connaissances
II. Manifestations des risques dans les situations d’éducation intelligente
L’intégration technologique a créé des campus intelligents et sûrs, des compagnons robotiques et des formations par simulation virtuelle[18]. Elle transforme enseignement, apprentissage, gestion, évaluation, pratique et production des connaissances, mais son extension entraîne des risques. L’éducation est une activité sociale complexe, où technologies et pratiques sont diverses et hétérogènes selon les contextes. Les risques prennent donc plusieurs formes. L’étude examine les difficultés réelles de six situations : enseignement, apprentissage, gestion, évaluation, entraînement et recherche.
1. Les robots mal intégrés bousculent l’autorité enseignante et les relations
De l’enseignement assisté par ordinateur aux tuteurs intelligents et aux robots, la relation humain-machine est passée de l’aide à la collaboration[19]. L’introduction d’un robot transforme le binôme enseignant-apprenant en relation enseignant-machine-apprenant. Une mauvaise intégration peut nuire à l’apprentissage, au développement affectif et aux fonctions et à l’autorité des enseignants. Les robots peuvent affaiblir ou remplacer certains rôles humains, réduisant contacts et communication[20]. Les apprenants peuvent dépendre davantage du professeur artificiel, déformant les relations avec enseignants, pairs et machines. Les enfants attribuent aux robots des caractéristiques cognitives, comportementales et émotionnelles humaines[21]. À leur statut d’outil s’ajoutent des manifestations semblables à celles des humains, ce qui complique leurs fonctions et frontières. Le rapport COMEST sur l’éthique robotique souligne également le brouillage entre sujet humain et objet technique : le robot doit-il être tuteur, outil ou compagnon, et dans quelle mesure peut-il remplacer l’enseignant[22] ? À l’époque étudiée, ces robots étaient encore peu développés, avec des limites pédagogiques, de retour d’information et de perception[23], ainsi que des difficultés d’attribution des responsabilités morales et juridiques en cas de comportement nuisible ou incontrôlé.
2. La discrimination algorithmique entrave la personnalisation et le développement global
La demande évolue d’un enseignement standardisé vers l’apprentissage personnalisé et permanent, et les services vers l’accompagnement individuel[24]. Les systèmes intelligents adaptent contenus et parcours aux capacités, styles et autres caractéristiques. Mais des modèles discriminatoires et des données partielles ou biaisées peuvent traiter différemment les personnes et produire des préjugés de capacité, de genre ou de race dans les recommandations et décisions. Cela peut faire échouer la personnalisation, polariser les résultats et accentuer les inégalités. Les recommandations peuvent aussi créer des cocons informationnels : en limitant sources et parcours selon les intérêts, elles renforcent les idées préexistantes et les visions unilatérales. La technologie peut ainsi entretenir biais de valeurs et discrimination[25], au détriment du développement global.
3. La mauvaise gestion des données accroît les atteintes à la vie privée
Les données éducatives comprennent les informations issues des pratiques ou qui leur sont liées, dans un cycle de production, collecte, possession et usage[26]. Leur collecte et leur analyse massives présentent des risques d’intrusion, de fuite et d’abus. Surveillance intelligente, pointage facial et observation des classes réduisent l’espace privé des élèves et soumettent les activités à une observation généralisée[27]. Informations personnelles et résultats peuvent subir négligence, accès non autorisés, attaques et failles, entraînant divulgation ou altération et menaçant la sécurité informationnelle, physique, psychologique et matérielle. L’article cite une enquête de 2020 du Government Accountability Office américain portant sur des milliers d’élèves touchés par 99 violations, où notes et dossiers d’éducation spécialisée figuraient parmi les informations couramment exposées[28]. Les plateformes et applications peuvent vendre ou exploiter indûment des données privées à des fins commerciales ou pour des décisions biaisées. L’étude mentionne également des cas publiés par le ministère chinois de l’Industrie et des Technologies de l’information concernant des applications et SDK collectant irrégulièrement des données ou exigeant trop d’autorisations, ainsi que des usages frauduleux, vols d’identité ou usurpations à partir de données d’élèves.
4. La dépendance à l’évaluation automatisée affaiblit le jugement et l’équité
Les décisions enseignantes influencent l’efficacité des pratiques[29]. Les outils fondés sur les données analysent cognition, émotions et comportements, construisent des profils et produisent alertes, retours et recommandations. Ils peuvent aider à ajuster l’enseignement et réduire les tâches répétitives. Mais leur efficacité et leur automatisation risquent de favoriser une dépendance excessive. L’enseignant peut devenir un exécutant mécanique, négliger son savoir pratique, perdre sa sensibilité au contexte et aux émotions des élèves et voir diminuer son autonomie décisionnelle[30]. L’efficacité et le développement professionnel peuvent en souffrir. L’opacité algorithmique et le manque de fiabilité des modèles et données menacent aussi l’équité. Hypothèses erronées, informations inexactes ou oubli des différences individuelles et situations particulières peuvent fausser évaluations et parcours, frustrer les apprenants, entraîner des traitements injustes et affecter leurs perspectives.
5. L’immersion virtuelle soulève des préoccupations de conduite morale
La RV, la RA et la réalité mixte réduisent les coûts, renforcent les compétences pratiques, évitent les dangers d’expériences réelles, dépassent le temps et la distance et rendent l’apprentissage attrayant. Mais immersion, présence et interactions multisensorielles brouillent réalité et simulation. Les problèmes éthiques peuvent réapparaître sous des formes nouvelles et agir ensuite sur le réel. Se posent notamment les questions des vies finies ou répétables et de la dignité des participants. Une supervision insuffisante des actes et conséquences peut affaiblir les limites morales. Avatars, agents et relations virtuelles multiplient les interactions, mais peuvent favoriser l’oubli des convenances ou de nouveaux harcèlements. L’identification aux qualités idéalisées d’un avatar peut modifier cognition, attitudes et comportements réels[31]. L’état de flux des jeux éducatifs peut entraîner un transfert affectif vers des objets et une perte du sentiment de soi ; l’excès favorise dépendance comportementale et addiction technologique[32]. L’article relève aussi l’immaturité des produits dans son contexte historique. Les écarts de paramètres entre simulation et réalité peuvent provoquer des erreurs de mémorisation ou d’analyse de l’expérience pratique[33]. La RV peut également déclencher un mal des transports et des risques physiques pour enseignants et apprenants.
6. Les abus d’IA générative peuvent faciliter la fraude et affaiblir la créativité
Les grands modèles, dont ChatGPT, rassemblent, traitent et génèrent des ressources personnalisées[34]. Leurs productions peuvent toutefois contenir erreurs factuelles, tromperies et fausses informations convaincantes. Un usage insuffisamment encadré peut encourager fraude et recul de la créativité. Une dépendance pour les devoirs et la recherche peut favoriser raccourcis et inconduite. Privilégier les recommandations au détriment de l’exploration et de la réflexion autonome peut affaiblir apprentissage, pensée critique et créativité. L’article rappelle l’attention portée alors à ces risques, notamment DetectGPT, développé à Stanford pour aider à identifier des textes générés par des modèles. Il mentionne aussi la publication, en juillet 2023, par l’Administration chinoise du cyberespace[35], des Mesures provisoires de gestion des services d’intelligence artificielle générative, exigeant des dispositions efficaces contre la dépendance excessive ou l’addiction des mineurs.
III. Causes des risques éthiques dans les applications éducatives
La collaboration humain-machine s’intensifie avec l’élargissement des usages éducatifs. En considérant leur participation conjointe à l’enseignement et à l’éducation, l’étude situe les causes dans trois dimensions : outils technologiques, pratiques éducatives et littératie des enseignants et apprenants.
1. Des outils technologiques peu fiables
Les biais et l’opacité des algorithmes, ainsi que les limites d’utilisabilité, sont des causes centrales.
① La conception comporte des restrictions. Les algorithmes prolongent le raisonnement des développeurs : modèles et classifications appris à partir de jugements humains reproduisent valeurs et préjugés dans les décisions. La complexité pédagogique limite des données exhaustives et exactes ; des données biaisées peuvent figer la discrimination, reproduisant le biais d’entrée dans la sortie. Les modèles neuronaux massifs comportent des structures et paramètres difficiles à comprendre, contrôler et juger fiables. Or l’enseignement mobilise l’initiative humaine, et les corrélations statistiques ne suffisent pas à expliquer les causalités éducatives.
② L’utilisabilité est limitée. L’éducation exige des outils efficaces et praticables, mais le développement est souvent éloigné de la classe. Les concepteurs comprennent alors mal besoins et processus, laissant un écart important entre fonctions et pratique. Des normes imprécises fragilisent sécurité et conformité. La superposition technique crée des vulnérabilités ; des systèmes non conformes, instables ou peu résistants aux menaces peuvent porter atteinte aux droits des acteurs.
2. Des pratiques insuffisamment encadrées
L’assemblage d’éléments hétérogènes complexifie l’écosystème et accroît les exigences. Des modèles d’intégration inefficaces et une supervision absente peuvent laisser les risques sans contrôle.
① Le renouvellement technique élargit les contextes et rend plus complexe le choix des modèles pédagogiques. Sans orientations efficaces, expérience et gestion des risques, les éducateurs peuvent intégrer maladroitement les outils ou les utiliser sans discernement. Lorsque les machines deviennent plus capables, choisir leur type et répartir rôles et tâches est essentiel à l’enseignement collaboratif[36] et à la préservation des rôles éducatifs.
② Les mécanismes de supervision protègent usages et comportements. Sans politiques claires, institutions et praticiens peuvent manquer de responsabilités et de contraintes. L’article évoque des inconduites croissantes sous une régulation faible : enseignants, administrateurs et autres personnels accèdent tous aux données, compliquant l’encadrement cohérent[37]. Des ventes non autorisées de données éducatives et d’identité à l’insu des intéressés ont été rapportées[38]. L’absence de responsabilité crée des zones grises favorisant les abus.
3. Une littératie insuffisante chez les enseignants et apprenants
Les personnes utilisent la technologie ; leur littératie numérique est essentielle à des applications appropriées. Connaissances et compétences techniques doivent s’accompagner d’attitudes et de valeurs éthiques. Leurs lacunes génèrent des risques.
① Sans compétence et formation suffisantes, les utilisateurs peuvent mal utiliser ou surutiliser les outils, devenir dépendants, commettre des erreurs et perdre leur capacité d’agir. Le manque de connaissances empêche aussi une maintenance correcte, augmentant pannes et fuites et diminuant les bénéfices éducatifs.
② La conscience éthique est tout aussi importante. Un enseignant connaissant mal les risques peut guider insuffisamment les élèves. Ceux qui manquent de vigilance sur la vie privée, de pensée critique ou d’aptitude à repérer les informations fausses peuvent être trompés par des contenus hétérogènes ou nuisibles, avec des conséquences ultérieures.
IV. Propositions d’action pour la gouvernance des risques éthiques
À partir de ces causes, l’étude propose prévention et gouvernance pour un développement harmonieux des acteurs, technologies et pratiques et une transition globale vers l’éducation intelligente.
1. Améliorer l’utilisabilité des produits éducatifs intelligents
Les entreprises doivent assumer leurs responsabilités de produits, services et garanties techniques.
① Renforcer les normes et encadrer conception, développement et fourniture. Comprendre besoins et conditions réels avant développement ; définir collecte, transmission et traitement nécessaires à l’intégration, notamment normalisation, communications sécurisées et conception des API. Éviter fonctions redondantes, processus discontinus et silos informationnels. Renforcer chiffrement, accès et autorisations, sécurité des réseaux et systèmes, sauvegardes et restauration. Tester et évaluer les prototypes, corriger rapidement les failles et respecter droits et vie privée dans la promotion.
② Améliorer l’explicabilité sur tout le cycle algorithmique pour des produits fiables et responsables. Prévenir les biais des données ; prendre en compte milieu, résultats, intérêts, styles, différences individuelles et situations particulières pour des décisions équitables. Selon le déploiement, considérer l’explicabilité globale et locale et fournir des indicateurs de performance et pondérations des facteurs décisionnels pertinents, afin d’accroître la transparence.
2. Renforcer la gestion des risques lors de l’adoption technologique
Les établissements jouent un rôle central dans l’éducation intelligente et peuvent créer des environnements sûrs par l’évaluation et la gestion des risques.
① Instaurer évaluation et réponse. Définir objectifs et périmètre avant l’adoption, en cohérence avec les buts pédagogiques ; comprendre pertinence, limites, risques et réponses et évaluer les produits globalement. Préparer et tester les pilotes pour garantir stabilité et fiabilité et éviter de perturber l’enseignement normal.
② Diffuser l’expérience de gestion et d’usage. Créer des environnements favorables, former les enseignants, développer des cas représentatifs et modèles pratiques, puis partager les approches efficaces.
3. Établir protection des données, responsabilité et supervision
Les pouvoirs publics doivent guider et superviser au moyen d’un cadre général de gouvernance.
① Renforcer vie privée et normes d’usage avec une protection classifiée et graduée et des règles plus précises de collecte et d’utilisation. La diversité des données exige une planification préalable pour éviter abus et divulgations. Améliorer authenticité, exactitude, objectivité et diversité des jeux d’entraînement.
② Définir des règles pour prestataires, établissements et institutions, des mesures de contrôle et une base juridique à la responsabilité. L’évolution rapide et le décalage réglementaire peuvent créer des difficultés sociales et éthiques. Les politiques doivent favoriser partage et intégration des ressources et engager la responsabilité pour les violations. La pluralité d’acteurs appelle une coopération intersectorielle : pilotes conjoints avant généralisation, compréhension commune, action concertée et clarification des responsabilités entre organisations.
4. Garantir des flux ordonnés entre systèmes éducatifs
Normes de données et mécanismes de partage sont nécessaires à une circulation saine. Les normes en constituent la base, les accords assurent l’ordre des échanges. Interopérabilité et analyses intégrées nécessitent formats communs et coopération interservices. Malgré l’abondance des données, de nombreux systèmes répondent seulement à des usages internes ou hiérarchiques. Les différences de codage, de formats et de qualité freinent l’intégration ; les procédures complexes entre niveaux accroissent coûts et risques[39]. Des normes communes et les usages multiples d’une source faisant autorité peuvent donc concilier protection et partage sécurisé.
5. Développer la littératie numérique des enseignants et apprenants
Enseignants et apprenants mettent en œuvre l’éducation intelligente et produisent une grande part de ses données. Sensibilité éthique à la vie privée et compétence d’usage peuvent réduire les dommages.
① Développer compétences et conscience éthique en répondant activement au changement. Les enseignants doivent se former, comprendre limites et risques et adopter une attitude réfléchie lors de l’introduction des outils, en évitant excès et usages inadaptés. Les élèves doivent développer vigilance sur la vie privée et pensée critique.
② Identifier, dans la pratique, des modèles d’intégration efficaces, prendre l’initiative du changement, s’adapter aux environnements humain-machine et renforcer la capacité de collaboration dans l’éducation intelligente.
Références
Les 39 numéros de citation correspondent à 37 entrées : [3]/[11] et [19]/[36] partagent chacun une référence. Chaque numéro dispose d’une cible. Langues d’origine, liens et DOI vérifiables sont conservés ou restaurés ; Buckingham et Paris sont corrigés. Les lectures éditoriales ajoutées ne sont pas présentées comme références d’origine.
- [1]杜静,黄荣怀,李政璇,等.智能教育时代下人工智能伦理的内涵与建构原则[J].电化教育研究,2019,(7):21-29.
- [2]胡小勇,黄婕,林梓柔,等.教育人工智能伦理:内涵框架、认知现状与风险规避[J].现代远程教育研究,2022,(2):21-28、36.
https://unesdoc.unesco.org/ark:/48223/pf0000368303.locale=zh
- [4]UNESCO. Recommendation on the ethics of artificial intelligence[OL].
https://www.unesco.org/en/artificial-intelligence/recommendation-ethics
- [5]白钧溢,于伟.超越“共识”:教育人工智能伦理原则构建的发展方向[J].中国电化教育,2023,(6):9-17、24.
- [6]黄荣怀,刘梦彧,刘嘉豪,等.智慧教育之“为何”与“何为”——关于智能时代教育的表现性与建构性特征分析[J].电化教育研究,2023,(1):5-12、35.
- [7]张永波.智慧教育伦理观的建构机理研究[J].中国电化教育,2020,(3):49-55、92.
- [8]李建华.伦理与道德的互释及其侧向[J].武汉大学学报(哲学社会科学版),2020,(3):59-70.
- [9]赵磊磊,张黎,代蕊华.教育人工智能伦理:基本向度与风险消解[J].现代远距离教育,2021,(5):73-80.
- [10]国务院.国务院关于印发新一代人工智能发展规划的通知[OL].
https://www.gov.cn/zhengce/content/2017-07/20/content_5211996.htm
- [12]UNESCO. Artificial intelligence in education: Challenges and opportunities for sustainable development[OL].
- [13]OECD. Trustworthy artificial intelligence (AI) in education: Promises and challenges[OL].
- [14]UNESCO. AI and education: guidance for policy-makers[OL].
- [15]The University of Buckingham. The ethical framework for AI in education[OL].
- [16]U.S. Department of Education, Office of Educational Technology. Artificial intelligence and the future of teaching and learning[OL].
- [17]UNESCO. Generative AI and the future of education[OL].
- [18]杨俊锋,施高俊,庄榕霞,等.5G+智慧教育:基于智能技术的教育变革[J].中国电化教育,2021,(4):1-7.
- [20]Sharkey A J C. Should we welcome robot teachers?[J]. Ethics and Information Technology, 2016,18:283-297.
- [21]Beran T N, Ramirez-Serrano A, Kuzyk R, et al. Understanding how children understand robots: Perceived animism in child-robot interaction[J]. International Journal Human-Computer Studies, 2011,(7-8):539-550.
- [22]UNESCO, COMEST. Report of COMEST on robotics ethics[R]. Paris: UNESCO, 2017:33.
- [23]卢宇,薛天琪,陈鹏鹤,等.智能教育机器人系统构建及关键技术——以“智慧学伴”机器人为例[J].开放教育研究,2020,(2):83-91.
- [24]黄荣怀,刘德建,焦艳丽,等.互联网教育服务产业研究报告[R].北京:互联网智能技术及应用国家工程实验室,2017:4.
- [25]韦妙,何舟洋.本体、认识与价值:智能教育的技术伦理风险隐忧与治理进路[J].现代远距离教育,2022,(1):75-82.
- [26]刘三女牙,杨宗凯,李卿.教育数据伦理:大数据时代教育的新挑战[J].教育研究,2017,(4):15-20.
- [27]孙立会.人工智能之于教育决策的主体性信任危机及其规避[J].电化教育研究,2023,(3):21-27、43.
- [28]United States Government Accountability Office. Data security: Recent K-12 data breaches show that students are vulnerable to harm[OL].
- [29]沈书生.聚焦学习决策:指向认知发生的数据及其应用[J].电化教育研究,2021,(11):13-19.
- [30]蒋艳双,崔璨,刘嘉豪,等.教育领域中的情感计算技术:应用隐忧、生成机制与实践规约[J].中国电化教育,2022,(5):91-98.
- [31]高媛,刘德建,黄真真,等.虚拟现实技术促进学习的核心要素及其挑战[J].电化教育研究,2016,(10):77-87、103.
- [32]孙田琳子.虚拟现实教育应用的伦理反思——基于伯格曼技术哲学视角[J].电化教育研究,2020,(9):48-54.
- [33]沈阳,逯行,曾海军.虚拟现实:教育技术发展的新篇章——访中国工程院院士赵沁平教授[J].电化教育研究,2020,(1):5-9.
- [34]吴砥,李环,陈旭.人工智能通用大模型教育应用影响探析[J].开放教育研究,2023,(2):19-25、45.
- [35]中国网信网.生成式人工智能服务管理暂行办法[OL].
- [37]张誉元,张海.数据生命周期视阈下教育数据伦理问题及规约之径[J].中国电化教育,2022,(10):118-125.
- [38]赵磊磊,陈祥梅.数智时代教育大数据风险:表征样态与化解路向[J].贵州师范大学学报(社会科学版),2022,(2):72-82.
- [39]杨琳,王炜,诸纪,等.面向数据共享的教育数据标准体系研究与建设实践[J].大数据,2020,(6):3-13.
Source de la revue et note éditoriale
Article cité : 黄荣怀,张国良,刘梦彧.面向智慧教育的技术伦理取向与风险规约[J].现代教育技术,2024,34(02):13-22.
Source | Modern Educational Technology (现代教育技术)
Préparé à partir de Modern Educational Technology, 2024, volume 34, numéro 2, pages 13–22. Le tableau 1 et la figure 1 proviennent de la revue, avec des alternatives textuelles. Les traductions du site facilitent les échanges scientifiques ; consultez la revue pour les arguments, illustrations et citations d’origine.
Lien original: https://aiedchair.bnu.edu.cn/news-7951-fr/
