L'intelligence artificielle et la

fraude académique dans le

contexte universitaire

La inteligencia artificial y el fraude académico

en el contexto universitario

Comment citer : Puche, V. D. J. (2025). L'intelligence artificielle et la fraude académique dans le contexte

universitaire. Revista Digital de Investigación y Postgrado, 6(11), 75-91. https://doi.org/10.59654/kg944e15

Deinny José Puche Villalobo

https://orcid.org/0009-0003-9646-2356

Caracas / Venezuela

* Doctorat Latino-Américain en Éducation : Politiques Publiques et Profession Enseignante, MSc. en Enseignement

de la Biologie, Licence en Éducation mention Biologie. Universidad Nacional Experimental Libertador, Faculté des

Lettres et de l'Éducation, École d'Éducation. Caracas - Venezuela. Courrier électronique : deinnypuche@gmail.com

Revista Digital de Investigación y Postgrado, 6(11),75-91

ISSN électronique: 2665-038X

Révisé : Septembre / 3 / 2024 Accepté : Octobre / 23 / 2024

https://doi.org/10.59654/kg944e15

Résumé

L'étude est née de l'observation croissante de l'utilisation de l'IA dans l'éducation et de l'inca-

pacité des étudiants à expliquer leurs processus, suggérant un usage inapproprié de l'IA dans

leurs travaux. L'objectif était de déterminer la relation entre l'utilisation de l'IA et la fraude aca-

démique dans le contexte universitaire. La méthodologie était positiviste, avec une approche

quantitative et de niveau corrélationnel. Un questionnaire virtuel a été utilisé, avec une fiabilité

de 0,980 et validé par cinq experts, appliqué à un échantillon de 144 enseignants-tuteurs (48

du Venezuela, 48 de Colombie et 44 du Pérou). Les résultats ont montré une corrélation de

Pearson de 0,980 entre l'utilisation de l'IA et la fraude académique, indiquant une relation po-

sitive très forte. Mots-clés : intelligence artificielle, fraude académique, corrélation.

Mots-clés : intelligence artificielle, fraude académique, corrélation.

Resumen

El estudio surge de la observación creciente del uso de la IA en la educación y la incapacidad

de los estudiantes para explicar sus procesos, sugiriendo un uso indebido de la IA en sus tra-

bajos. El objetivo fue determinar la relación entre el uso de la IA y el fraude académico en el

contexto universitario. La metodología fue positivista, con enfoque cuantitativo y de nivel co-

rrelacional. Se utilizó un cuestionario virtual, con una confiabilidad de 0.980 y validado por

cinco expertos, aplicado a una muestra de 144 docentes tutores (48 de Venezuela, 48 de Co-

lombia y 44 de Perú). Los resultados mostraron una correlación de Pearson de 0.980 entre el

uso de la IA y el fraude académico, indicando una relación positiva muy fuerte

Palabras clave: inteligencia artificial, fraude académico, correlación.

Introducción

L'intelligence artificielle (IA) a un impact significatif sur l'éducation, révolutionnant les processus

académiques et offrant de nombreux avantages tant pour les étudiants que pour les enseig-

nants. Son influence sur les processus académiques devient de plus en plus notable, offrant de

nombreuses opportunités pour les étudiants et les éducateurs.

À cet égard, Jofre (2023) souligne que l'importance de l'IA dans le domaine de l'éducation se

manifeste à plusieurs niveaux, car elle permet d'adapter les processus d'enseignement et d'ap-

prentissage aux besoins individuels de chaque étudiant, en proposant des plans d'études per-

sonnalisés et des retours individualisés. De plus, elle peut automatiser les tâches administratives

et répétitives, libérant ainsi du temps pour que les enseignants puissent se concentrer sur des

aspects plus importants.

Selon Granero (2021), les systèmes d'IA agissent comme des tuteurs intelligents, offrant une as-

sistance personnalisée aux étudiants à tout moment et en tout lieu. Ces systèmes peuvent éga-

76 Deinny José Puche Villalobo

Revista Digital de Investigación y Postgrado, 5(11), 75-91

ISSN électronique: 2665-038X

L'intelligence artificielle et la fraude académique dans le contexte universitaire

lement analyser les données pour identifier des schémas qui pourraient indiquer des difficultés

d'apprentissage, permettant ainsi des interventions précoces. Les systèmes d'IA peuvent évaluer

en continu les progrès des étudiants et fournir des informations détaillées aux enseignants et

aux parents.

Dans le même contexte, Alonso et Quinde (2023) soutiennent que l'IA peut faciliter l'accès à

une éducation de qualité pour les étudiants dans les zones éloignées ou avec des ressources

limitées. Elle favorise également l'inclusion en classe en fournissant des outils et des ressources

pour soutenir les étudiants ayant des besoins éducatifs spéciaux. De plus, l'IA aide à promouvoir

la recherche et le développement en éducation en fournissant des outils pour analyser de gran-

des quantités de données et évaluer l'efficacité des différentes stratégies pédagogiques.

En tenant compte des arguments précédents, il est observé que les auteurs estiment que l'IA

peut encourager la créativité et la pensée critique chez les étudiants en leur fournissant des

outils pour explorer des idées et résoudre des problèmes de manière créative. L'éducation ali-

mentée par l'IA peut aider les étudiants à acquérir les compétences nécessaires pour prospérer

dans un environnement de travail transformé par l'IA.

Cependant, l'utilisation indiscriminée et inconsciente de l'IA peut avoir des conséquences néfastes

sur les niveaux d'apprentissage et la production intellectuelle, car la responsabilité d'extraire des

informations est souvent déléguée à ces programmes sans analyser ni remettre en question la

véracité des informations. Cela signifie que, bien que l'impact de l'IA sur les processus d'enseig-

nement et d'apprentissage présente de nombreux avantages, de nouvelles préoccupations sur-

gissent concernant l'utilisation potentielle de l'IA pour commettre des fraudes académiques.

À cet égard, García et al. (2024) soulignent que les formes de fraude académique impliquant l'IA

incluent le plagiat, l'usurpation d'identité, la création de contenu faux et la manipulation de don-

nées. Cela est significatif car cela porte atteinte à l'intégrité académique, affecte l'équité éducative,

complique l'évaluation de l'apprentissage réel et décourage la créativité et la pensée critique.

Selon Mayta et al. (2023), pour lutter contre la fraude académique à l'ère de l'IA, il est important

de promouvoir une culture d'intégrité académique, de mettre en œuvre des mesures de dé-

tection de la fraude, de concevoir des évaluations plus innovantes, d'encourager l'utilisation

responsable de l'IA et de promouvoir la collaboration entre les institutions éducatives et les dé-

veloppeurs de technologies.

Ainsi, l'auteur de l'étude estime que l'intelligence artificielle présente des défis et des opportu-

nités pour l'éducation. Il est essentiel de traiter le risque d'utilisation abusive pour la fraude aca-

démique en promouvant l'intégrité académique, en mettant en œuvre des mesures de

détection efficaces, en concevant des évaluations robustes et en éduquant sur l'utilisation res-

ponsable de l'IA. L'IA ne doit pas être perçue comme une menace, mais comme un outil qui,

utilisé de manière responsable, peut contribuer à renforcer l'éducation et promouvoir un ap-

prentissage honnête et significatif.

78 Deinny José Puche Villalobo

Après avoir examiné certaines théories et postulats sur ce sujet, le chercheur estime que com-

prendre la relation entre l'utilisation de l'IA et la fraude académique est d'une grande impor-

tance pour maintenir l'intégrité académique, un pilier fondamental de l'éducation, surtout au

niveau universitaire dans le cadre des études de troisième cycle. Comprendre comment l'IA

peut influencer la fraude académique aide les institutions à préserver des normes éthiques et

de qualité élevées dans l'apprentissage et la recherche, en veillant à ce que les réalisations aca-

démiques reflètent véritablement les capacités et les efforts des étudiants.

De plus, cette étude vise à identifier cette relation, car cela permet aux institutions éducatives

de développer des politiques et des directives claires sur l'utilisation de l'IA. En établissant des

limites et des normes pour son utilisation, on s'assure que l'IA est utilisée de manière éthique

et responsable. À cet égard, ces politiques non seulement préviennent la fraude, mais elles pro-

meuvent également une utilisation constructive de la technologie dans les processus éducatifs.

Il est également important de comprendre les risques associés à une mauvaise utilisation de

l'IA afin de proposer des programmes d'éducation et de formation éthique. De plus, compren-

dre la relation entre l'IA et la fraude académique peut également stimuler le développement et

l'amélioration des outils de détection du plagiat et de la fraude.

Enfin, connaître l'impact de l'IA sur la qualité de l'éducation permet aux institutions de prendre

des mesures proactives pour s'assurer que les étudiants reçoivent une éducation authentique et

précieuse. Les universités ont la responsabilité de former des professionnels éthiques et compé-

tents, et comprendre les défis que pose l'IA en matière de fraude académique est essentiel pour

remplir cette responsabilité sociale. Dans ce contexte, le chercheur présente une figure qui re-

cueille, selon lui, les facteurs qui peuvent influencer la fraude académique par l'utilisation de l'IA.

Figure 1

Facteurs pouvant influencer la fraude académique par l'utilisation de l'IA

Source : Élaboration personnelle (2024).

Revista Digital de Investigación y Postgrado, 5(11), 75-91

ISSN électronique: 2665-038X

La Figure 1 montre que, selon le chercheur, la relation entre l'utilisation de l'IA et la fraude aca-

démique peut être influencée par plusieurs facteurs. D'une part, l'accessibilité et la facilité d'uti-

lisation de l'IA permettent aux étudiants d'exploiter des outils de génération de contenu, comme

les chatbots et les générateurs de texte, sans nécessiter de compétences techniques avancées.

D'autre part, la pression académique joue également un rôle significatif. Les étudiants, souvent

sous pression pour obtenir de bons résultats, peuvent être tentés de recourir à l'IA pour ac-

complir des tâches plus rapidement, bien que cela soit contraire à l'éthique.

En outre, le manque d'éducation sur l'utilisation éthique de l'IA et sur les conséquences de la

fraude académique pourrait amener certains étudiants à sous-estimer la gravité de ces actes.

Puche (2024) souligne que l'absence de politiques claires et de directives institutionnelles sur

l'utilisation de l'IA dans le contexte éducatif peut créer une zone grise pour les étudiants, les

laissant incertains quant à ce qui est permis, facilitant ainsi la fraude.

Selon Alonso et Quinde (2023), les outils de détection du plagiat actuellement disponibles ne sont

pas toujours en mesure d'identifier le contenu généré par l'IA, ce qui permet à la fraude de passer

inaperçue. Par ailleurs, l'IA offre un moyen rapide et pratique de produire du contenu académique,

une option attrayante pour les étudiants cherchant à économiser du temps et des efforts.

De plus, Alonso (2024) suggère que les étudiants utilisant l'IA pour leurs devoirs ne participent pas

réellement au processus d'apprentissage, ce qui entraîne une déconnexion entre les connaissances

acquises et les travaux soumis. La perception que les enseignants ne révisent pas attentivement les

travaux ou ne détectent pas l'utilisation de l'IA encourage également la fraude, car les étudiants

pensent qu'ils ne seront pas découverts. L'absence de méthodes d'évaluation axées sur le processus,

et non uniquement sur le produit final, favorise également ce type de comportement.

L'auteur de cette étude en conclut que, pour atténuer les risques de fraude académique liés à l'IA,

il est essentiel de mettre en place des politiques éducatives claires, des programmes de formation

éthique, et de développer des outils de détection plus efficaces. Les établissements d'enseignement

doivent adopter une approche proactive pour relever ces défis et assurer l'intégrité académique à

l'ère de l'intelligence artificielle. À cet égard, l'objectif de cette étude est de déterminer la relation

entre l'intelligence artificielle et la fraude académique au Venezuela, en Colombie et au Pérou.

Méthodologie

LCette étude repose sur les principes du paradigme positiviste, visant à être aussi objective que

possible dans la recherche de la connaissance, en utilisant des procédures disciplinées pour

tester les hypothèses du chercheur sur les phénomènes étudiés (Acosta, 2023). L'approche

quantitative a été privilégiée, définie par Arias (2019) comme basée sur l'idée que tous les phé-

nomènes étudiés par la science sont mesurables.

Il s'agit d'une étude descriptive, car selon Hernández et Mendoza (2018), l'objectif principal est

de décrire les caractéristiques ou propriétés d'un phénomène ou d'une situation sans manipuler

L'intelligence artificielle et la fraude académique dans le contexte universitaire

80 Deinny José Puche Villalobo

les variables ni établir de relations causales. Son but est de fournir une description détaillée et

précise de ce qui est étudié.

L'étude est également de type corrélationnel, car, selon Hernández et Mendoza (2018), elle vise

à évaluer la relation entre deux variables afin de déterminer leur degré de corrélation. Ce type

d'étude explore la façon dont une variable varie par rapport à une autre, en analysant la direc-

tion et l'intensité de la relation. Il est important de souligner que la corrélation ne signifie pas

causalité, c'est-à-dire qu'elle ne démontre pas une relation de cause à effet entre les variables.

Selon Arias (2019), dans ce type de recherche, des outils statistiques sont utilisés pour mesurer

et comprendre la corrélation entre les variables. Par exemple, des coefficients de corrélation,

tels que le coefficient de Spearman, permettent d'analyser les données obtenues et de tirer des

conclusions sur la relation entre les variables.

L'échantillon de l'étude se compose de 48 enseignants du Venezuela, 48 de Colombie et 44

du Pérou, tous exerçant dans l'enseignement universitaire. Les critères d'inclusion incluaient une

expérience de plus de 5 ans dans l'enseignement supérieur, un diplôme de master ou de doc-

torat, et l'enseignement de séminaires de thèse au niveau universitaire. Les participants ont été

sélectionnés dans diverses universités de chaque pays.

L'enquête a été réalisée au moyen d'un questionnaire à choix multiples (toujours, parfois, ja-

mais). Ce questionnaire a été validé par 5 experts titulaires d'un doctorat (2 du Venezuela, 2 de

Colombie et 1 du Pérou) et a obtenu une fiabilité de 0,980, selon le coefficient alpha de Cron-

bach. En termes de considérations éthiques, la transparence a été assurée : les objectifs de

l'étude ont été communiqués, et la confidentialité des informations a été garantie, tant pour

les universités que pour les participants. Les données ont été traitées à l'aide de statistiques

descriptives et présentées sous forme de tableaux de fréquences. Des statistiques inférentielles

ont également été utilisées pour analyser la corrélation entre les variables.

Résultats

Tabla 1

Competencias digitales

Dimensions Indicateurs

Options de réponses

Toujours Parfois Jamais

F % F % F %

Négligence

dans la

supervision

Manque d'instruction et d'orien-

tation appropriées. 93 66.42 37 26.42 10 7.14

Falta de seguimiento del pro-

greso del estudiante. 88 62.85 40 28.57 12 8.57

Falta de comunicación con los

profesores. 112 80.0 23 16.42 5 3.57

Revista Digital de Investigación y Postgrado, 5(11), 75-91

ISSN électronique: 2665-038X

Note : Élaboration propre (2024).

Le tableau 1 révèle les éléments qui influencent la fraude académique. La première dimension

correspond à la « Négligence dans la supervision », avec comme premier indicateur l’absence

d’instruction et d’orientation adéquates. Il a été observé que 66,42 % des répondants ont indi-

qué que cela se produit toujours, 26,42 % ont affirmé que cela arrive parfois, et 7,14 % ont dé-

claré que cela n’arrive jamais. En ce qui concerne l’absence de suivi des progrès des étudiants,

62,85 % des participants ont affirmé que ce manque est toujours présent, 28,57 % ont men-

tionné que cela arrive parfois et 8,57 % ont indiqué que cela n’arrive jamais. Enfin, en ce qui

concerne l’absence de communication avec les professeurs, 80,0 % des répondants estiment

que ce manque est toujours présent, 16,42 % ont déclaré que cela arrive parfois et 3,57 % ont

affirmé que cela n’arrive jamais.

En ce qui concerne la dimension « Comportement facilitateur », analysée à travers deux indi-

cateurs : ne pas contester ou remettre en question le travail des étudiants et ne pas sanctionner

la fraude. Pour le premier indicateur, 65,0 % des répondants ont indiqué qu’ils évitent toujours

de contester ou remettre en question le travail des étudiants, 27,85 % ont affirmé que cela

arrive parfois et 7,14 % ont mentionné que cela n’arrive jamais. Quant à l’absence de sanction

de la fraude, 88,57 % des participants ont affirmé que ce comportement est toujours présent,

11,42 % ont déclaré que cela arrive parfois et aucun répondant n’a indiqué que cela n’arrive ja-

mais.

Pour la dimension « Conflits d’intérêts », il a été observé que, selon les résultats, 70,71 % des

répondants ont indiqué que ces relations étroites entre tuteurs et étudiants existent toujours,

14,28 % ont affirmé qu’elles surviennent parfois, et 15,0 % ont déclaré qu’elles n’existent jamais.

Ainsi, le chercheur conclut que la négligence dans la supervision, le comportement facilitateur

et les conflits d’intérêts sont des problèmes significatifs dans l’environnement académique éva-

lué. De plus, l’absence d’instruction adéquate, le suivi insuffisant des progrès des étudiants et la

mauvaise communication avec les professeurs sont des pratiques couramment signalées, ce

qui suggère une supervision inadéquate. En outre, l’absence de sanctions contre la fraude et le

manque de remise en question du travail des étudiants reflètent un comportement permissif

pouvant nuire à l’intégrité académique. Enfin, les relations personnelles étroites avec les étu-

diants révèlent des conflits d’intérêts potentiels pouvant compromettre l’impartialité et l’équité

dans le traitement des étudiants.

L'intelligence artificielle et la fraude académique dans le contexte universitaire

Comportamiento

facilitador

No desafiar ni cuestionar el trabajo de

los estudiantes. 91 65.0 39 27.85 10 7.14

No sancionar el fraude. 124 88.57 16 11.42 0 0

Conflictos de

intereses

Relaciones personales cercanas con

estudiantes. 99 70.71 20 14.28 21 15.0

Total 140 100 140 100 140 100

82 Deinny José Puche Villalobo

Tableau 2

Fraudes courantes commises via l’IA

Note : Élaboration propre (2024).

Le Tableau 2 révèle les résultats pour analyser les fraudes les plus courantes commises à l'aide

de l'IA. En ce qui concerne la dimension « Plagiat assisté par IA », spécifiquement en ce qui

concerne l'indicateur de génération de travaux complets utilisant l'IA, 85,41 % des répondants

ont indiqué que les étudiants recourent toujours à cette pratique, tandis que 11,80 % pensent

qu'ils le font parfois. De même, concernant la pratique de paraphraser un texte existant pour

éviter la détection du plagiat, 46,38 % des répondants ont souligné que les étudiants utilisent

toujours l'IA à cette fin, 15,97 % le font parfois, et 4,86 % ne le font jamais.

Concernant la dimension « Tromperie assistée par IA », 27,77 % des participants ont mentionné

que les étudiants utilisent toujours des outils d'IA pour créer des réponses lors des entretiens,

tandis que 34,72 % le font parfois. De plus, 34,72 % croient que les étudiants ne recourent jamais

à cette pratique. En analysant la dimension « Création de contenu faux assistée par IA », spéci-

fiquement dans le contexte de l'invention de données ou de résultats de recherche, il a été cons-

taté que 48,61 % des répondants ont déclaré que les étudiants commettent toujours cette

pratique, 24,30 % le font parfois, et 24,30 % considèrent que les étudiants ne le font jamais.

Enfin, en ce qui concerne la dimension « Appropriation indue d'idées assistée par IA », il a été

observé que 63,88 % des répondants ont déclaré que les étudiants présentent toujours les tra-

vaux générés par l'IA comme étant les leurs, 26,38 % le font parfois, et 6,94 % ne le font jamais.

Dimensions Indicateurs

Options de réponses

Toujours Parfois Jamais

F % F % F %

Plagiat assisté par IA

Générer des travaux complets en

utilisant des outils d'IA. 123 85,41 17 11,80 0 0

Paraphraser un texte existant pour

éviter la détection de plagiat. 110 46,38 23 15,97 7 4,86

Tromperie assistée par IA Utiliser des outils d'IA pour créer

des réponses aux entretiens. 40 27,77 50 34,72 50 34,72

Création de contenu

faux assistée par IA

Inventer des données ou des résul-

tats de recherche. 70 46,61 35 24,30 35 24,30

Appropriation indue

d'idées assistée par IA

Présenter un travail généré par l'IA

comme étant le sien. 92 63,88 38 26,38 10 6,94

Ne pas citer correctement les sour-

ces d'IA. 140 100 0 0 0 0

Total 140 100 140 100 140 100

Revista Digital de Investigación y Postgrado, 5(11), 75-91

ISSN électronique: 2665-038X

Selon le chercheur, les résultats suggèrent une dépendance significative aux outils d'IA pour

produire des travaux académiques sans contribution personnelle authentique. Il est également

observé que, selon les enseignants interrogés, il y a une prévalence significative de l'utilisation

abusive des outils d'IA pour commettre du plagiat et de la tromperie.

Tableau 3

Coefficient de corrélation entre les variables

Note : Élaboration propre (2024).

Le Tableau 3 montre une corrélation de Pearson entre les variables IA et fraude académique,

où il est évident que la corrélation de Pearson entre ces deux variables est de 0,980, ce qui in-

dique une relation positive très forte. Cela signifie qu'à mesure que l'utilisation de l'intelligence

artificielle dans l'éducation augmente, la fraude académique tend également à augmenter. De

plus, il est souligné que la corrélation n'implique pas la causalité. Autrement dit, le fait que deux

variables soient corrélées ne signifie pas que l'une cause l'autre.

Discussion

En considérant les résultats de la perception des enseignants concernant l'utilisation de l'IA par

les étudiants lors de la réalisation de travaux de recherche, il est noté que, selon Caceres et

Ulloa (2023), les étudiants utilisent souvent l'IA de manière inappropriée en raison d'une su-

pervision insuffisante, ce qui affecte négativement la qualité éducative en permettant aux étu-

diants de s'écarter des objectifs d'apprentissage sans correction en temps voulu.

Dans ce contexte, Granero (2021) souligne que lorsque les superviseurs ne surveillent pas adé-

quatement la performance des étudiants, ceux-ci peuvent développer de mauvaises habitudes

d'étude, manquer de direction dans leurs projets et, dans les cas extrêmes, adopter des prati-

ques malhonnêtes telles que le plagiat ou l'utilisation de l'IA pour créer du contenu faux. Ce

manque de surveillance crée un environnement où les normes académiques se détériorent et

où les étudiants n'atteignent pas leur plein potentiel.

D'autre part, Granero (2021) affirme que le manque d'instruction et de guidance adéquates

empêche les étudiants de comprendre clairement les attentes académiques et comment les

satisfaire. Selon García et al. (2024), sans une orientation appropriée, les étudiants peuvent se

L'intelligence artificielle et la fraude académique dans le contexte universitaire

Intelligence artificielle Fraude académique

Rho de

Spearman

Intelligence artificielle

Coefficient de corrélation 1 0,980**

Sig. (bilateral) 0,000

N 140 140

Fraude académique

Coefficient de corrélation 0,980** 1

Sig. (bilateral) 0,000

N 140 140

84 Deinny José Puche Villalobo

sentir perdus et recourir à des solutions rapides, comme l'utilisation d'outils d'IA pour compléter

leurs devoirs. Cela affecte non seulement leur apprentissage et le développement de leurs com-

pétences, mais perpétue également une culture de dépendance plutôt que de favoriser la pen-

sée critique et la résolution de problèmes. L'absence d'instruction claire érode la confiance des

étudiants dans leurs capacités et dans le système éducatif en général.

Dans ce sens, Crawford (2023) suggère que le manque de suivi des progrès des étudiants em-

pêche l'identification rapide des difficultés et des domaines à améliorer, ce qui entraîne des in-

terventions tardives ou inexistantes. Sans un suivi continu, les problèmes académiques et

personnels des étudiants peuvent passer inaperçus, augmentant le risque de démotivation, de

sous-performance et d'abandon scolaire. García et al. (2024) affirment que l'absence de retour

constructif laisse les étudiants sans orientation sur la manière de s'améliorer, affectant leur dé-

veloppement académique et personnel. Ce manque d'attention peut entraîner une diminution

générale de la qualité éducative et du succès des étudiants.

De plus, Belda (2019) affirme que le manque de communication avec les enseignants crée un

vide dans le processus éducatif, où les étudiants ne reçoivent pas les conseils nécessaires à leur

développement académique et personnel. Sans une communication efficace, les enseignants

ne peuvent pas identifier les besoins individuels des étudiants ni fournir un soutien adéquat.

Cela peut conduire à une compréhension incomplète du matériel, à des difficultés non résolues

et à un manque de direction dans l'apprentissage. La déconnexion entre les étudiants et les

enseignants peut également entraîner une diminution de la motivation et de l'engagement des

étudiants envers leurs études.

Dans ce contexte, Soria et al. (2022) et Vries (2023) expliquent que les comportements facili-

tants, tels que ne pas remettre en question le travail des étudiants, contribuent à une faible

qualité éducative en ne favorisant pas la pensée critique et l'auto-évaluation. Selon Mayta et

al. (2023), lorsque les étudiants ne sont pas poussés à justifier et réfléchir sur leur travail, l'op-

portunité de développer des compétences analytiques et de raisonnement est perdue. Ainsi,

ce manque de rigueur académique permet aux étudiants de se contenter d'un effort minimal

et de ne pas atteindre leur plein potentiel, perpétuant une culture de médiocrité plutôt que

d'excellence.

D'autre part, Puche (2024) souligne que ne pas sanctionner la fraude crée un environnement

où la malhonnêteté académique peut proliférer sans conséquences, sapant l'intégrité du

système éducatif. L'absence de sanctions claires et cohérentes envoie un message selon lequel

la fraude est tolérée, ce qui peut encourager davantage d'étudiants à adopter des pratiques

malhonnêtes. Cela affecte non seulement l'équité et la justice dans le domaine académique,

mais dégrade également la valeur des diplômes et certificats décernés, nuisant à la fois aux

étudiants honnêtes et à la réputation de l'institution éducative.

En poursuivant l'analyse des résultats, Vander et Cury (2024) soutiennent que les conflits d'in-

térêts, tels que les relations personnelles étroites avec les étudiants, peuvent compromettre

Revista Digital de Investigación y Postgrado, 5(11), 75-91

ISSN électronique: 2665-038X

l'impartialité et l'objectivité dans l'évaluation et la supervision académiques. Cela suggère que

ces conflits peuvent conduire à du favoritisme, où certains étudiants reçoivent un traitement

préférentiel ou des évaluations injustement positives, affectant ainsi l'équité en classe. De plus,

ces relations peuvent entraver l'application des sanctions disciplinaires et la prise de décisions

académiques basées sur le mérite. La présence de tels conflits érode la confiance dans l'intégrité

du processus éducatif et peut générer un environnement de méfiance et de ressentiment parmi

les étudiants.

Dans le même ordre d'idées, Zuñiga et Polanco (2023) soulignent que le plagiat assisté par

l'IA se produit lorsque la technologie d'intelligence artificielle est utilisée pour copier et pré-

senter le travail d'autrui comme étant le sien. Cela se manifeste par des textes ou des travaux

contenant des phrases ou des paragraphes entiers correspondant à des sources existantes

sans citation appropriée, ce qui est facilement détectable par les logiciels de détection de pla-

giat.

Cependant, Alonso et Quinde (2023) suggèrent que ces travaux montrent souvent un style

d'écriture incohérent ou peu naturel, car les parties copiées ne s'intègrent pas bien avec le reste

du contenu original. L'utilisation d'outils d'IA pour paraphraser ou reformuler du contenu sans

changer significativement son sens est un autre indicateur important. Ainsi, ces éléments révè-

lent une dépendance à l'IA pour créer des travaux académiques ou professionnels qui ne sont

pas entièrement originaux.

Concernant la création de contenu faux assisté par l'IA, Franganillo (2022) note qu'elle implique

l'utilisation de technologies d'intelligence artificielle pour générer des textes non authentiques.

Pendant ce temps, Jofre (2023) soutient que cela affecte gravement la qualité éducative en

inondant l'environnement académique avec des informations inexactes ou trompeuses, rendant

difficile la distinction entre faits véridiques et fabriqués, ce qui peut conduire à la propagation

de connaissances erronées parmi les étudiants et les enseignants, compromettant ainsi l'intégrité

de l'apprentissage et de la recherche.

Villalobos (2024) affirme que cela favorise une culture de méfiance envers les sources d'infor-

mation et réduit la valeur du travail académique authentique, tout en décourageant la pensée

critique et la vérification rigoureuse des données. Par conséquent, ces effets érodent la crédibilité

et l'efficacité du système éducatif dans sa mission de former des individus bien informés capa-

bles de contribuer positivement à la société.

En comparant ces résultats avec ceux de Gallent et al. (2023), qui soutiennent que l'appropriation

indebide d'idées assistée par l'IA se produit lorsque les outils d'IA sont utilisés pour prendre des

idées originales d'autrui et les présenter comme étant les siennes, il est évident dans les pro-

positions de projets, les recherches ou les présentations qui reflètent des idées ou des concepts

précédemment présentés par d'autres personnes sans reconnaissance adéquate. Ainsi, les don-

nées de l'étude montrent une faiblesse significative concernant cette dimension (appropriation

indebide d'idées assistée par l'IA).

L'intelligence artificielle et la fraude académique dans le contexte universitaire

86 Deinny José Puche Villalobo

Dans ce contexte, Díaz (2023) considère que les travaux montrant une connaissance avancée

ou détaillée qui ne correspond pas au niveau d'expertise de l'auteur sont également suspects.

Alonso (2024) note que l'utilisation de l'IA pour explorer les bases de données de recherche

puis les reformuler légèrement sans créditer les auteurs originaux est une pratique courante.

Cela suggère que les écarts entre la connaissance de l'auteur sur le sujet et la qualité du travail

présenté indiquent une possible dépendance à l'IA pour une appropriation indue des idées

d'autrui.

En considérant les résultats obtenus, il est évident que les étudiants n'utilisent pas l'IA de manière

appropriée. Au lieu de l'employer comme un outil de soutien pour enrichir et faciliter leur travail

académique, les étudiants délèguent à l'IA la construction et la rédaction de chaque élément

de leurs travaux de recherche. Cela est basé sur le niveau élevé de corrélation déterminé entre

les variables analysées, ce qui suggère une dépendance excessive à l'IA pour des tâches qui

devraient être effectuées par les étudiants eux-mêmes.

Dans ce sens, l'utilisation inappropriée de l'IA a des implications sérieuses pour la qualité

éducative, car les étudiants ne développent pas les compétences critiques nécessaires à

leur croissance académique et professionnelle. Le manque d'implication personnelle dans

le processus de recherche et de rédaction peut conduire à une compréhension superficielle

du contenu et à l'incapacité d'appliquer les connaissances acquises dans des contextes

réels.

Pour aborder ce problème, une réunion a été organisée avec les enseignants (tuteurs de travaux

de recherche), qui ont participé à l'enquête et partagé leurs observations et préoccupations.

Par consensus, des lignes directrices ont été établies pour freiner l'utilisation abusive de l'IA.

Ces lignes directrices visent à promouvoir une utilisation responsable et éthique de la techno-

logie, en veillant à ce que les étudiants développent les compétences nécessaires à leur réussite

académique.

Dans ce contexte, il a été considéré comme essentiel d'incorporer des ateliers ou des modules

obligatoires dans les programmes de master, afin d'éduquer les étudiants sur l'utilisation res-

ponsable de l'intelligence artificielle dans la recherche et la rédaction de thèses. Ces program-

mes doivent aborder la portée et les limites des outils d'IA pour l'écriture et la génération de

contenu, ainsi que les normes éthiques et académiques liées à l'intégrité du travail intellec-

tuel.

De plus, il est important d'informer les étudiants des conséquences du plagiat et de l'utilisation

inappropriée de l'IA, en les orientant vers une utilisation correcte. Cet assistant virtuel peut les

aider dans la recherche et l'organisation des informations, l'analyse des données et la création

de visualisations, ainsi que dans la rédaction et la révision de textes académiques. C'est pourquoi

une série d'activités ont été proposées, pouvant faire partie de la solution aux problèmes.Tableau

4Suggestions pour traiter le problème de l'utilisation de l'IA pour commettre une fraude aca-

démique

Revista Digital de Investigación y Postgrado, 5(11), 75-91

ISSN électronique: 2665-038X

Tableau 4

Suggestions pour traiter le problème de l'utilisation de l'IA pour commettre une fraude acadé-

mique

L'intelligence artificielle et la fraude académique dans le contexte universitaire

Activité Description Avantages pour prévenir l'utilisation

abusive de l'IA dans les thèses

Promouvoir

l'éducation sur

l'IA et l'éthique

académique.

•Incorporer des ateliers ou des modules obligatoi-

res dans les programmes de troisième cycle.

•Éduquer les étudiants sur l'utilisation responsable

de l'intelligence artificielle dans la recherche et la

rédaction de thèses, incluant : (a) Les possibilités

et limites des outils d'IA pour l'écriture et la géné-

ration de contenu. (b) Les normes éthiques et aca-

démiques liées à l'intégrité du travail intellectuel.

abusive de l'IA dans la rédaction des thèses.

•Promouvoir l'utilisation des outils d'IA pour l'ap-

prentissage et la recherche.

•Guider les étudiants dans l'utilisation appropriée

des outils d'IA pour soutenir leur processus d'ap-

prentissage et de recherche, comme : la recherche

et l'organisation d'informations pertinentes ;

l'analyse de données et la génération de visualisa-

tions ; la rédaction et la révision de textes acadé-

miques ; souligner l'importance de la pensée

critique et de l'originalité : encourager chez les

étudiants le développement de compétences en

pensée critique et en analyse pour évaluer les in-

formations obtenues via l'IA et générer leurs pro-

pres idées et arguments.

•Aide les étudiants à comprendre les

capacités et les limites de l'IA dans le

contexte académique, en promouvant

une utilisation responsable et éthique.

•Offre aux étudiants des outils et des

stratégies pour utiliser efficacement l'IA

dans leur processus d'apprentissage et

de recherche, sans compromettre l'ori-

ginalité de leur travail.

•Encourage le développement de com-

pétences en pensée critique et en

analyse, essentielles pour évaluer les

informations, formuler des arguments

et générer un savoir original.

Établir des di-

rectives claires

pour. l'utilisa-

tion de l'IA

dans l'élabora-

tion des thè-

ses.

• Définir les types d'outils d'IA autorisés : spécifier

quels outils d'IA peuvent être utilisés par les étu-

diants dans l'élaboration de leurs thèses, en tenant

compte de leur impact sur l'originalité et la valeur

académique du travail ; établir des limites à l'utili-

sation de l'IA : déterminer la quantité de contenu

généré par IA qui peut être utilisée dans une thèse,

en veillant à ce que le travail principal soit réalisé

par l'étudiant ; exiger la transparence dans l'utili-

sation de l'IA : demander aux étudiants de citer

clairement tout outil ou ressource d'IA utilisé dans

l'élaboration de leur thèse, en incluant la descrip-

tion de sa fonction et son impact sur le contenu

final.

• Donner aux étudiants des directives

claires sur ce qui est attendu en ce qui

concerne l'utilisation de l'IA dans leurs

thèses, afin d'éviter toute confusion et

éventuelles transgressions des normes

académiques.

• Garantir que la majeure partie du tra-

vail de thèse soit réalisée par l'étudiant,

assurant ainsi le développement de ses

compétences en recherche et en ré-

dactio..

• Encourager la transparence et la tra-

çabilité de l'utilisation de l'IA, permet-

tant aux évaluateurs de comprendre le

processus d'élaboration de la thèse et

la contribution réelle de l'étudiant.

88 Deinny José Puche Villalobo

Note : Élaboration propre (2024).

Conclusions

Les résultats de l'étude révèlent une corrélation de Pearson de 0,980 entre l'utilisation de l'IA et

la fraude académique. Cette valeur indique une relation positive très forte, suggérant qu'à mesure

que l'utilisation de l'IA dans l'éducation augmente, le fraude académique tend également à aug-

menter. Cependant, il est important de noter que la corrélation n'implique pas une causalité.

Bien que les deux variables soient fortement liées, on ne peut pas conclure que l'utilisation de

l'IA cause directement le fraude académique. D'autres facteurs peuvent influencer cette relation.

Mettre en

œuvre des

stratégies

d'évaluation et

de détection

de fraude.e.

•Utiliser des logiciels de détection de plagiat : em-

ployer des outils logiciels spécialisés dans la dé-

tection de plagiat pour analyser les thèses des

étudiants et les comparer à une vaste base de

données de sources académiques ; réaliser des

évaluations qualitatives approfondies ; mettre l'ac-

cent sur l'évaluation critique du contenu des thè-

ses, en tenant compte de la cohérence interne, de

l'originalité des idées, de la profondeur de l'analyse

et de la solidité de l'argumentation, au-delà de la

simple détection de similitudes textuelles.

•Promouvoir la révision par les pairs : mettre en

place des processus rigoureux de révision par les

pairs, où des experts dans le domaine évaluent les

thèses de manière indépendante, en considérant

l'utilisation appropriée de l'IA et la contribution ori-

ginale de l'étudiant.

•Aide à identifier d'éventuels cas de pla-

giat ou d'utilisation abusive de l'IA dans

l'élaboration des thèses.

•Permet aux évaluateurs d'effectuer une

évaluation approfondie du contenu et

de la qualité de la recherche, en tenant

compte d'aspects au-delà de la simple

similarité textuelle.

•Offre une perspective supplémentaire

d'experts dans le domaine, qui peu-

vent évaluer l'utilisation appropriée de

l'IA et la contribution originale de l'étu-

diant dans la thèse.

Encourager

une culture

d'intégrité

académique.

•Communiquer clairement les attentes : informer

les étudiants de manière claire et transparente sur

les attentes concernant l'utilisation de l'IA dans

l'élaboration des thèses, les normes éthiques et

les conséquences de la fraude académique.

•Promouvoir le dialogue ouvert : créer des espa-

ces de dialogue entre les étudiants, les supervi-

seurs et les autorités académiques pour discuter

des préoccupations liées à l'utilisation de l'IA et

favoriser la collaboration dans la recherche de so-

lutions éthiques.

•Reconnaître et récompenser l'honnêteté acadé-

mique : mettre en avant et récompenser les étu-

diants qui montrent un engagement envers

l'intégrité académique et l'utilisation responsable

de l'IA dans leur travail de recherche.

Revista Digital de Investigación y Postgrado, 5(11), 75-91

ISSN électronique: 2665-038X

Ainsi, ces résultats soulignent la nécessité de mettre en place des régulations et des politiques

éducatives qui abordent l'utilisation éthique de l'IA. Il est également crucial d'éduquer les étu-

diants sur l'utilisation responsable des outils d'IA et d'établir des directives claires pour atténuer

le risque de fraude académique. De plus, promouvoir le développement des compétences en

pensée critique et en analyse chez les étudiants est essentiel pour qu'ils puissent utiliser l'IA de

manière éthique et responsable. Ces compétences les aideront à évaluer les informations géné-

rées par l'IA et à développer leurs propres arguments et conclusions.

Dans ce contexte, il est également important de mettre en œuvre des stratégies d'évaluation et

de détection de fraude, telles que l'utilisation de logiciels de détection de plagiat et des révisions

par les pairs, pour garantir l'intégrité académique. Ces mesures peuvent aider à identifier et à

prévenir la fraude académique liée à l'utilisation de l'IA. En outre, il est nécessaire de promouvoir

une culture d'intégrité académique, ce qui est fondamental pour réduire l'incidence de la fraude

académique.

Il convient également de noter que l'information des étudiants sur les attentes, les normes ét-

hiques et les conséquences de la fraude, ainsi que la reconnaissance et la récompense des

comportements éthiques, peuvent encourager un comportement académique honnête et res-

ponsable. Bien que l'étude ait révélé une relation positive très forte entre l'utilisation de l'IA et

la fraude académique, il est vraiment important d'aborder cette question sous plusieurs angles,

y compris l'éducation, la régulation, l'évaluation et la promotion d'une culture d'intégrité aca-

démique. Le chercheur considère qu'une approche holistique et multifacette est nécessaire pour

relever efficacement le défi de la fraude académique dans le contexte de l'utilisation croissante

de l'IA

Références

Alonso, A. J. e Quinde, C. M. (2023). ChatGPT: La creación automática de textos académicos

con Inteligencia artificial y su impacto en la comunicación académica y educativa. Desiderata,

6(22), 136-142. https://gredos.usal.es/handle/10366/152505

Alonso, R. A. (2024). Hacia un marco ético de la inteligencia artificial en la educación. Teoría de

la Educación. Revista Interuniversitaria, 36(2), 79-98. https://revistas.usal.es/tres/index.php/

1130-3743/article/view/31821

Belda, I. (2019). Inteligencia artificial. RBA Libros.

Caceres, K. e Ulloa, S. (2023). Implicancias del uso de la inteligencia artificial al emitir resoluciones

judiciales respecto de los Derechos Fundamentales. [Tesis de grado, Universidad Cesar Vallejo]

https://repositorio.ucv.edu.pe/handle/20.500.12692/144174

Crawford, K. (2023). Atlas de inteligencia artificial: Poder, política y costos planetarios. Fondo de

Cultura Económica Argentina.

L'intelligence artificielle et la fraude académique dans le contexte universitaire

90 Deinny José Puche Villalobo

Díaz, D. (2023). Inteligencia artificial vs. Turnitin: implicaciones para el plagio académico. Revista

cognosis, 8 (1) 15-26 https://doi.org/10.33936/cognosis.v8i1.5517

Franganillo, J. (2022). Contenido generado por inteligencia artificial: oportunidades y amenazas.

Anuario ThinkEPI, 16. https://doi.org/10.3145/thinkepi.2022.e16a24

Gallent, T. C., Zapata, G. A., e Ortego, H. J. (2023). El impacto de la inteligencia artificial gene-

rativa en educación superior: una mirada desde la ética y la integridad académica. RELIEVE.

Revista Electrónica de Investigación y Evaluación Educativa, 29(2), 1-21. https://www.redalyc.

org/journal/916/91676028011/91676028011.pdf

García, F.., Llorens, L. F. e Vidal, J. (2024). The new reality of education in the face of advances

in generative artificial intelligence. [La nueva realidad de la educación ante los avances de

la inteligencia artificial generativa]. RIED-Revista Iberoamericana de Educación a Distancia,

27(1). https://doi.org/10.5944/ried.27.1.37716

Granero, H. (2021). Inteligencia artificial y derecho, un reto social. elDial. com.

Hurtado, M. (2020). Liderazgo pedagógico e inteligencia artificial Maestría en educación de una

institución de educación superior. Estudio de caso. .[Tesis de maestría, Universidad militar de

Granada] https://repository.unimilitar.edu.co/handle/10654/36061

Jofre, C. (2023). ChatGPT, Inteligencia Artificial y Universidad. Nuevas tensiones, transformacio-

nes y desafíos en la educación superior. Campo Universitario, 4(7). https://www.academia.

edu/download/104836259/ChatGPT_Inteligencia_artificial_y_Universidad.pdf

Mayta, T. P., Borja, G. R. e Angulo, B. Y. (2023). Compra y venta de autorías en Perú: Fraude cien-

tífico, mala conducta científica o práctica cuestionable en investigación. Revista del Cuerpo

Médico Hospital Nacional Almanzor Aguinaga Asenjo, 16(4). http://www.cmhnaaa.

org.pe/ojs/index.php/rcmhnaaa/article/download/2370/878

Puche, D. (2024). Fraude académico en los trabajos de investigación: Desafíos y ética en la in-

tegridad académica. Revista En Prospectiva| Universidad Yacambú, 5(1), 61-89. https://re-

vista.uny.edu.ve/ojs/index.php/en-prospectiva/article/view/371

Soria, E., Rodríguez, P., García, Q., Vaquer, F., Vicent, J. e Vila, J. (2022). Inteligencia artificial. Ra-

Ma Editorial.

VanderLinde, G. e Cury, T. M. (2024). El uso de inteligencia artificial y sus desafíos para la eva-

luación académica: una revisión de la literatura. Cuaderno de Pedagogía Universitaria, 21(41).

Villalobos, L. J. (2024). El Plagio Académico y las Repercusiones Legales en las Tesis de Grado

en México. Revista Docentes 2.0, 17(1), 5-17. https://ojs.docentes20.com/index.php/revista-

Revista Digital de Investigación y Postgrado, 5(11), 75-91

ISSN électronique: 2665-038X

docentes20/article/view/436

Vries, W. (2023). Como (no) combatir el fraude académico: Lecciones internacionales. Revista

mexicana de investigación educativa, 28(97), 637-650. https://www.scielo.org.mx/scielo.php?

pid=S1405-66662023000200637&script=sci_arttext

Zuñiga, G. ePolanco, P. (2023). Plagio y ética profesional en el proceso de investigación social.

Revista de la Universidad, 1, 50-59. https://doi.org/10.5377/ru.v1i1.17244

L'intelligence artificielle et la fraude académique dans le contexte universitaire