Rethinking Higher Education/fr/Chapter 11
Éducation numérique verte : durabilité, sobriété numérique et sensibilisation environnementale dans les universités de l'UE et de Chine
Martin Woesler
Université normale du Hunan
Résumé
La transformation numérique de l'enseignement supérieur s'accompagne d'un coût environnemental caché qui est rarement reconnu dans le discours des politiques éducatives. Les centres de données ont consommé 415 térawattheures d'électricité en 2024 — 1,5 pour cent de la demande mondiale d'électricité — et devraient atteindre 945 TWh d'ici 2030, avec une croissance quatre fois plus rapide que tout autre secteur. L'entraînement d'un seul grand modèle de langage tel que GPT-3 produit environ 552 tonnes métriques d'équivalent CO2, soit l'équivalent des émissions annuelles de 121 ménages américains moyens. La consommation annuelle de contenu numérique génère 229 kg d'équivalent CO2 par utilisateur, soit environ 3 à 4 pour cent des émissions anthropiques de gaz à effet de serre par habitant. Pourtant, le secteur des technologies éducatives a largement échappé à l'examen critique de son empreinte environnementale, alors même que les universités étendent leur infrastructure numérique sous les bannières de l'innovation et de l'accessibilité. Cet article examine la tension entre l'éducation numérique et la durabilité environnementale à travers une comparaison systématique des approches de l'Union européenne et de la Chine. L'UE a développé le cadre GreenComp pour les compétences en matière de durabilité et commence à aborder la « sobriété numérique » — le principe de minimisation de la consommation numérique superflue — comme objectif éducatif. La Chine a poursuivi l'« éducation à la civilisation écologique » comme cadre intégrant la sensibilisation environnementale à des objectifs civilisationnels plus larges, tout en entreprenant simultanément la plus grande expansion mondiale de l'infrastructure éducative numérique. Nous soutenons que les deux systèmes font face à un « paradoxe énergétique de l'IA » — le déploiement de l'intelligence artificielle dans l'éducation promet simultanément d'améliorer la sensibilisation à la durabilité et contribue substantiellement à la dégradation environnementale — et qu'aucun des deux n'a encore développé de réponse adéquate.
Mots-clés : éducation numérique verte, durabilité, sobriété numérique, civilisation écologique, empreinte carbone, centres de données, paradoxe énergétique de l'IA, GreenComp, enseignement supérieur, comparaison UE-Chine
1. Introduction
La durabilité environnementale de l'éducation numérique est un sujet que la plupart des technologues de l'éducation préféreraient ne pas aborder. La transformation numérique de l'enseignement supérieur a été portée par de puissants récits de progrès : l'apprentissage personnalisé par l'IA, la réalité virtuelle immersive, la connectivité mondiale et l'efficacité institutionnelle. Ces récits ne sont pas faux — les chapitres compagnons de cette anthologie documentent de véritables avantages éducatifs des technologies numériques (Woesler, ce volume). Mais ils sont incomplets, car ils ignorent systématiquement la base matérielle de l'éducation numérique : les serveurs, les réseaux, les appareils et les systèmes énergétiques qui la rendent possible, et les conséquences environnementales de leur exploitation à grande échelle.
Les chiffres sont alarmants. L'Agence internationale de l'énergie rapporte que les centres de données ont consommé 415 térawattheures d'électricité en 2024, représentant 1,5 pour cent de la demande mondiale d'électricité. Ce chiffre devrait atteindre 945 TWh d'ici 2030 — plus que la consommation totale d'électricité du Japon — avec des taux de croissance d'environ 15 pour cent par an, quatre fois plus rapides que tous les autres secteurs réunis (AIE 2025). Les émissions de carbone des grandes entreprises technologiques ont bondi en parallèle : les émissions de gaz à effet de serre de Google ont augmenté de 48 pour cent entre 2019 et 2024, tandis que celles de Microsoft ont crû de 29 pour cent depuis 2020, la consommation énergétique des centres de données étant identifiée comme le principal facteur (NPR 2024). Une analyse des rapports de durabilité des entreprises suggère que les émissions réelles des centres de données pourraient être 7,62 fois plus élevées que celles déclarées, en raison de pratiques comptables qui considèrent les certificats d'énergie renouvelable comme équivalents à la consommation réelle d'énergie renouvelable (Le Goff 2025).
Pour l'enseignement supérieur, ces chiffres ont une pertinence directe. Les universités sont parmi les plus grands consommateurs institutionnels d'infrastructure numérique, exploitant des systèmes de gestion de l'apprentissage, des grappes de calcul de recherche, des plateformes de visioconférence et — de plus en plus — des outils éducatifs alimentés par l'IA. Pourtant, l'empreinte environnementale de cette infrastructure numérique n'est presque jamais incluse dans les évaluations de durabilité des universités. Williamson, Hogan et Selwyn (2025), dans un chapitre pour un volume Springer sur les études critiques des technologies éducatives, soutiennent que l'impact environnemental des plateformes de technologie éducative est « systématiquement négligé » dans les calculs carbone des universités, attirant l'attention sur l'infrastructure informatique mondialement distribuée et énergivore dans laquelle les universités sont imbriquées à travers leurs partenariats en matière de technologies éducatives.
Cet article examine comment l'Union européenne et la Chine — les deux plus grands systèmes d'enseignement supérieur en nombre d'inscrits — abordent (ou échouent à aborder) la dimension environnementale de leurs stratégies d'éducation numérique. Nous comparons le cadre émergent de l'UE en matière de compétences de durabilité et de sobriété numérique avec l'éducation à la civilisation écologique de la Chine, en évaluant chacun pour sa capacité à affronter les coûts environnementaux de l'infrastructure numérique dont l'éducation moderne dépend de plus en plus.
2. L'empreinte carbone des technologies éducatives
2.1 Centres de données et entraînement de l'IA
La consommation énergétique de l'infrastructure numérique comporte deux composantes principales : l'énergie opérationnelle des centres de données (y compris le refroidissement, qui peut représenter 30 à 40 pour cent de la consommation énergétique totale) et l'énergie incorporée dans la production et l'élimination du matériel. Pour les systèmes d'IA spécifiquement, une troisième composante — l'énergie consommée lors de l'entraînement des modèles — est devenue de plus en plus significative.
Patterson et ses collègues (2021), dans une étude menée par des chercheurs de Google et de l'UC Berkeley, ont estimé que l'entraînement de GPT-3 a produit environ 552 tonnes métriques d'équivalent CO2 et consommé 1 287 mégawattheures d'électricité. Strubell, Ganesh et McCallum (2019), dans l'article qui a le premier attiré une large attention sur le coût carbone de l'entraînement des grands modèles de langage, ont démontré que l'entraînement d'un seul grand modèle de traitement du langage naturel peut émettre autant de carbone que cinq automobiles pendant toute leur durée de vie. Ces chiffres ont considérablement augmenté avec le développement de modèles plus grands : GPT-4 et ses successeurs consomment des ordres de grandeur supplémentaires d'énergie, bien que les chiffres précis ne soient pas divulgués publiquement.
L'empreinte hydrique de l'IA est tout aussi préoccupante. Li et ses collègues (2023), dans une étude publiée dans Communications of the ACM, estiment que l'entraînement de GPT-3 dans les centres de données de Microsoft aux États-Unis a directement évaporé 700 000 litres d'eau douce. La demande mondiale en eau de l'IA devrait atteindre 4,2 à 6,6 milliards de mètres cubes d'ici 2027 — plus que le prélèvement annuel total en eau de quatre à six Danemark. De Vries (2025), écrivant dans la revue Patterns de Cell Press, estime l'empreinte carbone de l'industrie de l'IA en 2025 à 32,6–79,7 millions de tonnes métriques de CO2, comparable aux émissions totales de la ville de New York, avec une empreinte hydrique de 312,5–764,6 milliards de litres.
Pour les universités, ces chiffres agrégés se traduisent en responsabilité institutionnelle. Chaque fois qu'un étudiant utilise un assistant de rédaction par IA basé sur le nuage, soumet un travail à un détecteur de plagiat alimenté par l'IA, ou interagit avec un système de tutorat par IA, l'infrastructure numérique de l'université génère des émissions invisibles pour l'utilisateur mais cumulativement significatives. Xiao et ses collègues (2025), écrivant dans Nature Sustainability, soutiennent que l'industrie américaine de l'IA est peu susceptible d'atteindre les objectifs de zéro émission nette d'ici 2030 sans une dépendance substantielle à des « mécanismes de compensation carbone et de restauration hydrique hautement incertains ».
2.2 La consommation de contenu numérique
Au-delà de l'entraînement de l'IA, les activités numériques routinières de l'éducation portent leurs propres coûts environnementaux. Istrate et ses collègues (2024), dans une étude publiée dans Nature Communications, estiment que la consommation annuelle moyenne mondiale de contenu numérique — navigation web, médias sociaux, diffusion de vidéos et de musique en continu, et visioconférence — génère 229 kg d'équivalent CO2 par utilisateur par an, soit environ 3 à 4 pour cent des émissions anthropiques de gaz à effet de serre par habitant. Dans un scénario de réchauffement limité à 1,5 degré Celsius, cela pourrait représenter environ 40 pour cent du budget carbone par habitant.
Pour les universités, les implications sont significatives. Un seul semestre de cours en ligne pour des milliers d'étudiants implique une diffusion vidéo en continu substantielle, du partage de fichiers et des interactions sur plateforme. Caird et Lane (2024), écrivant dans le Future Healthcare Journal, notent que si l'apprentissage numérique a généralement une empreinte carbone plus faible que l'enseignement en présentiel lorsque les déplacements sont pris en compte — les déplacements pour des conférences en présentiel peuvent produire 1 000 fois plus de CO2 que les alternatives virtuelles — la comparaison est moins favorable lorsque les coûts du cycle de vie complet de l'infrastructure numérique sont inclus.
2.3 Les déchets électroniques et le cycle de vie du matériel
Le coût environnemental de l'éducation numérique s'étend au-delà de la consommation énergétique pour inclure les appareils physiques dont elle dépend. Le rythme accéléré de remplacement du matériel dans les établissements d'enseignement — motivé par les exigences logicielles, les cycles d'approvisionnement institutionnels et l'obsolescence programmée de l'électronique grand public — génère un flux croissant de déchets électroniques qui est rarement inclus dans les discussions sur l'éducation durable.
Valai Ganesh et ses collègues (2025), dans une étude publiée dans Scientific Reports, ont examiné 452 produits électriques dans des établissements universitaires en Inde et constaté que 32,1 pour cent avaient plus de cinq ans et que 34,1 pour cent nécessitaient une réparation ou un remplacement. Leur cadre de gestion durable des déchets électroniques proposé a démontré que le recyclage sur site peut atteindre un taux de récupération des matériaux de 90 pour cent — mais de tels cadres exigent un investissement et un engagement institutionnels que la plupart des universités n'ont pas encore consentis. Thao, Hanh et Huy (2025), dans une étude de l'Université de technologie de Hô Chi Minh-Ville publiée dans l'International Journal of Environmental Science and Technology, projettent que les déchets électroniques d'un seul campus universitaire augmenteront de 1,5 fois, passant de 16 792 kg en 2024 à 25 230 kg en 2034, reflétant l'intensité croissante en matériel de l'éducation numérique.
Pour les universités chinoises et européennes, le problème des déchets électroniques est aggravé par la tendance aux programmes institutionnels de tablettes et d'ordinateurs portables, aux initiatives d'un appareil par élève et au remplacement régulier de l'équipement des salles de classe intelligentes. Lorsqu'une université déploie des milliers de tablettes pour une initiative d'apprentissage numérique, le bénéfice éducatif peut être réel — mais le coût environnemental de la fabrication, de l'exploitation et de l'élimination éventuelle de ces appareils est rarement calculé. Le concept de sobriété numérique, discuté dans la section suivante, offre un cadre pour combler cette lacune.
3. La sobriété numérique comme objectif éducatif
3.1 Origines et définition
Le concept de « sobriété numérique » (sobriété numérique) est né avec le groupe de réflexion français The Shift Project, dont le rapport de 2019 « Pour une sobriété numérique » la définissait comme le principe d'acheter l'équipement le moins puissant possible, de changer d'appareils le plus rarement possible et de réduire les usages numériques superflus énergivores. Le rapport estimait que la consommation énergétique des TIC augmentait de 9 pour cent par an et soutenait qu'une approche de sobriété pourrait limiter la croissance à 1,5 pour cent (The Shift Project 2019).
Dans l'éducation, la sobriété numérique a gagné en reconnaissance grâce à la décision de l'UNESCO en 2024 de décerner le Prix Roi Hamad Bin Isa Al-Khalifa pour les TIC dans l'éducation à l'initiative belge EducoNetImpact, qui promeut des pratiques numériques durables dans les écoles. Environ 1 000 enseignants utilisent désormais ses matériaux (UNESCO 2024). Cette reconnaissance signale que la communauté éducative internationale commence à reconnaître la dimension environnementale des technologies éducatives — bien que l'ampleur de la réponse reste modeste par rapport à l'ampleur du problème.
3.2 Le cadre de l'UE : DigComp et GreenComp
L'approche de l'UE en matière de durabilité dans l'éducation numérique s'appuie sur deux cadres complémentaires. Le cadre DigComp 2.2 (Vuorikari, Kluzer et Punie 2022) intègre des exemples liés à la durabilité dans ses cinq domaines de compétences, abordant les implications environnementales de l'utilisation des technologies numériques. Cependant, la sobriété numérique n'est pas explicitement nommée comme dimension de compétence au sein de DigComp 2.2 — une lacune qui suggère que le développement du cadre n'a pas pleinement suivi les préoccupations environnementales émergentes.
Le cadre GreenComp (Bianchi, Pisiotis et Cabrera Giraldez 2022), publié par le Centre commun de recherche de l'UE, fournit un cadre complémentaire avec quatre domaines de compétences : incarner les valeurs de durabilité, appréhender la complexité de la durabilité, envisager des avenirs durables et agir pour la durabilité. Ses 12 compétences sont conçues comme des points de référence non prescriptifs pour les dispositifs d'apprentissage dans l'éducation formelle et non formelle.
Le projet GreenSCENT (Horizon 2020, 2021–2024) a testé l'application pratique des thématiques du Pacte vert dans environ 45 écoles et universités à travers l'UE, créant l'ECCEL — un « permis de conduire » européen pour les compétences climatiques et environnementales (Commission européenne 2021–2024). Le volume édité par McDonagh, Caforio et Pollini (2024), « The European Green Deal in Education », publié par Routledge, fournit des études de cas issues du projet, documentant les premières applications publiées des thématiques du Pacte vert en contexte de classe.
Calis et ses collègues (2025), dans une étude portant sur 896 enseignants en formation initiale publiée dans Humanities and Social Sciences Communications, n'ont trouvé qu'un « niveau modéré » de conscience de l'empreinte carbone numérique. Les participants montraient une meilleure compréhension de l'impact des appareils électroniques que de l'impact de la transmission de données — c'est-à-dire qu'ils comprenaient que la fabrication d'un ordinateur portable a des coûts environnementaux mais étaient moins conscients que la diffusion d'un cours vidéo en continu ou l'utilisation d'un outil d'IA basé sur le nuage génère également des émissions. Les participantes avaient des niveaux de conscience significativement plus élevés que les participants masculins. Ce constat est particulièrement préoccupant : si les enseignants eux-mêmes ignorent les coûts environnementaux de la technologie numérique, on ne peut attendre d'eux qu'ils cultivent cette conscience chez leurs étudiants.
Au niveau institutionnel, le rapport 2023 de l'Association des universités européennes « A Green Deal Roadmap for Universities », fondé sur une enquête auprès de près de 400 institutions de 56 systèmes d'enseignement supérieur, a constaté qu'une grande majorité des universités européennes ont soit intégré la durabilité dans leur stratégie institutionnelle principale, soit développé des stratégies de durabilité spécifiques. Cependant, la majorité des institutions appelaient à un renforcement du financement et à davantage d'occasions d'apprentissage entre pairs (EUA 2023). Les recommandations du rapport couvrent l'engagement public, la recherche, l'enseignement et les opérations du campus — mais le coût environnemental de l'infrastructure numérique ne fait l'objet d'aucun traitement dédié, ce qui suggère que même les institutions engagées en faveur de la durabilité n'ont pas encore intégré la sobriété numérique dans leurs stratégies environnementales.
L'importance croissante du reporting de durabilité dans l'enseignement supérieur se reflète dans l'expansion du classement THE Impact Rankings, qui mesure les contributions des universités aux Objectifs de développement durable des Nations Unies. Urbano et ses collègues (2025), dans une analyse publiée dans le Journal of Cleaner Production, ont constaté que le classement 2024 comptait 1 963 institutions participantes — soit une augmentation de 23 pour cent par rapport à l'année précédente — démontrant un engagement institutionnel croissant envers le reporting de durabilité. Cependant, la méthodologie du classement n'inclut pas d'indicateurs spécifiques pour les émissions de l'infrastructure numérique, créant un angle mort significatif dans un cadre d'évaluation par ailleurs exhaustif.
4. L'approche de la Chine : l'éducation à la civilisation écologique
4.1 La civilisation écologique comme cadre éducatif
L'approche de la Chine en matière d'éducation environnementale ne se formule pas à travers la « durabilité » au sens occidental mais à travers le concept de « civilisation écologique » (生态文明, shengtai wenming) — un cadre global qui intègre la protection de l'environnement avec le développement économique, la gouvernance sociale et l'identité civilisationnelle. Wang et ses collègues (2025), dans un chapitre du Springer Handbook of Ecological Civilization, retracent l'évolution de l'éducation à la civilisation écologique comme projet clé du développement durable de la Chine, notant son intégration dans la politique éducative à tous les niveaux.
L'éducation à la civilisation écologique diffère de l'éducation européenne à la durabilité à plusieurs égards importants. Premièrement, elle est explicitement politique : le concept a été inscrit dans la constitution du Parti communiste chinois en 2012 et incorporé dans la constitution nationale en 2018, lui conférant un statut juridique que les cadres européens de durabilité n'ont pas. Deuxièmement, elle est globale dans sa portée : la civilisation écologique englobe non seulement la protection de l'environnement mais une transformation de la relation entre la civilisation humaine et le monde naturel. Troisièmement, elle est dirigée par l'État plutôt qu'orientée vers le citoyen : alors que GreenComp habilite les citoyens individuels à faire des choix durables, l'éducation à la civilisation écologique positionne les individus au sein d'un projet collectif de transformation nationale.
Zhou (2024), dans une étude publiée dans Social Inclusion, examine la transition de l'éducation au développement durable (EDD) vers la civilisation écologique en Chine à travers le prisme de la justice climatique. L'analyse constate que la civilisation écologique est fortement politisée, limitée principalement à la durabilité environnementale (négligeant les dimensions sociales et économiques), et que les parties prenantes de l'éducation sont sous-représentées dans les processus décisionnels. Ces constats suggèrent que si le cadre est ambitieux dans sa portée, sa mise en œuvre descendante peut limiter sa capacité à favoriser le type d'engagement environnemental critique et participatif que le cadre GreenComp envisage.
Tian et ses collègues (2024), dans une revue bibliométrique publiée dans Humanities and Social Sciences Communications analysant 25 ans de recherche chinoise sur l'EDD à travers la modélisation thématique LDA et l'analyse de réseaux sociaux, identifient un schéma de publication « en hausse puis en déclin » avec un ample espace d'expansion. Le passage d'objectifs de durabilité alignés sur les normes internationales à un cadre localisé et politisé sous le concept de civilisation écologique de Xi Jinping est identifié comme une caractéristique déterminante de l'EDD chinoise — une trajectoire qui présente à la fois des forces (engagement politique, soutien institutionnel) et des limites (engagement critique réduit, comparabilité internationale limitée).
4.2 Les objectifs de double carbone de la Chine et l'enseignement supérieur
Une caractéristique distinctive de l'approche chinoise est l'intégration directe des objectifs climatiques nationaux dans la politique de l'enseignement supérieur. En 2022, le ministère de l'Éducation a publié un « Programme de travail pour le renforcement du système de formation des talents de l'enseignement supérieur pour le pic de carbone et la neutralité carbone » (加强碳达峰碳中和高等教育人才培养体系建设工作方案), imposant aux universités d'établir de nouvelles facultés, de nouveaux cours et de nouveaux programmes professionnels alignés sur les objectifs de double carbone de la Chine visant le pic d'émissions d'ici 2030 et la neutralité carbone d'ici 2060. En 2022, 21 programmes de licence étaient directement liés aux engagements de double carbone, couvrant les nouvelles énergies, les réseaux intelligents, le stockage du carbone, l'énergie hydrogène et les données massives pour les ressources environnementales (ministère de l'Éducation 2022).
Cette politique représente une intervention plus directe dans la conception des programmes que tout ce qui a été tenté dans l'UE, où l'éducation à la durabilité reste largement volontaire et portée par les institutions. Le mandat d'éducation au double carbone reflète la philosophie de gouvernance plus large de la Chine : lorsque l'État identifie une priorité stratégique, les universités sont censées aligner leurs programmes en conséquence. La question de savoir si cette approche descendante produit un engagement environnemental plus profond que le cadre ascendant de développement des compétences de l'UE reste une question empirique ouverte.
Wang et ses collègues (2023), dans une étude publiée dans le Journal of Cleaner Production, ont développé une nouvelle méthodologie hybride LEAP-ACV pour évaluer l'empreinte carbone d'un campus universitaire chinois de taille moyenne. Ils ont constaté que la consommation d'électricité causait 77 pour cent des émissions totales de carbone du campus et que les mesures de réduction du carbone proposées — photovoltaïque, améliorations de l'efficacité énergétique, électrification — pourraient réduire les émissions de 97 pour cent d'ici 2060, la décarbonation de l'électricité contribuant seule à 64,7 pour cent de la réduction. Ces résultats suggèrent que les universités chinoises ont un potentiel significatif de réduction du carbone, mais que la réalisation de ce potentiel exige un investissement en infrastructure et un engagement institutionnel qui ne peuvent être obtenus par la seule réforme des programmes.
4.3 Les initiatives de campus verts
L'approche de la Chine en matière d'éducation numérique verte incarne une tension distinctive. D'un côté, le gouvernement poursuit la plus grande expansion mondiale de l'infrastructure éducative numérique — la Plateforme nationale d'éducation intelligente desservant 293 millions d'étudiants, un haut débit scolaire quasi universel, l'éducation obligatoire à l'IA à partir de septembre 2025. De l'autre, il promeut simultanément l'éducation à la civilisation écologique et les initiatives de campus verts.
Yuan et ses collègues (2024), dans une étude publiée dans l'International Journal of Chinese Education, examinent le Programme d'écoles vertes de Pékin à travers une étude de 98 écoles primaires et secondaires, documentant le rôle du programme comme outil d'EDD pour la réalisation des ODD. Zou et ses collègues (2024), écrivant dans le Journal of Cleaner Production, proposent un cadre à quatre dimensions — éducation verte, recherche verte, campus vert et vie verte — pour la numérisation des initiatives d'universités vertes, soutenant que les technologies numériques peuvent faciliter l'engagement communautaire, soutenir l'innovation verte, réduire l'empreinte carbone des campus et cultiver la conscience de la durabilité.
Ces initiatives sont réelles et précieuses, mais elles n'abordent pas directement le coût environnemental de l'infrastructure numérique elle-même. La tension entre l'expansion numérique et la durabilité environnementale est reconnue dans le discours politique chinois mais n'est pas encore résolue dans la pratique. Plus de 200 universités chinoises ont mis en place des systèmes de gestion de l'énergie du campus, reflétant une conscience institutionnelle croissante de la consommation énergétique — mais ces systèmes ne comprennent généralement pas l'énergie consommée par les plateformes éducatives basées sur le nuage, qui est générée dans des centres de données pouvant être situés à des milliers de kilomètres du campus.
5. Le paradoxe énergétique de l'IA
La tension la plus aiguë dans l'éducation numérique verte est ce que nous appelons le « paradoxe énergétique de l'IA ». L'intelligence artificielle est simultanément la composante la plus énergivore de l'éducation numérique et la technologie la plus fréquemment invoquée comme solution aux défis environnementaux. Les systèmes d'IA promettent d'optimiser la consommation énergétique, de modéliser le changement climatique, de personnaliser l'éducation à la durabilité et d'identifier des schémas dans les données environnementales que l'analyse humaine ne peut détecter. Pourtant, l'énergie nécessaire pour entraîner et exploiter ces systèmes croît à un rythme qui menace de submerger les gains d'efficacité qu'ils produisent.
Ce paradoxe se manifeste sous une forme reconnue en économie comme un « effet rebond » ou paradoxe de Jevons : les améliorations de l'efficacité conduisent à une augmentation de la consommation plutôt qu'à une réduction de l'utilisation des ressources. Une étude de 2025 dans Frontiers in Energy Research examine systématiquement 150 articles sur l'effet rebond dans le développement durable piloté par l'IA, constatant que l'efficacité pilotée par l'IA réduit l'énergie par unité de production mais conduit souvent à une consommation globale plus élevée, annulant potentiellement les bénéfices environnementaux.
Pour les universités, le paradoxe est immédiat. Le déploiement d'un système d'apprentissage adaptatif alimenté par l'IA peut améliorer les résultats éducatifs (comme documenté dans les chapitres compagnons sur l'IA dans l'apprentissage des langues et l'université du futur), mais il augmente également la consommation d'énergie numérique de l'université. Les cadres de durabilité de la Commission européenne et l'éducation à la civilisation écologique de la Chine manquent tous deux de mécanismes pour peser ces arbitrages : les coûts environnementaux de la technologie éducative ne font tout simplement pas partie du calcul.
Selwyn (2021), dans ce qui reste le traitement académique le plus direct de cette question, propose une approche « EdTech dans les limites » qui exige des changements fondamentaux dans la manière de penser la technologie éducative. Plutôt que de se demander comment la technologie peut améliorer l'éducation, soutient Selwyn, nous devrions nous demander quel niveau de technologie est compatible avec la durabilité environnementale — et accepter que la réponse puisse impliquer moins, et non plus, d'infrastructure numérique.
5.1 L'IA verte comme réponse partielle
Le domaine émergent de l'« IA verte » offre des approches techniques pour réduire le coût environnemental de l'intelligence artificielle, bien qu'il ne puisse éliminer entièrement le paradoxe. Tabbakh et ses collègues (2024), dans un cadre complet publié dans Discover Sustainability, passent en revue des techniques comprenant l'élagage de modèles, la quantification et la distillation de connaissances qui peuvent réduire substantiellement la consommation énergétique de l'inférence de l'IA — le coût opérationnel continu de l'exécution de modèles entraînés. Ils passent également en revue des outils tels que CodeCarbon et Carbontracker qui permettent aux chercheurs de mesurer et de rapporter l'empreinte carbone de leurs expériences d'IA.
Paula et ses collègues (2025), dans une analyse comparative publiée dans Scientific Reports, démontrent que l'application de techniques de compression de modèles aux modèles basés sur les transformeurs peut atteindre une réduction de 32 pour cent de la consommation énergétique pour des modèles comme BERT. Les grands modèles compressés peuvent égaler ou approcher l'efficacité de petits modèles conçus à cet effet, ce qui suggère que les applications éducatives de l'IA n'ont pas besoin de s'appuyer sur les architectures les plus gourmandes en ressources. Pour les universités déployant des systèmes de tutorat par IA ou des outils d'évaluation automatisée, ces résultats indiquent que le choix d'architectures de modèles efficaces — ou l'exigence que les fournisseurs démontrent l'efficacité énergétique de leurs produits — pourrait réduire de manière significative l'empreinte environnementale de l'éducation alimentée par l'IA.
Toutefois, les techniques d'IA verte n'abordent que l'efficacité des systèmes individuels, et non la croissance agrégée du déploiement de l'IA. Si chaque application d'IA devient 32 pour cent plus efficace mais que le nombre d'applications d'IA double, la consommation totale d'énergie augmente tout de même — une illustration classique du paradoxe de Jevons. Les solutions techniques de l'IA verte sont nécessaires mais insuffisantes ; elles doivent être combinées avec la discipline institutionnelle de la sobriété numérique.
6. Analyse comparative
Les approches de l'UE et de la Chine en matière d'éducation numérique verte reflètent leurs philosophies de gouvernance plus larges et révèlent des forces et des faiblesses complémentaires qui méritent une comparaison systématique.
6.1 Gouvernance et mise en œuvre
L'approche de l'UE fondée sur des cadres de référence — GreenComp, DigComp 2.2, le Pacte vert, le projet GreenSCENT, la feuille de route du Pacte vert de l'EUA — fournit une clarté conceptuelle et une responsabilisation citoyenne mais peine avec la mise en œuvre. La sobriété numérique est reconnue comme concept mais n'est pas encore intégrée dans la pratique éducative à grande échelle. Les coûts environnementaux des plateformes de technologies éducatives sont reconnus dans la littérature académique mais pas dans les cadres politiques ni les décisions d'approvisionnement. L'approche de l'UE est ascendante : elle habilite les institutions et les individus à faire des choix durables mais ne peut les y contraindre.
L'approche dirigée par l'État de la Chine réalise un déploiement rapide tant de l'infrastructure numérique que de l'éducation à la civilisation écologique, mais les deux flux opèrent largement en parallèle. La Plateforme nationale d'éducation intelligente et le Programme d'écoles vertes coexistent sans cadre pour aborder leurs contradictions potentielles. Le programme de travail 2022 du ministère de l'Éducation sur le double carbone démontre la capacité de réforme curriculaire rapide à l'échelle du système — 21 nouveaux programmes de licence créés en un seul cycle politique — mais il se concentre sur la formation des étudiants pour l'économie verte, et non sur la réduction de l'empreinte environnementale du système éducatif lui-même. L'accent mis sur la civilisation écologique comme vision du monde globale fournit une ressource philosophique que les cadres européens n'ont pas — le langage de la transformation civilisationnelle — mais sa mise en œuvre descendante limite l'innovation ascendante et l'engagement critique.
6.2 Le paradoxe de la durabilité
Une étude de 2026 dans Humanities and Social Sciences Communications identifie un « paradoxe de la durabilité » dans l'éducation numérique : sur le plan environnemental, l'éducation numérique peut réduire les impacts liés aux déplacements et aux matériaux mais augmente la demande énergétique ; sur le plan social, elle peut élargir l'accès mais approfondir les inégalités. Ce paradoxe bidimensionnel est présent dans les contextes européen et chinois, bien qu'il se manifeste différemment dans chacun.
Dans l'UE, le paradoxe se manifeste principalement comme une tension entre les aspirations vertes et les réalités du marché. Les universités européennes adoptent de plus en plus des stratégies de durabilité, mais leurs décisions d'approvisionnement en technologies éducatives sont guidées par la fonctionnalité et le coût plutôt que par l'impact environnemental. L'enquête de l'EUA a constaté un engagement large envers la durabilité en principe, mais les mécanismes spécifiques pour réduire les empreintes environnementales numériques — critères d'approvisionnement écoénergétiques, budgets carbone pour les services infonuagiques, politiques institutionnelles sur le déploiement de l'IA — restent rares.
En Chine, le paradoxe se manifeste comme une tension entre les engagements simultanés de l'État en faveur de l'expansion numérique et de la civilisation écologique. L'ambition de construire le système éducatif le plus avancé numériquement au monde est en tension directe avec l'ambition d'atteindre la neutralité carbone d'ici 2060. Le constat de Wang et ses collègues (2023) selon lequel l'électricité représente 77 pour cent des émissions de carbone du campus souligne l'ampleur de ce défi : à mesure que l'infrastructure numérique s'étend, la demande d'électricité qui génère les émissions du campus augmente également.
6.3 Trajectoires de recherche
Les paysages de recherche des deux régions reflètent ces différences de gouvernance. L'analyse bibliométrique de la recherche chinoise sur l'EDD par Tian et ses collègues (2024) révèle un champ de plus en plus façonné par les cadres politiques nationaux plutôt que par le discours international sur la durabilité. La recherche européenne, en revanche, reste plus connectée internationalement mais moins intégrée politiquement — produisant des analyses sophistiquées qui peuvent ne pas se traduire en changements politiques. Aucune des deux traditions de recherche n'a encore produit de cadre exhaustif pour intégrer la sobriété numérique aux objectifs de durabilité plus larges dans l'enseignement supérieur.
7. Recommandations
Sur la base de notre analyse comparative, nous proposons sept recommandations pour les universités cherchant à intégrer la durabilité environnementale dans leurs stratégies d'éducation numérique.
Premièrement, inclure l'infrastructure numérique dans la comptabilité carbone institutionnelle. Le coût environnemental de l'informatique en nuage, des services d'IA et des abonnements aux plateformes devrait être calculé et rapporté aux côtés des mesures traditionnelles de consommation énergétique. Les classements THE Impact Rankings et les cadres d'évaluation similaires devraient développer des indicateurs spécifiques pour les émissions de l'infrastructure numérique. Le constat d'Urbano et ses collègues (2025) selon lequel 1 963 institutions participent désormais aux classements d'impact démontre la volonté institutionnelle de s'engager dans les mesures de durabilité — mais les mesures elles-mêmes doivent être élargies pour inclure la dimension numérique.
Deuxièmement, adopter la sobriété numérique comme principe de conception pour la technologie éducative. Les décisions d'approvisionnement devraient inclure des évaluations de l'impact environnemental aux côtés de la fonctionnalité et du coût. La consommation numérique superflue — politiques de vidéo obligatoirement activée pendant les cours, allocation excessive de stockage en nuage, abonnements redondants à des plateformes et déploiement routinier d'outils d'IA pour des tâches qui ne les nécessitent pas — devrait être identifiée et réduite. La recommandation originale du Shift Project d'« acheter l'équipement le moins puissant possible et changer d'appareils le plus rarement possible » s'applique directement à l'approvisionnement en technologies éducatives.
Troisièmement, intégrer la sensibilisation environnementale dans l'éducation à la littératie numérique. Les coûts environnementaux des activités numériques devraient faire partie du programme de compétences numériques, et non d'un module de durabilité distinct. Le constat de Calis et ses collègues (2025) selon lequel les enseignants en formation initiale n'ont qu'une conscience modérée des empreintes carbone numériques suggère que les programmes de formation des enseignants ont un besoin urgent d'intégrer cette dimension. Les étudiants qui apprennent l'IA devraient aussi apprendre la consommation d'énergie et d'eau de l'IA ; les étudiants qui utilisent des plateformes d'apprentissage basées sur le nuage devraient comprendre l'infrastructure qui les rend possibles.
Quatrièmement, développer des indicateurs institutionnels pour le paradoxe énergétique de l'IA. Les universités déployant l'IA dans l'éducation devraient être tenues de démontrer que les avantages éducatifs justifient les coûts environnementaux — ou au minimum, que les coûts environnementaux ont été calculés et minimisés. Les techniques d'IA verte telles que la compression de modèles (Paula et al. 2025) et les architectures efficaces (Tabbakh et al. 2024) devraient être des critères dans les décisions d'approvisionnement en IA, et non des considérations secondaires.
Cinquièmement, traiter les déchets électroniques par une gestion institutionnelle du cycle de vie. L'intensité croissante en matériel de l'éducation numérique génère des déchets électroniques qui sont généralement invisibles dans les évaluations de durabilité. La démonstration par Valai Ganesh et ses collègues (2025) que le recyclage sur site peut atteindre des taux de récupération des matériaux de 90 pour cent suggère que les universités pourraient réduire significativement leur empreinte de déchets électroniques avec un investissement institutionnel relativement modeste. L'allongement de la durée de vie des appareils par des programmes de réparation et le choix de matériel durable et évolutif réduiraient davantage l'impact environnemental.
Sixièmement, soutenir la recherche sur les technologies éducatives durables. La communauté académique devrait investir dans la recherche sur les technologies d'apprentissage à faible consommation énergétique, les architectures d'IA efficaces pour les applications éducatives et les approches pédagogiques qui atteignent des résultats équivalents avec moins d'infrastructure numérique. La méthodologie LEAP-ACV de Wang et ses collègues (2023) pour l'évaluation carbone des campus pourrait être adaptée pour inclure les émissions de l'infrastructure numérique, fournissant aux universités un outil complet de comptabilité environnementale.
Septièmement, créer un dialogue UE-Chine sur l'éducation numérique verte. Les cadres conceptuels de l'UE (GreenComp, sobriété numérique) et la capacité de mise en œuvre de la Chine (mandats de double carbone, réforme curriculaire rapide) sont des forces complémentaires. Un dialogue structuré — potentiellement dans le cadre du Centre d'excellence Jean Monnet — pourrait accélérer le développement d'approches pratiques face aux défis environnementaux auxquels les deux systèmes font face. L'expérience de la Chine en matière de réforme curriculaire obligatoire pour les objectifs de double carbone pourrait éclairer les efforts européens de mise à l'échelle de l'éducation à la durabilité, tandis que le cadre de sobriété numérique de l'UE pourrait aider la Chine à aborder les coûts environnementaux de son expansion de l'éducation numérique.
8. Conclusion
La transformation numérique de l'enseignement supérieur n'est pas neutre sur le plan environnemental. Les centres de données consomment 415 TWh d'électricité par an et ce chiffre augmente. L'entraînement de l'IA génère des centaines de tonnes métriques de CO2 et évapore des centaines de milliers de litres d'eau douce. La consommation de contenu numérique représente 3 à 4 pour cent des émissions par habitant. Les déchets électroniques issus des technologies éducatives devraient augmenter de 50 pour cent en une décennie. Ces faits ne sont pas des arguments contre l'éducation numérique — les avantages documentés dans cette anthologie sont réels et significatifs. Mais ce sont des arguments en faveur de l'honnêteté environnementale : reconnaître les coûts aux côtés des avantages, et concevoir des systèmes de technologie éducative qui minimisent les dommages environnementaux plutôt que de les ignorer.
L'UE et la Chine apportent des ressources différentes à ce défi. L'UE a développé des cadres conceptuels sophistiqués — GreenComp, DigComp 2.2, la sobriété numérique — qui fournissent un langage pour discuter des coûts environnementaux de l'éducation numérique, et son intégration du Pacte vert dans l'éducation à travers des projets comme GreenSCENT représente un pas véritable, quoique encore modeste, vers la pratique. La Chine a démontré sa capacité de réforme curriculaire rapide à l'échelle du système par son mandat d'éducation au double carbone et a ancré la civilisation écologique dans ses cadres constitutionnels et éducatifs — offrant une profondeur d'engagement politique que les approches européennes volontaires ne peuvent égaler.
Pourtant, aucun des deux systèmes n'a développé de réponse adéquate au paradoxe énergétique de l'IA — la réalité inconfortable que les technologies éducatives les plus puissantes sont aussi les plus coûteuses sur le plan environnemental. Les techniques d'IA verte offrent une atténuation partielle, mais le paradoxe de Jevons suggère que les gains d'efficacité seront absorbés par la demande croissante à moins que la discipline institutionnelle ne contraigne le déploiement. Les enseignants en formation initiale interrogés par Calis et ses collègues (2025) — les éducateurs de demain — n'ont qu'une conscience modérée des empreintes carbone numériques, ce qui suggère que le problème persistera sans intervention curriculaire délibérée.
Développer une réponse adéquate à ces défis est l'une des tâches les plus importantes auxquelles l'enseignement supérieur fait face dans la décennie à venir. Cela exige non pas moins de technologie mais une technologie plus intelligente — et la volonté institutionnelle de se demander, avant chaque déploiement numérique, si le bénéfice éducatif justifie le coût environnemental. La comparaison UE-Chine suggère que la réponse exigera à la fois une sophistication conceptuelle et une capacité de mise en œuvre — les forces que chaque système peut apporter à un défi mondial partagé.
Remerciements
Cette recherche a été menée dans le cadre du Centre d'excellence Jean Monnet « EUSC-DEC » (Subvention UE 101126782, 2023–2026). L'auteur remercie les membres des Groupes de recherche 1 et 5 pour leurs contributions à l'analyse comparative des politiques de durabilité et d'éducation numérique.
Références
Bianchi, G., Pisiotis, U. & Cabrera Giraldez, M. (2022). GreenComp: The European sustainability competence framework. Publications Office of the European Union, Luxembourg. JRC128040. DOI: 10.2760/13286
Calis, S., Kahraman, N., Zeren Ozer, D. & Ergul, N. R. (2025). Determining the digital carbon footprint awareness of pre-service teachers. Humanities and Social Sciences Communications, 12, Article 1678. DOI: 10.1057/s41599-025-05944-z
Caird, S. & Lane, A. (2024). Digital learning, face-to-face learning and climate change. Future Healthcare Journal, 11(3), 100156. DOI: 10.1016/j.fhj.2024.100156
De Vries, A. (2026). The carbon and water footprints of data centers and what this could mean for artificial intelligence. Patterns, 7(1), 101430. DOI: 10.1016/j.patter.2025.101430
European Commission. (2021–2024). GreenSCENT — Smart Citizen Education for a Green Future. Horizon 2020 Project ID: 101036480.
European University Association. (2023). A Green Deal Roadmap for Universities. Brussels: EUA.
IEA. (2025). Energy and AI. IEA, Paris. Available at: https://www.iea.org/reports/energy-and-ai
Istrate, R. et al. (2024). The environmental sustainability of digital content consumption. Nature Communications, 15, Article 3724. DOI: 10.1038/s41467-024-47621-w
Le Goff, T. (2025). Not greenwashing, but still… A closer look at big tech's 2025 sustainability reports. Internet Policy Review, https-policyreview.
Li, P., Yang, J., Islam, M. A. & Ren, S. (2023). Making AI Less „Thirsty": Uncovering and Addressing the Secret Water Footprint of AI Models. Communications of the ACM. DOI: 10.1145/3724499
McDonagh, S. A., Caforio, A. & Pollini, A. (Eds.) (2024). The European Green Deal in Education. Routledge. DOI: 10.4324/9781003492597
Ministry of Education of the People's Republic of China. (2022). Work Program for Building a Strong Carbon Peak Carbon Neutral Higher Education Talent Training System [加强碳达峰碳中和高等教育人才培养体系建设工作方案]. Beijing: Ministry of Education.
NPR. (2024, July 12). AI brings soaring emissions for Google and Microsoft. NPR.
Patterson, D. et al. (2021). Carbon Emissions and Large Neural Network Training. arXiv:2104.10350. DOI: 10.48550/arXiv.2104.10350
Paula, E., Soni, J., Upadhyay, H. & Lagos, L. (2025). Comparative analysis of model compression techniques for achieving carbon efficient AI. Scientific Reports, 15, Article 23461. DOI: 10.1038/s41598-025-07821-w
Selwyn, N. (2021). Ed-Tech Within Limits: Anticipating educational technology in times of environmental crisis. E-Learning and Digital Media, 18(5), 496–510. DOI: 10.1177/20427530211022951
Strubell, E., Ganesh, A. & McCallum, A. (2019). Energy and Policy Considerations for Deep Learning in NLP. Proceedings of the 57th Annual Meeting of the ACL, pp. 3645–3650. DOI: 10.18653/v1/P19-1355
Tabbakh, A., Al Amin, L., Islam, M., Mahmud, G. M. I., Chowdhury, I. K. & Mukta, M. S. H. (2024). Towards sustainable AI: A comprehensive framework for Green AI. Discover Sustainability, 5, Article 408. DOI: 10.1007/s43621-024-00641-4
Thao, T. Q., Hanh, T. H. & Huy, N. N. (2025). Sustainable e-waste management in higher education institutions: case study of Ho Chi Minh City University of Technology. International Journal of Environmental Science and Technology, 22, 6423–6434. DOI: 10.1007/s13762-024-06012-w
Tian, W., Ge, J., Zheng, X., Zhao, Y., Deng, T. & Yan, H. (2024). Understanding the landscape of education for sustainable development in China: A bibliometric review and trend analysis of multicluster topics (1998–2023). Humanities and Social Sciences Communications, 11, Article 1213. DOI: 10.1057/s41599-024-03713-y
The Shift Project. (2019). Lean ICT: Towards Digital Sobriety. Paris: The Shift Project.
UNESCO. (2024). UNESCO Prize for ICT in education steers digital learning for greening.
Urbano, V. M., Arena, M., Azzone, G. & Mayeres, M. (2025). Sustainable development in higher education: An in-depth analysis of Times Higher Education Impact Rankings. Journal of Cleaner Production, 501, 145302. DOI: 10.1016/j.jclepro.2025.145302
Valai Ganesh, S., Suresh, V., Rajakarunakaran, S. et al. (2025). Sustainable electronic waste management framework for academic institutions in India. Scientific Reports, 15, Article 40550. DOI: 10.1038/s41598-025-24278-z
Vuorikari, R., Kluzer, S. & Punie, Y. (2022). DigComp 2.2: The Digital Competence Framework for Citizens. EUR 31006 EN, Publications Office of the European Union. DOI: 10.2760/115376
Wang, C., Parvez, A. M., Mou, J., Quan, C., Wang, J., Zheng, Y., Luo, X. & Wu, T. (2023). The status and improvement opportunities towards carbon neutrality of a university campus in China. Journal of Cleaner Production, 414, 137521. DOI: 10.1016/j.jclepro.2023.137521
Wang, Y., Chen, X., Liu, F. & Gong, Q. (2025). Ecological Civilization Education in China. In: Peters, M. A. et al. (Eds.), Handbook of Ecological Civilization. Springer. DOI: 10.1007/978-981-97-8101-0_43-1
Williamson, B., Hogan, A. & Selwyn, N. (2025). Digital Emissions: Edtech Platforms and the Extended Carbon Relations of Higher Education Institutions. In: Critical EdTech Studies. Springer. DOI: 10.1007/978-3-031-88173-2_9
Xiao, T. et al. (2025). Environmental impact and net-zero pathways for sustainable artificial intelligence servers in the USA. Nature Sustainability, 8(12), 1541–1553. DOI: 10.1038/s41893-025-01681-y
Yuan, X. et al. (2024). Promoting education for sustainable development through the green school program. International Journal of Chinese Education, 13(2). DOI: 10.1177/2212585X241259192
Zhou, R. K. (2024). From Education for a Sustainable Development to Ecological Civilization in China: A Just Transition? Social Inclusion, 12, Article 7421. DOI: 10.17645/si.7421
Zou, Y., Zhong, N., Chen, Z. & Zhao, W. (2024). Bridging digitalization and sustainability in universities: A Chinese green university initiative in the digital era. Journal of Cleaner Production, 467, 142924. DOI: 10.1016/j.jclepro.2024.142924
Index
A
intégrité académique 7, 14, 15, 71, 173, 175
paradoxe énergétique de l'IA 183, 184, 193, 197, 199
éthique de l'IA 6, 37, 69, 75, 87, 144, 160, 166
IA dans l'éducation 7, 10, 14, 18, 39, 48, 58, 59, 75, 78, 79, 98, 174, 182, 197
IA dans l'enseignement supérieur 18, 19, 20, 77, 165, 181, 182
IA et marché du travail 115
littératie en IA 6, 7, 9, 11, 17, 18, 37, 65, 69, 70, 76, 123, 124, 143, 147, 148, 149, 151, 152, 153, 157, 158, 159, 160, 161, 162, 176, 178, 180
apprentissage des langues assisté par l'IA 59, 75, 78, 79, 84, 90, 170
éducation alternative 115, 125, 129
B
effet Bruxelles 7, 16, 17, 19, 20, 44, 56
C
empreinte carbone 184, 186, 189, 191, 192, 194, 197, 199, 200
ChatGPT 36, 58, 61, 64, 66, 67, 70, 71, 76, 77, 79, 80, 81, 99, 100, 106, 108, 112, 172, 173, 176
Chine 1, 2, 3, 4, 6, 7, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 38, 39, 42, 43, 44, 46, 48, 49, 50, 53, 54, 55, 56, 59, 61, 65, 70, 71, 74, 75, 76, 78, 79, 81, 104, 114, 115, 116, 117, 118, 119, 120, 121, 122, 124, 125, 127, 128, 129, 130, 133, 134, 135, 136, 138, 139, 140, 141, 143, 144, 145, 146, 147, 148, 149, 150, 151, 153, 154, 155, 156, 158, 159, 160, 161, 162, 163, 165, 166, 167, 168, 169, 171, 172, 173, 175, 176, 177, 178, 179, 180, 181, 182, 183, 185, 190, 191, 192, 193, 195, 196, 198, 199, 200, 201, 202
gouvernance de l'IA en Chine 6
éducation numérique en Chine 148
technologie éducative en Chine 134
éducation comparée 90, 116, 148
étude comparative 20, 77, 78, 79, 182
éducation fondée sur les compétences 114, 115, 180
thèse de la complémentarité 79
flux de données transfrontaliers 39, 52, 55
D
centres de données 127, 184, 185, 186, 193
DeepL 58, 60, 61, 66, 70, 76, 77
DigComp 2.2 142, 147, 148, 149, 156, 158, 159, 162, 188, 195, 199, 201
compétence numérique 30, 147, 148, 149, 153, 154, 157, 159, 160, 171, 197
fracture numérique 128, 142, 148, 149, 153, 154, 158, 161
éducation numérique 54, 78, 79, 115, 126, 135, 136, 137, 138, 147, 150, 153, 165, 183, 184, 185, 187, 188, 192, 193, 195, 196, 197, 198, 199
littératie numérique 128, 140, 144, 147, 148, 150, 151, 153, 155, 156, 157, 158, 159, 160, 162, 163, 180, 197
natifs du numérique 148
sobriété numérique 183, 184, 185, 187, 188, 189, 194, 196, 197, 198, 199
E
civilisation écologique 183, 184, 185, 190, 191, 192, 193, 195, 196, 199
Édu-Métavers 133, 134, 135, 136, 144, 146
Règlement européen sur l'IA 6, 8, 11, 14, 17, 18, 48, 53, 69, 151, 158, 177, 178
comparaison UE-Chine 18, 39, 58, 165, 184, 199
compétences numériques européennes 148
Union européenne 2, 6, 7, 9, 19, 38, 39, 55, 76, 79, 96, 115, 116, 126, 130, 131, 134, 147, 149, 151, 161, 162, 181, 183, 185, 200, 201
universités européennes 16, 40, 48, 50, 69, 119, 120, 133, 134, 167, 177, 187, 189, 195
comparaison européenne-chinoise 115, 118
F
enseignement des langues étrangères 78
G
RGPD 3, 20, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56, 156, 170, 178, 179, 182
Génération Z 148
politique d'IA générative 7, 165
éducation numérique verte 184, 192, 193, 194, 198
GreenComp 183, 184, 188, 190, 191, 195, 198, 199, 200
H
enseignement supérieur 6, 7, 11, 13, 14, 15, 17, 19, 20, 38, 39, 40, 41, 47, 49, 51, 53, 55, 75, 99, 112, 116, 117, 121, 122, 133, 134, 135, 137, 138, 145, 146, 151, 167, 171, 172, 173, 174, 177, 181, 182, 183, 184, 185, 189, 191, 196, 198, 199, 201
interaction humain-IA 78, 88
apprentissage hybride 39, 165, 166, 171, 172, 181
I
apprentissage immersif 134
L
enseignement des langues 58, 76, 78, 79, 87, 92, 93, 95, 96, 162
analyses d'apprentissage 38, 39, 40, 46, 47, 49, 52, 53, 54, 56, 167, 178, 179
apprentissage tout au long de la vie 115, 120, 122, 129, 131
M
traduction automatique 58, 59, 60, 63, 64, 65, 66, 67, 69, 73, 74, 75, 76
micro-certifications 114, 115, 116, 128, 131, 180
P
PIPL 3, 20, 38, 39, 40, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56, 156, 179, 182
post-édition 58, 59, 62, 64, 67, 68, 69, 70, 72, 74, 76
vie privée 13, 15, 18, 19, 39, 41, 43, 44, 46, 47, 50, 52, 53, 55, 56, 124
surveillance d'examens 6, 7, 8, 9, 14, 15, 20, 38, 39, 41, 47, 48, 54
S
modalités sensorielles 78
campus intelligent 165, 167, 168, 178, 180, 182
salles de classe intelligentes 134
plateforme d'éducation intelligente 134
attitudes des étudiants 78
protection des données des étudiants 39
durabilité 27, 30, 157, 166, 183, 184, 185, 188, 189, 190, 191, 192, 193, 194, 195, 196, 197, 198, 199, 200, 202
T
littératie traductionnelle 58, 65, 74
U
transformation universitaire 165, 166, 181
V
réalité virtuelle 22, 133, 134, 145, 146, 166, 184
efficacité de la RV 134
W
transformation du marché du travail 115
X
XR 133, 134, 136, 137, 145