1. Introduction

Le déploiement massif de l'intelligence artificielle générative fin 2022 a transformé, en moins de quatre ans, la relation entre les écoles et le savoir computationnel. Ce qui fut longtemps une promesse confinée aux laboratoires d'informatique éducative est devenu une infrastructure d'usage quotidien : des élèves qui rédigent avec des modèles de langage, des enseignants qui planifient avec des assistants conversationnels, des systèmes scolaires qui expérimentent des tuteurs adaptatifs. Or, la littérature scientifique s'accorde sur un point : cette adoption ne se répartit pas uniformément. L'IA peut fonctionner simultanément comme cause et comme remède de l'inégalité numérique (Božić, 2023), et son potentiel de réduction des écarts dépend de conditions sociales, économiques et institutionnelles qui ne sont pas satisfaites par défaut (Hussein et al., 2025 ; Peters & Tukdeo, 2025).

La question qui oriente cette revue n'est pas de savoir si l'IA arrivera dans les salles de classe —elle y est déjà—, mais qui apprend avec elle, dans quelles conditions et avec quels résultats. L'UNESCO avertissait dès 2021 que l'intégration de l'IA dans l'éducation exigeait une orientation normative pour éviter l'approfondissement des inégalités existantes (Miao et al., 2021), et constatait en 2023 que la rapidité de l'IA générative avait dépassé la capacité régulatrice des États, laissant « la confidentialité des données sans protection et les institutions sans préparation » (Miao & Holmes, 2023). Dans ce contexte, le concept d'écart éducatif requiert une actualisation théorique : il ne suffit plus de mesurer l'accès aux appareils et à la connectivité, mais la capacité différentielle des élèves et des enseignants à comprendre, utiliser et créer avec des systèmes d'IA.

Le présent article passe en revue l'état de l'art des écarts éducatifs dans l'apprentissage de l'IA en classe. Trois questions de recherche sont posées : (1) quels types d'écarts la littérature récente documente-t-elle, et par quels mécanismes se reproduisent-ils ? ; (2) quelles données empiriques existent sur leur ampleur dans différents contextes sociaux et géographiques ? ; (3) quelles réponses pédagogiques, curriculaires et normatives la recherche disponible propose-t-elle ? La contribution attendue est double : offrir une typologie analytique utile à la recherche doctorale en éducation et technologie, et synthétiser des implications actionnables pour des systèmes scolaires qui, comme ceux d'Amérique latine, affrontent l'incorporation de l'IA avec des ressources hétérogènes.

2. Cadre conceptuel : de la fracture numérique à la fracture IA

La recherche sur l'inégalité numérique distingue classiquement trois niveaux : la fracture de premier niveau (accès à l'infrastructure), celle de second niveau (compétences et habiletés d'usage) et celle de troisième niveau (conversion différentielle de l'usage en résultats tangibles). La littérature récente montre que cette architecture conceptuelle demeure opérative face à l'IA générative, mais avec des déplacements substantiels. Zhang et al. (2026), dans une étude sur des étudiants universitaires dans la perspective de la fracture numérique, démontrent que le statut socioéconomique ainsi que la littératie numérique et en IA prédisent les activités, les résultats éducatifs et la confiance dans l'usage de ChatGPT : l'inégalité numérique conventionnelle « persiste et évolue » avec l'IA générative. Dans la même lignée, Hargittai et al. (2026) documentent des inégalités significatives dans la connaissance —et non seulement dans l'accès— concernant ChatGPT, associées au niveau d'éducation et à l'exposition préalable à l'information sur l'IA.

Face à ces résultats, le concept de littératie en IA (AI literacy) s'est consolidé comme le construit central du second niveau de la fracture. Faruqe et al. (2021) ont proposé un modèle de compétences articulant connaissances, habiletés et attitudes envers l'IA ; Carolus et al. (2023) ont étendu le modèle vers l'interaction compétente avec les systèmes d'IA conversationnelle ; et Choi et al. (2025) ont synthétisé définitions, compétences et défis de la littératie en IA en éducation, soulignant que la préparation des enseignants constitue le goulot d'étranglement le plus cité. Pour des populations spécifiques, Atias et Mawasi (2025) ont systématiquement passé en revue les programmes de littératie en IA destinés aux enfants et aux jeunes, révélant une dispersion paradigmatique considérable : il n'existe pas de consensus sur ce que signifie « savoir l'IA » à chaque étape éducative, ce qui entrave tant l'enseignement que la mesure de la fracture (Mauermeister et al., 2025).

En synthèse, le cadre qui guide cette revue conceptualise la fracture IA comme un phénomène multiniveau qui hérite de la structure de la fracture numérique, mais incorpore des mécanismes spécifiques : le coût des modèles avancés, l'hégémonie de l'anglais dans les données et les interfaces, et l'exigence de nouvelles compétences d'interaction (formulation de consignes, vérification critique, compréhension des biais) que les curricula scolaires n'intègrent pas encore de manière systématique.

3. Méthodologie

Une revue narrative de l'état de l'art a été réalisée avec des critères systématiques de sélection. Le corpus comprend vingt-six travaux publiés entre 2021 et 2026 : des articles dans des revues évaluées par des pairs (par exemple Computers and Education: Artificial Intelligence, New Media & Society, Teaching Education, TechTrends, Journal of Academic Ethics, Education Sciences, Contemporary Education Dialogue), des chapitres d'éditeurs académiques (Taylor & Francis, IGI Global), des prépublications en cours d'évaluation (SocArXiv, Preprints.org, arXiv), des actes de congrès internationaux (EDULEARN) et des rapports institutionnels de l'UNESCO largement cités par la littérature. Les critères d'inclusion étaient : (a) un focus explicite sur l'IA, l'éducation et l'inégalité ou les écarts ; (b) une publication dans la période 2021-2026 ; (c) des métadonnées vérifiables (paternité, année, support de publication, DOI ou URL). L'analyse a suivi une procédure de synthèse thématique : codage de chaque source selon le type d'écart documenté, le mécanisme causal proposé, la population étudiée et les réponses recommandées.

4. État de l'art : une typologie de cinq écarts

4.1. Premier écart : accès et infrastructure

L'écart d'accès persiste comme condition de possibilité de tous les autres. Tripathi et al. (2025), dans une revue systématique sur l'éducation rurale, montrent que la connectivité limitée et la pénurie d'appareils maintiennent la fracture urbain-rural même lorsqu'existent des outils d'IA capables de personnaliser l'apprentissage : sans infrastructure minimale, la promesse de l'IA n'atteint pas les populations qui pourraient le plus en bénéficier. Les données latino-américaines pointent dans la même direction : Valdivieso et González (2025) documentent que dans l'enseignement supérieur salvadorien, les facteurs socioéconomiques conditionnent qui peut intégrer les outils d'IA générative à son travail académique, de sorte que la technologie reproduit les hiérarchies antérieures au lieu de les niveler.

Un phénomène nouveau au sein de cet écart est la stratification par abonnement : les modèles les plus performants fonctionnent selon des schémas payants, transformant l'accès complet à l'IA en un bien positionnel. Caporarello et Trabskaia (2026) décrivent cette « face sombre » de l'éducation médiée par l'IA : dans les universités du Sud global, l'accès à des programmes d'IA payants devient un facteur de différenciation entre institutions et étudiants, approfondissant la division Nord-Sud. Le premier écart ne se mesure donc plus seulement en mégabits par seconde, mais dans la hiérarchie des modèles auxquels chaque étudiant peut accéder.

4.2. Deuxième écart : compétences et littératie en IA

Même lorsque l'accès est garanti, la capacité d'utiliser l'IA de manière informée se distribue inégalement. Hargittai et al. (2026) montrent que la connaissance effective de ChatGPT varie systématiquement avec le niveau d'éducation et le capital social des usagers ; Zhang et al. (2026) confirment que la littératie en IA joue un rôle médiateur entre le statut socioéconomique et les résultats éducatifs obtenus avec les outils génératifs. Dans les termes du cadre conceptuel, le deuxième écart convertit la littératie en IA en un nouveau capital culturel : ceux qui la possèdent en extraient des bénéfices éducatifs ; les autres affrontent des risques de dépendance acritique ou d'exclusion.

La littérature s'accorde sur le fait que cet écart commence avant l'université. Atias et Mawasi (2025) constatent que les programmes de littératie en IA pour enfants et jeunes sont hétérogènes, rares et rarement articulés aux curricula officiels ; Choi et al. (2025) ajoutent que l'absence de définitions opérationnelles partagées empêche la mise à l'échelle des programmes. En réponse, l'UNESCO a publié en 2024 le Cadre de compétences en IA pour les élèves, avec douze compétences réparties en quatre dimensions —mentalité centrée sur l'humain, éthique de l'IA, techniques et applications de l'IA, et conception de systèmes d'IA— organisées en trois niveaux de progression : comprendre, appliquer et créer (Miao & Shiohira, 2024). L'existence du cadre ne garantit cependant pas son adoption : la distance entre la norme mondiale et les curricula nationaux est en soi une manifestation de l'écart.

4.3. Troisième écart : usage et appropriation différentielle

Le troisième écart concerne la conversion de l'accès et des compétences en résultats éducatifs réels. Les données montrent que les élèves aux trajectoires antérieures plus solides utilisent l'IA de manière plus stratégique —pour vérifier, confronter et élaborer—, tandis que les élèves moins préparés tendent vers des usages de substitution susceptibles d'éroder l'apprentissage (Nguyen, 2025 ; Zhang et al., 2026). Katona et Gyönyörű (2025) apportent une contre-épreuve à partir d'une intervention : l'éducation à la programmation adaptative fondée sur l'IA, destinée à des élèves socialement défavorisés, est parvenue à réduire la fracture numérique lorsque le design pédagogique était délibéré et étayé. La leçon est que l'appropriation n'est pas une propriété de l'outil mais du design instructionnel qui l'encadre.

Cet écart a aussi un visage éthique. Kayyali (2025) avertit que la confidentialité, le biais algorithmique et l'intégrité académique affectent différemment les élèves selon leur âge, leur géographie et leur origine socioéconomique, et Nguyen (2025) montre que l'absence de principes pédagogiques clairs amplifie les disparités d'opportunités d'apprentissage entre groupes. L'appropriation différentielle, en somme, ne distribue pas seulement les bénéfices de manière inégale : elle distribue aussi les risques.

4.4. Quatrième écart : formation des enseignants

Aucun des écarts précédents ne peut se combler sans des enseignants préparés, et la littérature est unanime pour diagnostiquer un déficit structurel à cet égard. Guan et al. (2025) ont étudié des enseignants en formation initiale et ont constaté que leur préparation à l'éducation intégrée à l'IA dépend d'attitudes, d'autoefficacité et d'une littératie en IA encore insuffisantes, avec des implications directes sur leur identité professionnelle. Kundu et al. (2025), dans des écoles de l'Inde, montrent que la littératie des enseignants en IA est simultanément cognitive, pédagogique, éthique et contextuelle, et que les programmes de développement professionnel abordent rarement les quatre dimensions. Caspari-Sadeghi (2026) documente le maillon précédent : les formateurs d'enseignants eux-mêmes manquent de curricula holistiques de littératie en IA, de sorte que le déficit se transmet générationnellement au sein du système de formation. Il n'est pas surprenant, dès lors, que la littérature spécialisée qualifie l'intégration de l'IA dans la formation des enseignants d'urgence (Bekdemir, 2024).

En réponse, l'UNESCO a publié le Cadre de compétences en IA pour les enseignants, qui définit quinze compétences dans cinq domaines —mentalité centrée sur l'humain, éthique de l'IA, fondements et applications de l'IA, pédagogie de l'IA et IA pour le développement professionnel— avec trois niveaux de maîtrise : acquérir, approfondir et créer (Miao & Cukurova, 2024). Le cadre offre une norme de référence mondiale ; sa mise en œuvre effective exige toutefois un investissement soutenu dans la formation initiale et continue que la plupart des systèmes scolaires n'ont pas encore programmé.

4.5. Cinquième écart : gouvernance curriculaire Nord-Sud

Le cinquième écart opère à l'échelle systémique : la capacité des États à réguler, curriculaireser et financer l'IA éducative. Miao et Holmes (2023) ont constaté que l'IA générative avançait plus vite que les cadres réglementaires, et ont proposé une agenda de gouvernance centrée sur l'humain incluant des limites d'âge, la protection des données et des exigences envers les fournisseurs. Peters et Tukdeo (2025) avertissent que, sans agenda de recherche propre au Sud global (AI4ED), la région oscillera entre des cadres utopiques et dystopiques importés, sans production endogène de données probantes. Okolo (2023) souligne qu'une gouvernance inclusive de l'IA dans le Sud global requiert des capacités institutionnelles qui vont au-delà de la connectivité : régulation, données, talent et participation.

Des dimensions transversales opèrent au sein de cet écart systémique. La langue est l'une des plus décisives : Finardi (2025) montre que l'IA dans l'enseignement supérieur tend à reproduire l'hégémonie de l'anglais, avec des implications pour la diversité linguistique et l'inclusion des savoirs du Sud global. La ruralité, déjà signalée, et les inégalités de genre documentées dans l'accès et la confiance technologique complètent un panorama dans lequel la fracture IA est, avant tout, une reconfiguration d'inégalités préexistantes sous de nouvelles conditions techniques (Hussein et al., 2025 ; Valdivieso & González, 2025).

5. Synthèse de l'état de l'art

Le Tableau 1 synthétise la typologie résultante, le mécanisme causal dominant documenté par la littérature et les réponses proposées pour chaque écart.

Tableau 1. Typologie des écarts éducatifs dans l'apprentissage de l'IA, mécanismes et réponses documentées (2021-2026)
ÉcartMécanisme dominantDonnées représentativesRéponses proposées
1. Accès et infrastructureConnectivité, appareils et abonnements payants hiérarchisent l'accès aux modèlesTripathi et al. (2025) ; Caporarello & Trabskaia (2026) ; Valdivieso & González (2025)Investissement dans l'infrastructure rurale ; accès institutionnel aux modèles ; licences éducatives
2. Compétences et littératieLa littératie en IA opère comme nouveau capital culturel lié au statut socioéconomiqueHargittai et al. (2026) ; Zhang et al. (2026) ; Atias & Mawasi (2025)Curricula de littératie en IA ; cadre UNESCO pour les élèves (Miao & Shiohira, 2024)
3. Usage et appropriationUsages stratégiques vs. substitutifs selon la trajectoire antérieure ; design instructionnel comme modérateurKatona & Gyönyörű (2025) ; Nguyen (2025) ; Zhang et al. (2026)Étayage pédagogique ; principes éthiques et pédagogiques explicites (Kayyali, 2025)
4. Formation des enseignantsDéficit cognitif, pédagogique, éthique et contextuel chez les enseignants et leurs formateursGuan et al. (2025) ; Kundu et al. (2025) ; Caspari-Sadeghi (2026) ; Bekdemir (2024)Formation initiale et continue fondée sur le cadre UNESCO pour les enseignants (Miao & Cukurova, 2024)
5. Gouvernance curriculaireRégulation plus lente que la technologie ; dépendance aux cadres du Nord globalMiao & Holmes (2023) ; Peters & Tukdeo (2025) ; Okolo (2023) ; Finardi (2025)Agendas de recherche endogènes (AI4ED) ; régulation centrée sur les droits ; diversité linguistique

6. Discussion

L'état de l'art permet de formuler une thèse synthétique : la fracture IA dans les salles de classe présente une triple spécificité face à la fracture numérique classique. Premièrement, elle se hérite : les déterminants sociaux de l'inégalité numérique —revenu, scolarité, géographie, genre— prédisent aussi l'accès, les compétences et l'appropriation de l'IA (Hargittai et al., 2026 ; Zhang et al., 2026). Deuxièmement, elle s'amplifie par des propriétés propres à l'IA générative : la stratification par abonnement (Caporarello & Trabskaia, 2026), l'hégémonie linguistique de l'anglais (Finardi, 2025) et l'exigence de compétences d'interaction critique que l'école n'enseigne pas encore (Atias & Mawasi, 2025 ; Choi et al., 2025). Troisièmement, elle s'institutionnalise : lorsque les systèmes éducatifs ne forment pas les enseignants ni n'actualisent les curricula, l'inégalité cesse d'être une contingence du marché technologique pour devenir une production du système lui-même (Caspari-Sadeghi, 2026 ; Miao & Holmes, 2023).

Cette lecture nuance la métaphore, fréquente dans le discours de vulgarisation, de l'IA comme « grand égalisateur ». Les données examinées suggèrent plutôt une égalisation conditionnée : des interventions délibérées, avec un design pédagogique explicite et un focus sur les populations défavorisées, parviennent effectivement à réduire des écarts concrets (Katona & Gyönyörű, 2025) ; mais la diffusion spontanée de la technologie tend à reproduire et approfondir les hiérarchies antérieures (Božić, 2023 ; Hussein et al., 2025). La variable décisive n'est pas la technologie mais l'institutionnalité qui l'encadre : politiques d'accès, formation des enseignants, curricula explicites et régulation protectrice (Miao et al., 2021 ; Miao & Holmes, 2023).

Pour la recherche doctorale, cette typologie ouvre au moins trois chantiers : la nécessité d'instruments de mesure spécifiques à la fracture IA dans l'éducation de base (Mauermeister et al., 2025) ; l'étude longitudinale des effets de la littératie en IA sur les trajectoires éducatives ; et la recherche appliquée sur les modèles de formation des enseignants dans des contextes de ressources limitées, en particulier dans le Sud global et dans des langues autres que l'anglais (Peters & Tukdeo, 2025 ; Finardi, 2025).

7. Implications pour les politiques éducatives et la pratique

Quatre implications découlent de cette revue. Premièrement, l'accès doit être conceptualisé de manière élargie : garantir la connectivité et les appareils est nécessaire mais insuffisant ; les systèmes doivent assurer un accès institutionnel à des modèles d'IA performants, évitant que la qualité du modèle disponible dépende du revenu familial (Caporarello & Trabskaia, 2026). Deuxièmement, la littératie en IA doit être incorporée aux curricula officiels avec des progressions explicites, pour lesquelles le cadre de l'UNESCO pour les élèves offre une architecture de référence adaptable aux contextes nationaux (Miao & Shiohira, 2024). Troisièmement, la formation des enseignants est le levier au plus grand multiplicateur : les cadres de compétences existants (Miao & Cukurova, 2024) ne produiront des effets que s'ils se traduisent en programmes de formation initiale et continue avec du temps, de l'accompagnement et de l'évaluation (Bekdemir, 2024 ; Kundu et al., 2025). Quatrièmement, la gouvernance doit protéger la diversité —linguistique, culturelle et des savoirs locaux— afin que l'IA éducative n'opère pas comme un vecteur d'homogénéisation (Finardi, 2025 ; Okolo, 2023).

8. Limites

Cette revue présente des limites propres à son design. Il s'agit d'une revue narrative avec des critères systématiques, et non d'une revue systématique exhaustive suivant le protocole PRISMA ; le corpus, bien que représentatif du débat 2021-2026, n'épuise pas la production disponible. La littérature empirique se concentre sur l'enseignement supérieur et sur un nombre réduit de pays, de sorte que les inférences sur l'éducation de base et sur l'Amérique latine requièrent de la prudence. Une partie des données les plus récentes provient de prépublications en cours d'évaluation, dont les résultats doivent être considérés comme préliminaires. Enfin, le champ évolue rapidement : les conclusions doivent se lire comme une photographie de l'état de l'art à août 2026, et non comme une clôture du débat.

9. Conclusions

Les écarts éducatifs dans l'apprentissage de l'intelligence artificielle ne sont pas un effet secondaire accidentel d'une technologie nouvelle, mais l'expression actualisée, sous de nouvelles conditions techniques, des inégalités éducatives structurelles. La littérature 2021-2026 converge vers une typologie de cinq écarts interdépendants —accès, compétences, appropriation, formation des enseignants et gouvernance curriculaire— traversés par les dimensions de genre, de langue et de ruralité. Face à eux, l'état de l'art offre à la fois des diagnostics et des instruments : des cadres de compétences pour les élèves et les enseignants, des données sur des interventions efficaces et une agenda de gouvernance centrée sur les droits. La question pratique qui demeure ouverte est de savoir si les systèmes éducatifs —et en particulier ceux du Sud global— parviendront à convertir ces instruments en politiques soutenues avant que la fracture IA ne se sédimente comme une nouvelle couche de l'inégalité éducative. La réponse ne dépend pas de la technologie, mais de décisions institutionnelles qui restent, encore, à prendre.

Références

  1. Atias, O., & Mawasi, A. (2025). Conceptualizing AI literacies for children and youth: A systematic review on the design of AI literacy educational programs. Computers and Education: Artificial Intelligence. https://www.sciencedirect.com/science/article/pii/S2666920X25001316
  2. Bekdemir, Y. (2024). The urgency of AI integration in teacher training: Shaping the future of education. Journal of Research in Didactical Sciences. https://www.researchgate.net/publication/386107830
  3. Božić, V. (2023). Artificial intelligence as the reason and the solution of digital divide. Language Education and Technology Journal. http://www.langedutech.com/letjournal/index.php/let/article/view/53
  4. Caporarello, L., & Trabskaia, I. (2026). Global North-South divide: The dark side of AI-driven education. Dans EDULEARN26 Proceedings. https://library.iated.org/view/CAPORARELLO2026GLO
  5. Carolus, A., Augustin, Y., Markus, A., & Wienrich, C. (2023). Digital interaction literacy model–Conceptualizing competencies for literate interactions with voice-based AI systems. Computers and Education: Artificial Intelligence. https://www.sciencedirect.com/science/article/pii/S2666920X22000698
  6. Caspari-Sadeghi, S. (2026). AI literacy for teacher educators: A holistic curriculum for capacity-building in higher education. Frontiers in Education. https://doi.org/10.3389/feduc.2026.1745768
  7. Choi, W. C., Chang, C. I., Choi, I. C., Lam, L. C., Leong, K. I., & Ng, S. I. (2025). Artificial intelligence (AI) literacy in education: Definition, competencies, opportunities and challenges [Preprint]. Preprints.org. https://www.preprints.org/frontend/manuscript/11759de052eff1261d384254db19cefc/download_pub
  8. Faruqe, F., Watkins, R., & Medsker, L. (2021). Competency model approach to AI literacy: Research-based path from initial framework to model. arXiv. https://arxiv.org/abs/2108.05809
  9. Finardi, K. R. (2025). AI in higher education: Implications for diversity of languages and inclusion of knowledges from the global South. Dans Applied research in business and education. Taylor & Francis. https://doi.org/10.4324/9781003739920-12
  10. Guan, L., Zhang, Y., & Gu, M. M. (2025). Pre-service teachers preparedness for AI-integrated education: An investigation from perceptions, capabilities, and teachers' identity changes. Computers and Education: Artificial Intelligence. https://www.sciencedirect.com/science/article/pii/S2666920X24001449
  11. Hargittai, E., Lokaj, G., & Hess, L. (2026). Digital inequality in ChatGPT awareness and knowledge. Dans Connective AI. Taylor & Francis. https://doi.org/10.4324/9781003477587-7
  12. Hussein, S., Qureshi, S. S., & ul Emman, S. K. (2025). Analyzing how AI can both exacerbate and help overcome digital inequalities in education, especially in underserved regions. The Critical Review of Social Sciences Studies. http://thecrsss.com/index.php/Journal/article/view/437
  13. Katona, J., & Gyönyörű, K. I. K. (2025). AI-based adaptive programming education for socially disadvantaged students: Bridging the digital divide. TechTrends. https://doi.org/10.1007/s11528-025-01088-8
  14. Kayyali, M. (2025). Ethical implications of generative AI in education: Privacy, bias, and integrity. Dans Transformative AI practices for personalized learning. IGI Global. https://www.igi-global.com/chapter/ethical-implications-of-generative-ai-in-education/377145
  15. Kundu, A., Bej, T., & Mondal, R. (2025). Exploring teachers' AI literacy: Cognitive, pedagogical, ethical, and contextual insights from Indian schools. Teaching Education. https://doi.org/10.1080/10476210.2025.2570227
  16. Mauermeister, S., Biere, L., & Steinhardt, I. (2025). Measuring the digital divide among students caused by artificial intelligence [Preprint]. SocArXiv. https://osf.io/preprints/socarxiv/e824j
  17. Miao, F., & Cukurova, M. (2024). AI competency framework for teachers. UNESCO. https://doi.org/10.54675/ZJTE2084
  18. Miao, F., & Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO. https://doi.org/10.54675/EWZM9535
  19. Miao, F., & Shiohira, K. (2024). AI competency framework for students. UNESCO. https://unesdoc.unesco.org/ark:/48223/pf0000391105
  20. Miao, F., Holmes, W., Huang, R., & Zhang, H. (2021). AI and education: Guidance for policy-makers. UNESCO.
  21. Nguyen, K. V. (2025). The use of generative AI tools in higher education: Ethical and pedagogical principles. Journal of Academic Ethics. https://doi.org/10.1007/s10805-025-09607-1
  22. Okolo, C. T. (2023). AI in the Global South: Opportunities and challenges towards more inclusive governance. Brookings Institution. https://internationalpolicybrief.org/wp-content/uploads/2024/02/ARTICLE-9.pdf
  23. Peters, M. A., & Tukdeo, S. (2025). Beyond the utopic/dyspotic frames: Towards a research agenda for AI in education and development (AI4ED) in the Global South. Contemporary Education Dialogue. https://doi.org/10.1177/09731849241298118
  24. Tripathi, A., Yadav, V., & Kumar, S. (2025). Leveraging artificial intelligence for rural education: A systematic review of transforming learning opportunities and bridging the urban-rural divide [Preprint]. Preprints.org. https://www.preprints.org/frontend/manuscript/a6e02ac0561289ccf3b0dd2225026145/download_pub
  25. Valdivieso, T., & González, O. (2025). Generative AI tools in Salvadoran higher education: Balancing equity, ethics, and knowledge management in the global south. Education Sciences, 15(2), 214. https://www.mdpi.com/2227-7102/15/2/214
  26. Zhang, C., Rice, R. E., & Wang, L. H. (2026). College students' literacy, ChatGPT activities, educational outcomes, and trust from a digital divide perspective. New Media & Society. https://doi.org/10.1177/14614448241301741