Abstract
Contexte. L'intégration de l'intelligence artificielle (IA) dans l'enseignement des mathématiques en Afrique soulève des enjeux pédagogiques, infrastructurels et épistémologiques inédits, dont l'analyse systématique demeure largement lacunaire dans la littérature scientifique internationale. Objectif. Cette étude propose un état de l'art systématique de l'intégration de l'IA dans l'enseignement des mathématiques en Afrique (2015-2025), couplé à un référencement rigoureux selon la Mathematics Subject Classification (MSC). Méthodes. Une méthodologie mixte combinant analyse bibliométrique (RStudio/Biblioshiny) et examen qualitatif PRISMA 2020 a été appliquée à un corpus de 33 articles primaires extraits de MathSciNet, Zentralblatt MATH, Scopus et Web of Science, complétée par une analyse de littérature grise régionale. Résultats. Les analyses révèlent une corrélation forte (R² = 0,78 ; p < 0,001) entre l'investissement infrastructurel et l'efficacité pédagogique, un taux d'auto-formation des enseignants de 74 % contre seulement 43 % de soutien institutionnel jugé suffisant, et une sous-représentation critique de la recherche africaine (n = 12 études empiriques rigoureuses sur la décennie). Discussion. Les résultats confirment le « paradoxe de l'IA en Afrique » et la nécessité d'un cadre i-TPACK contextualisé, articulant souveraineté épistémologique, justice cognitive et éthique Ubuntu. Conclusion. Une souveraineté cognitive africaine en matière d'IA éducative exige le développement d'outils endogènes hybridant les codes MSC 68Txx (IA) et 97Dxx (didactique mathématique), portés par un Institut Africain de Sécurité de l'IA.
Keywords
Intelligence Artificielle Didactique des Mathématiques Afrique subsaharienne TPACK Mathematics Subject Classification (MSC) Souveraineté Numérique Justice Cognitive Apprentissage Adaptatif.
1. Introduction
1.1. Contexte général et état de l'art
L'intelligence artificielle (IA) reconfigure en profondeur les systèmes éducatifs mondiaux, particulièrement dans l'enseignement des disciplines STEM (Science, Technology, Engineering, Mathematics) (Da & Pham, 2025 ; Hossein-Mohand et al., 2025). Les outils d'IA générative — ChatGPT, GeoGebra, Photomath, Microsoft Math Solver — ainsi que les systèmes tutoriels intelligents (ITS) promettent une personnalisation des apprentissages mathématiques sans précédent (Awang et al., 2025 ; Mallik & Gangopadhyay, 2023). En Afrique, ce déploiement s'inscrit dans un contexte de transformation numérique accélérée mais asymétrique (Chisom et al., 2024 ; Arakpogun et al., 2021).
Le continent africain présente toutefois des spécificités structurelles déterminantes : seulement 25 % de la population dispose d'un accès à Internet, et en Afrique subsaharienne, 11 % seulement des élèves ont accès à un ordinateur à domicile (UNESCO, citée in Chisom et al., 2024). Ces réalités infrastructurelles redéfinissent les conditions de possibilité d'une IA éducative pertinente (Boateng, 2024 ; Dlamini & Ndzinisa, 2025). Au-delà de la dimension matérielle, l'enjeu se déplace progressivement vers la question de la souveraineté numérique et de la justice cognitive (Eke et al., 2023 ; Kiemde & Kora, 2021).
1.2. Identification de la lacune scientifique (Research Gap)
Trois lacunes majeures justifient cette étude. Premièrement, malgré la prolifération des publications mondiales sur l'IA en éducation mathématique, seules 12 études empiriques rigoureuses portant sur les universités africaines ont été identifiées entre 2022 et 2024 (Falebita & Kok, 2024 ; Khoza & van der Walt, 2025). Deuxièmement, le référencement systématique selon les codes Mathematics Subject Classification (MSC) — notamment les axes 97Dxx (didactique mathématique) et 68Txx (IA) — reste absent de la littérature africaine, compromettant la visibilité internationale de cette recherche (Opesemowo & Adewuyi, 2024). Troisièmement, les cadres théoriques dominants (TPACK, SAMR) sont rarement contextualisés aux réalités épistémologiques africaines, induisant ce que Dlamini et Ndzinisa (2025) nomment une « dépendance coloniale des données ».
1.3. Problème, hypothèses et objectifs
Problème de recherche. Comment intégrer l'IA dans l'enseignement des mathématiques en Afrique en garantissant simultanément pertinence didactique, équité infrastructurelle et souveraineté épistémologique ?
Hypothèses de recherche.
H1 : Il existe une corrélation positive significative entre l'investissement infrastructurel et l'efficacité pédagogique des outils d'IA mathématique.
H2 : L'adoption effective de l'IA par les enseignants africains est conditionnée par la maîtrise d'un cadre TPACK adapté (i-TPACK), davantage que par la seule disponibilité technologique.
H3 : La sous-représentation des contextes africains dans les modèles d'IA actuels génère des biais épistémologiques nécessitant un référencement MSC hybride (68Txx ∩ 97Dxx).
Objectifs spécifiques. (i) Réaliser un état de l'art systématique des recherches 2015-2025 ; (ii) établir un référencement MSC des travaux identifiés ; (iii) formuler des recommandations stratégiques pour une justice cognitive africaine.
1.4. Originalité et contribution de la recherche
L'originalité de cette étude réside dans (i) l'articulation explicite entre les codes MSC 97Dxx/68Txx et les réalités contextuelles africaines, (ii) la proposition d'un cadre i-TPACK (intelligent TPACK) culturellement situé, et (iii) la mise en évidence d'une trajectoire conceptuelle vers la souveraineté cognitive africaine (Eke et al., 2023 ; Kiemde & Kora, 2021). Cette contribution se distingue des revues systématiques antérieures (Nanda & Pradhan, 2025 ; Opesemowo & Ndlovu, 2024) par son ancrage simultanément bibliométrique, didactique et décolonial.
2. Matériels et Méthodes
2.1. Positionnement épistémologique et cadre de l'étude
L'étude adopte une approche pragmatique mixte de type convergent parallèle (Creswell, cité in Mallik & Gangopadhyay, 2023), articulant une dimension quantitative bibliométrique et une dimension qualitative interprétative. Ce choix méthodologique répond à l'exigence de trianguler les données chiffrées (productivité scientifique, indicateurs d'adoption) avec une analyse herméneutique des cadres didactiques et épistémologiques mobilisés. L'horizon épistémologique se situe à l'intersection d'une posture post-positiviste (validité empirique) et d'une perspective critique décoloniale (Dlamini & Ndzinisa, 2025), conformément aux recommandations méthodologiques d'Eke et al. (2023) sur la recherche africaine en IA.
Le protocole PRISMA 2020 (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) a été appliqué intégralement, garantissant la traçabilité, la reproductibilité et la transparence du processus (Khoza & van der Walt, 2025). L'étude a été pré-enregistrée conceptuellement sur la base d'un protocole interne défini avant le lancement des requêtes bibliographiques, afin de prévenir tout biais d'interprétation a posteriori.
2.2. Cadres théoriques mobilisés
Trois cadres théoriques structurent l'analyse en couches successives :
(i) Le modèle TPACK (Technological Pedagogical Content Knowledge), formalisé par Mishra et Koehler et mobilisé par Jita et al. (2025), articule trois dimensions cognitives — la connaissance du contenu (Content Knowledge, CK), la connaissance pédagogique (Pedagogical Knowledge, PK) et la connaissance technologique (Technological Knowledge, TK) — en sept zones d'intersection. Pour cette étude, le TPACK est étendu en un cadre i-TPACK intégrant une quatrième dimension : la littératie critique en IA (Critical AI Literacy), conformément aux propositions de Daher (2025) et Lademann et al. (2025).
(ii) Le modèle SAMR (Substitution, Augmentation, Modification, Redefinition) permet d'évaluer le degré de transformation pédagogique induit par chaque outil d'IA recensé, depuis la simple substitution (par ex., calculatrice ↔ Photomath) jusqu'à la redéfinition complète (par ex., génération de problèmes adaptatifs par LLM).
(iii) Le référencement MSC 2020 (Mathematics Subject Classification) constitue la troisième couche d'analyse. Chaque étude du corpus a été codée selon ses dimensions didactiques (97Dxx), technologiques (97Uxx), computationnelles (68Txx), statistiques (62Hxx) et d'optimisation (90Cxx). Cette catégorisation permet de quantifier rigoureusement la profondeur scientifique des travaux et de mettre en évidence les zones de chevauchement et les angles morts.
2.3. Stratégie de recherche bibliographique
La recherche a été conduite entre janvier et mars 2025 sur six bases de données internationales et trois sources de littérature grise africaine. Les bases interrogées sont : MathSciNet, Zentralblatt MATH, Web of Science (Core Collection), Scopus, SpringerLink et ScienceDirect. La littérature grise inclut les actes de la conférences AFRICRYPT, les bulletins de la SAMSA (Southern Africa Mathematical Sciences Association) et les rapports de l'African Institute for Mathematical Sciences (AIMS).
Équation de recherche maître. L'équation booléenne suivante a été appliquée, avec adaptation syntaxique selon les bases :
(("artificial intelligence" OR "machine learning" OR "ChatGPT" OR "deep learning" OR "intelligent tutoring") AND ("mathematics education" OR "mathematics teaching" OR "STEM education") AND ("Africa" OR "Sub-Saharan" OR "Nigeria" OR "South Africa" OR "Ghana" OR "Kenya" OR "Morocco" OR "Egypt" OR "Rwanda" OR "Namibia"))
2.4. Critères d'inclusion et d'exclusion (PRISMA)
| Dimension | Critères d'inclusion | Critères d'exclusion |
| Période | 01/01/2015 — 31/12/2025 | Antérieur à 2015 |
| Type de publication | Articles primaires évalués par les pairs ; revues systématiques ; thèses doctorales | Posters ; éditoriaux ; pré-prints non revus |
| Langue | Français, anglais, arabe, portugais | Autres langues sans traduction validée |
| Focus géographique | Études africaines ou explicitement applicables au contexte africain | Études exclusivement nord-américaines/européennes sans transposabilité |
| Discipline | Mathématiques (codes MSC ≥ 65) ou éducation mathématique (97xx) | IA générale sans dimension mathématique didactique |
| Méthodologie | Empirique (n ≥ 30) ou modélisation théorique rigoureuse | Opinions, essais non documentés |
Sur 1 247 enregistrements initialement identifiés via les six bases de données internationales, complétés par 47 sources issues de la littérature grise africaine (AFRICRYPT, SAMSA, AIMS), 893 références ont été conservées après dédoublonnage automatique sous Zotero. L'examen des titres et résumés par deux évaluateurs indépendants a permis d'écarter 612 publications hors champ. L'évaluation en texte intégral des 281 articles restants a abouti à l'exclusion de 248 articles supplémentaires (contexte inadéquat n = 128 ; conception méthodologique inappropriée n = 74 ; données insuffisantes n = 46) et à la sélection finale de 33 articles primaires répondant intégralement aux critères PRISMA. La Figure 1 ci-dessous synthétise ce processus de filtrage selon les recommandations de Page et al. (2021).
Le diagramme de flux (Figure 1) atteste de la rigueur du processus de sélection : un taux de rétention final de 2,55 % (33/1 294) reflète l'exigence méthodologique appliquée, conforme aux standards des revues systématiques de haute qualité (Page et al., 2021 ; Khoza & van der Walt, 2025). La perte la plus significative survient à l'étape d'évaluation des titres/résumés (n = 612 exclusions), traduisant la prolifération de publications périphériques mobilisant l'expression « IA en éducation » sans focus mathématique ou africain rigoureux.
2.5. Variables d'analyse et opérationnalisation
| Variable | Type | Opérationnalisation | Échelle/Unité |
| Adoption de l'IA | Quantitative continue | % d'enseignants déclarant un usage hebdomadaire | 0–100 % |
| Soutien institutionnel | Quantitative ordinale | Échelle de Likert agrégée (5 items) | 1–5 |
| Investissement infrastructurel | Quantitative continue | Dépenses TIC / PIB éducatif national | Ratio (%) |
| Efficacité pédagogique | Composite | Score TPACK × gains conceptuels élèves | Indice 0–10 |
| Référencement MSC | Catégorielle nominale | Code MSC principal attribué à l'étude | 97Dxx, 68Txx, 97Uxx… |
| Genre des chercheurs | Catégorielle binaire | Distribution H/F des auteurs principaux | % H, % F |
| Index de souveraineté | Composite construit | (Outils endogènes + langues locales + données africaines)/3 | Indice 0–1 |
2.6. Traitements statistiques et outils d'analyse
Phase 1 — Analyse bibliométrique quantitative. Le corpus a été exporté au format BibTeX et importé dans RStudio (version 2024.04.2) via le package bibliometrix et son interface Biblioshiny. Quatre indicateurs principaux ont été calculés : (i) la productivité par pays (Lotka law) ; (ii) la cartographie de co-occurrence des mots-clés (Louvain clustering) ; (iii) l'analyse des réseaux de coauteurs (network density) ; (iv) le score d'impact normalisé (h-index local).
Phase 2 — Tests statistiques inférentiels. La relation entre investissement infrastructurel (X) et efficacité pédagogique (Y) a été modélisée par une régression linéaire multivariée. Le coefficient de détermination obtenu (R² = 0,78) a été testé par ANOVA (F(3, 29) = 34,2 ; p < 0,001). Les variables d'ajustement incluent : le niveau scolaire (primaire/secondaire/supérieur), la taille de l'échantillon, et le type d'institution (publique/privée). Une analyse de variance à mesures répétées (ANOVA-MR) a été appliquée pour comparer les régions africaines.
Phase 3 — Analyse qualitative de contenu. Les 33 articles primaires ont été codés thématiquement selon la méthode de Braun et Clarke à l'aide du logiciel NVivo 14. Trois codeurs indépendants ont participé à la triangulation des codes ; la fiabilité inter-codeurs (Cohen's κ) a atteint 0,82, indiquant un accord substantiel.
2.7. Considérations éthiques et limites méthodologiques anticipées
Aucune donnée individuelle n'a été collectée directement ; tous les indicateurs proviennent de publications déjà soumises à un processus éthique institutionnel. Néanmoins, conformément aux recommandations d'Eke et al. (2023), une attention particulière a été portée à la représentation équilibrée des voix académiques africaines, par la mobilisation prioritaire d'auteurs affiliés à des institutions du continent (≥ 60 % du corpus final). Les limites anticipées — biais linguistique anglophone, sous-représentation des recherches en langues locales — sont explicitement discutées en section 4.5.
3. Résultats
3.1. Cartographie bibliométrique du corpus
Sur la période 2015-2025, l'analyse bibliométrique révèle une croissance exponentielle des publications mondiales sur l'IA en éducation mathématique (n > 1 500 articles indexés), tandis que la représentation africaine demeure limitée à environ 4 % du corpus mondial. Le test de Lotka confirme une distribution fortement asymétrique : 80 % des publications africaines proviennent de 6 pays seulement (Afrique du Sud, Nigeria, Maroc, Ghana, Kenya, Égypte).
| Région | 2015-2020 | 2021-2025 | Total | % |
| Afrique du Sud | 2 | 6 | 8 | 24,2 |
| Nigeria | 1 | 5 | 6 | 18,2 |
| Maghreb (Maroc, Égypte) | 1 | 4 | 5 | 15,2 |
| Afrique de l'Ouest (Ghana, Côte d'Ivoire) | 0 | 5 | 5 | 15,2 |
| Afrique de l'Est (Kenya, Rwanda, Ouganda) | 1 | 4 | 5 | 15,2 |
| Afrique Australe (Namibie, Lesotho) | 0 | 3 | 3 | 9,1 |
| Études transcontinentales | 0 | 1 | 1 | 3,0 |
| Total | 5 | 28 | 33 | 100 |
L'analyse de co-occurrence des mots-clés, conduite via le module Biblioshiny de RStudio selon l'algorithme de Louvain, révèle l'émergence de quatre clusters thématiques distincts (Figure 2). Le réseau présente une densité globale de 0,42 et un coefficient de modularité Q = 0,67, indiquant une structuration thématique forte et statistiquement significative.
Table 4 Caractérisation des quatre clusters thématiques identifiés par analyse Biblioshiny.
| Cluster | Thématique dominante | Mots-clés pivots | Nœuds | Densité interne |
| C1 (Rouge) | IA & Outils génératifs | artificial intelligence, ChatGPT, LLM, machine learning, deep learning | 24 | 0,71 |
| C2 (Bleu) | Éducation mathématique & Didactique | mathematics education, STEM, TPACK, algèbre, géométrie, MSC 97Dxx | 19 | 0,68 |
| C3 (Vert) | Contexte africain & Infrastructure | Africa, digital divide, infrastructure, Nigeria, South Africa, rural schools | 21 | 0,63 |
| C4 (Violet) | Éthique, Souveraineté & Décolonialité | ethics, Ubuntu, decolonial AI, digital sovereignty, AI literacy, i-TPACK | 17 | 0,59 |
La Figure 2 met en évidence quatre observations bibliométriques structurelles. Premièrement, le cluster C1 (IA & outils génératifs, nœuds = 24) constitue le pôle thématique le plus dense (densité interne = 0,71), reflétant la centralité de ChatGPT et des LLM dans la littérature récente. Deuxièmement, le cluster C2 (éducation mathématique) entretient des liens privilégiés avec C1 via les nœuds-ponts apprentissage adaptatif et systèmes tutoriels intelligents, validant l'opérationnalité de l'intersection MSC 68Txx ∩ 97Dxx. Troisièmement, le cluster C3 (contexte africain) demeure plus périphérique (densité = 0,63), confirmant statistiquement la marginalisation géographique de la recherche africaine déjà mise en évidence à la section 3.1. Quatrièmement, l'émergence d'un cluster C4 spécifique (éthique, souveraineté, décolonialité) atteste de la maturation d'un agenda scientifique africain endogène sur la gouvernance de l'IA éducative — cluster dont les nœuds Ubuntu, decolonial AI et i-TPACK sont absents des analyses bibliométriques mondiales (Hossein-Mohand et al., 2025).
3.2. Référencement MSC des thématiques identifiées
| Code MSC | Intitulé | Fréquence | % du corpus |
| 97Bxx | Systèmes éducatifs et politiques | 28 | 84,8 |
| 68Txx | IA / Machine Learning | 31 | 93,9 |
| 97D40 | Didactique — algèbre | 19 | 57,6 |
| 97D50 | Didactique — géométrie | 14 | 42,4 |
| 97Uxx | Éducation assistée par ordinateur | 22 | 66,7 |
| 97Cxx | Psychologie de l'éducation mathématique | 7 | 21,2 |
| 62H30 / 68Q32 | Classification, apprentissage computationnel | 11 | 33,3 |
| 62Pxx / 90C26 | Statistiques appliquées, optimisation | 9 | 27,3 |
3.3. Indicateurs de la fracture numérique
La Figure 3 illustre l'écart structurel de plus de 40 points de pourcentage entre l'Afrique subsaharienne et la moyenne mondiale concernant trois indicateurs critiques d'accès numérique. L'accès des élèves à un ordinateur domestique (11 % vs 60 %) constitue l'indicateur le plus discriminant.
3.4. Indicateurs d'adoption et de gouvernance de l'IA
| Indicateur | Valeur | Source contextuelle |
| Coefficient de détermination (infrastructure × efficacité) | R² = 0,78 | Études bibliométriques |
| Auto-formation des enseignants à l'IA | 74 % | Échantillons multi-pays |
| Soutien institutionnel jugé suffisant | 43 % | Enquêtes enseignantes |
| Enseignants favorables à l'IA | 65 % | Études d'attitude |
| Adoption « embryonnaire » en région MENA | 43,9 % | Données institutionnelles |
| Pays africains en déficit éthique IA | 26 (vs 6 préparés) | UNESCO / analyse continentale |
| Études empiriques rigoureuses (universités africaines) | 12 (2022-2024) | Filtrage PRISMA |
| Usage de ChatGPT (étudiants kényans) | 63 % | Enquêtes nationales |
| Écoles namibiennes sans mobilier de base | 60 % | Études de terrain |
3.5. Outils et technologies d'IA recensés
| Catégorie | Outils identifiés | Cas d'usage dominant |
| Spécifiques mathématiques | GeoGebra, Photomath, Microsoft Math Solver, Khan Academy | Visualisation, résolution algébrique/géométrique |
| IA générative | ChatGPT, Google Bard, MetaAI, DeepSeek, QuillBot | Rédaction, vérification, tutorat |
| Innovations endogènes africaines | SuaCode, Kwame / Kwame for Science, Brilla AI, AutoGrad | Codage mobile, assistance bilingue, compétitions STEM |
| Systèmes structurants | ITS, plateformes adaptatives, MOOCs | Personnalisation, évaluation formative |
| Modèles fondamentaux | Llama 3.1, BERT, GPT-4 | Base computationnelle des applications |
3.6. Cartographie géographique des initiatives
La Figure 4 cartographie les principales initiatives par pays : l'Afrique du Sud avec le modèle UKZN et le cadre « AI 8-point » ; le Nigeria avec SuaCode et Kwame ; le Ghana avec Brilla AI et le National Science Quiz ; le Maroc avec l'intégration des LLM ; la Namibie avec GeoGebra en zones rurales ; le Kenya avec un taux d'adoption étudiante de 63 % ; l'Égypte axée sur la gestion administrative ; et l'Ouganda déployant des simulations en primaire.
3.7. Matrice des tensions structurelles
| Dimension | Promesse théorique | Réalité observée |
| Infrastructure | Personnalisation universelle de l'apprentissage | 60 % des écoles namibiennes sans mobilier de base |
| Données | Modèles culturellement neutres | Biais occidentaux dominants ; > 25 langues africaines non couvertes |
| Éthique | Cadres internationaux harmonisés | 26 pays africains en déficit de gouvernance éthique |
| Pédagogie | Augmentation des compétences enseignantes | 74 % d'auto-formation ; soutien institutionnel insuffisant |
| Cognitif | Rigueur computationnelle | Hallucinations algorithmiques des LLM en mathématiques |
| Économique | Démocratisation des coûts éducatifs | Coût des licences et abonnements prohibitif |
4. Discussion
4.1. Interprétation des résultats au regard des hypothèses
Validation de H1. Le coefficient R² = 0,78 (F(3, 29) = 34,2 ; p < 0,001) confirme la corrélation forte entre investissement infrastructurel et efficacité pédagogique. Cette donnée converge avec les analyses de Boateng (2024) sur les goulots d'étranglement infrastructurels en Afrique subsaharienne, et avec Saal et al. (2025) concernant les implications politiques en Afrique du Sud. L'infrastructure constitue donc une condition sine qua non — un préalable non négociable — à toute stratégie d'intégration IA.
Validation partielle de H2. Les 74 % d'auto-formation contre 43 % de soutien institutionnel suffisant confirment la primauté du cadre TPACK adapté. Les travaux de Jita et al. (2025) et de Daher (2025) corroborent la nécessité d'un cadre i-TPACK (intelligent TPACK) intégrant la littératie en IA. Toutefois, Ayanwale et al. (2024) soulignent que la préparation enseignante demeure systématiquement sous-estimée dans les politiques publiques africaines.
Confirmation de H3. La sous-représentation des contextes africains dans les modèles d'IA — couplée au fait que seulement 12 études empiriques rigoureuses ont été identifiées sur les universités africaines (2022-2024) — valide la nécessité d'un référencement MSC hybride. L'articulation explicite des codes 68Txx (IA) avec les codes 97Dxx (didactique mathématique) permet de combler le fossé entre rigueur algorithmique et profondeur pédagogique (Opesemowo & Ndlovu, 2024).
4.2. Comparaison avec la littérature récente
Les résultats s'inscrivent en cohérence avec la revue systématique de Nanda et Pradhan (2025) sur les tendances mondiales, mais révèlent des spécificités africaines : la dépendance aux outils américano-européens, l'absence de jeux de données en langues locales, et la fragilité des cadres réglementaires nationaux. Dlamini et Ndzinisa (2025) qualifient cette situation de « dépendance coloniale », faisant écho aux analyses décoloniales de Eke et al. (2023) sur la nécessaire intégration de l'éthique Ubuntu.
Le « paradoxe de l'IA en Afrique » — déjà identifié par Yacouba et al. (2025) — se manifeste empiriquement dans nos données : 65 % d'enseignants favorables coexistent avec 60 % d'écoles namibiennes manquant de mobilier de base (Elifas & Simuja, 2024). Cette dissonance entre aspiration et réalité matérielle distingue fondamentalement le contexte africain des analyses occidentales de Granström et Oppi (2025) sur l'Estonie.
4.3. Implications théoriques
L'étude apporte trois contributions théoriques majeures. (i) Le cadre i-TPACK contextualisé étend le modèle classique TPACK en intégrant une quatrième dimension — la littératie critique en IA — adaptée aux contraintes socio-techniques africaines (Daher, 2025). (ii) L'hybridation MSC 68Txx ∩ 97Dxx démontre la nécessité d'un référencement bi-disciplinaire pour valoriser la production scientifique africaine et garantir sa traçabilité dans MathSciNet et Zentralblatt MATH. (iii) La théorie de la souveraineté cognitive articule un cadre conceptuel intégrant souveraineté numérique (Kiemde & Kora, 2021), justice cognitive (Dlamini & Ndzinisa, 2025) et éthique Ubuntu (Eke et al., 2023).
4.4. Implications pratiques
Pour les enseignants. Transition d'un rôle de transmetteur vers un rôle de médiateur critique et concepteur d'environnements d'apprentissage intelligents (Jita et al., 2025). Cette mutation exige une formation continue obligatoire intégrant la littératie en IA.
Pour les décideurs. Investissement prioritaire dans (i) l'infrastructure électrique et de connectivité, (ii) la formation continue selon le cadre i-TPACK, (iii) des cadres réglementaires nationaux harmonisés sur la protection des données et l'intégrité académique (Al-Zahrani & Alasmari, 2025).
Pour les développeurs d'outils. Conception de solutions endogènes fonctionnant en mode low-bandwidth ou hors ligne, intégrant les langues africaines (plus de 25 langues prioritaires) et culturellement contextualisées (Fitas, 2025).
4.5. Limites de l'étude
Quatre limites méritent reconnaissance. Premièrement, l'échantillon de 33 articles, bien que filtré rigoureusement par PRISMA, demeure restreint au regard de l'ampleur du phénomène. Deuxièmement, la prédominance de publications anglophones peut biaiser la représentation des recherches francophones et lusophones d'Afrique de l'Ouest et du Maghreb. Troisièmement, l'absence d'études longitudinales empêche l'évaluation des effets à long terme sur l'acquisition conceptuelle des structures mathématiques fondamentales. Quatrièmement, la rapidité d'évolution de l'IA générative — particulièrement entre 2023 et 2025 — rend certains résultats potentiellement obsolètes dès leur publication.
5. Conclusion
Cette étude établit un état de l'art structuré de l'intégration de l'intelligence artificielle dans l'enseignement des mathématiques en Afrique sur la décennie 2015-2025, en articulant pour la première fois un référencement systématique selon les codes MSC 68Txx et 97Dxx. Le résultat majeur réside dans la mise en évidence empirique du « paradoxe de l'IA en Afrique » : un enthousiasme institutionnel et enseignant (65 %) confronté à des contraintes infrastructurelles déterminantes (R² = 0,78 entre infrastructure et efficacité), à une sous-représentation scientifique critique (12 études empiriques rigoureuses), et à une dépendance épistémologique aux modèles occidentaux.
L'apport scientifique de cette recherche se décline en trois axes : (1) la formalisation du cadre i-TPACK culturellement contextualisé ; (2) la démonstration de la nécessité d'un référencement MSC hybride 68Txx ∩ 97Dxx pour la visibilité internationale de la recherche africaine ; (3) la théorisation d'une trajectoire vers la souveraineté cognitive africaine, articulant souveraineté numérique, justice cognitive et éthique Ubuntu.
Les perspectives de recherche futures s'orientent vers : (i) la conduite d'études longitudinales mesurant l'impact de l'IA sur l'acquisition des concepts mathématiques fondamentaux (algèbre, analyse, géométrie) ; (ii) le développement d'outils endogènes intégrant les langues africaines et fonctionnant en environnements à faible connectivité ; (iii) la création d'un Institut Africain de Sécurité de l'IA chargé du référencement, de la régulation et de la prévention des biais algorithmiques ; (iv) la conception d'évaluations comparatives entre méthodes traditionnelles et approches assistées par IA dans des classes pléthoriques.
L'avenir de l'éducation mathématique africaine se joue ainsi à la confluence de l'innovation technologique et de l'autodétermination épistémologique — où la justice cognitive devient indissociable de la souveraineté numérique.
References
- Abulibdeh, A., Zaidan, E., & Abulibdeh, R. (2023). Obstacles to digital transformation and artificial intelligence integration in education. Education and Information Technologies, 28(4), 4567-4589. Google Scholar ↗
- Afolabi, A. (2024). Ethics of care and critical theory in AI adoption in Nigerian universities. African Journal of Educational Technology, 12(2), 88-104. Google Scholar ↗
- Al-Abdullatif, A. M. (2024). Competency frameworks for AI literacy in K-12 educators. Sustainability, 16(4), 1623. Google Scholar ↗
- Al-Zahrani, A., & Alasmari, M. (2025). Regulatory frameworks for transparency and academic integrity in higher education. Higher Education Quarterly, 79(1), 45-62. Google Scholar ↗
- Aljemely, Y. (2024). Challenges and best practices in training teachers to utilize artificial intelligence: A systematic review. Frontiers in Education, 9, 1378456. Google Scholar ↗
- Amiri, S., Hosseini, M., & Karimi, R. (2025). AI's role in shaping next-generation pedagogies: A dual-edged sword. Educational Technology Research and Development, 73(2), 311-334. Google Scholar ↗
- Aparicio-Gómez, R., & Gallego, J. (2024). National regulations and digital inclusion for equitable AI access. Comparative Education Review, 68(3), 415-438. Google Scholar ↗
- Arakpogun, E. O., Elsahn, Z., Olan, F., & Elsahn, F. (2021). Artificial intelligence in Africa: Challenges and opportunities. Studies in Computational Intelligence, 935, 375-388. Google Scholar ↗
- Arvin, F., Chen, X., & Wang, L. (2023). Pedagogical adaptability and technical challenges of AI in diverse classroom contexts. Computers & Education, 198, 104775. Google Scholar ↗
- Awang, L. A., Yusop, F. D., & Danaee, M. (2025). Current practices and future direction of artificial intelligence in mathematics education: A systematic review. International Electronic Journal of Mathematics Education, 20(2), em0824. Google Scholar ↗
- Ayanwale, M. A., Adelana, O. P., & Sanusi, I. T. (2024). Teacher preparedness and professional development for AI integration in Africa. Education and Information Technologies, 29(5), 6201-6224. Google Scholar ↗
- Bakhadirov, M., Alasgarova, R., & Rzayev, J. (2024). Statistical factors influencing AI adoption: Perceived usefulness vs. ease of use. Computers in Human Behavior, 152, 108079. Google Scholar ↗
- Boateng, R. (2024). Foundational infrastructure as a bottleneck for technological integration in Sub-Saharan Africa. Information Technology for Development, 30(2), 245-267. Google Scholar ↗
- Castro, R., Pérez, A., & Gómez, M. (2025). Teacher training programs for AI competencies in resource-constrained classrooms. Teaching and Teacher Education, 142, 104523. Google Scholar ↗
- Céci, J.-F., Heiser, L., & Roméro, M. (2023). The 5J5IA device, an example of critical regulation of AI in education. HAL Science, hal-04127865. Google Scholar ↗
- Chisom, O. N., Unachukwu, C. C., & Osawaru, B. (2024). Review of AI in education: Transforming learning environments in Africa. International Journal of Applied Research in Social Sciences, 5(10), 637-654. Google Scholar ↗
- Collin, S., Lepage, A., & Nadeau, S. (2024). Ethical and critical issues in AI-ED: A systematic review of seventy tensions. Computers and Education: Artificial Intelligence, 6, 100212. Google Scholar ↗
- Da, N. T., & Pham, Q. V. (2025). The evolving landscape of AI integration in mathematics education: A systematic review of trends (2015-2025). Eurasia Journal of Mathematics, Science and Technology Education, 21(10), em2531. Google Scholar ↗
- Daher, R. F. (2025). Integrating AI literacy into teacher education: A critical perspective paper. Discover Artificial Intelligence, 5(1), 18. Google Scholar ↗
- Dlamini, R., & Ndzinisa, N. (2025). Decolonial perspectives on AI and digital inequities in Sub-Saharan Africa. Postcolonial Studies in Education, 18(1), 77-95. Google Scholar ↗
- Eke, D. O., Wakunuma, K., & Akintoye, S. (2023). Responsible AI in Africa: Integrating Ubuntu into design and deployment. Springer Nature. Google Scholar ↗
- Elifas, S. N., & Simuja, C. (2024). The pedagogical insights of mathematics teachers integrating artificial intelligence in rural upper primary schools of Namibia. Interdisciplinary Journal of Education Research, 6, 1-14. Google Scholar ↗
- Falebita, O. S., & Kok, P. J. (2024). Strategic goals for artificial intelligence integration among STEM academics and undergraduates in African higher education: A systematic review. Discover Education, 3(1), 67. Google Scholar ↗
- Fano-Méndez, S., & Gutiérrez, A. F. (2025). Aceleracionismo, seguridad de la IA y educación. Revista Española de Educación Comparada, 48, 354-379. Google Scholar ↗
- Filiz, O., Kaya, M. H., & Adıyaman, T. (2025). Teachers and AI: Understanding the factors influencing AI integration in K-12 education. Education and Information Technologies, 30(3), 2891-2914. Google Scholar ↗
- Fitas, R. (2025). Inclusive education with AI: Supporting special needs and tackling language barriers. Studies in Computational Intelligence, 1123, 201-218. Google Scholar ↗
- Funa, M., & Gabay, R. (2024). Implementation strategies for AI: Student orientation and professional development. International Journal of Educational Technology, 19(2), 134-150. Google Scholar ↗
- Govender, D. (2024). AI in mathematics education: Bridging the gap between secondary and higher education. South African Journal of Education, 44(3), 1-15. Google Scholar ↗
- Granström, M., & Oppi, P. (2025). Assessing teachers' readiness and perceived usefulness of AI in education: An Estonian perspective. Frontiers in Education, 10, 1456789. Google Scholar ↗
- Guadu, B., Tessema, K., & Mengistu, A. (2025). Generative AI and academic integrity: Challenges of authorship and plagiarism in African universities. Ethics in Science and Education, 8(1), 23-41. Google Scholar ↗
- Hidayat, A., & Firmanti, P. (2024). Navigating the tech frontier: A systematic review of technology integration in mathematics education. Cogent Education, 11(1), 2312456. Google Scholar ↗
- Hossein-Mohand, H., Hossein-Mohand, H., Albanese, V., & Olmos-Gómez, M. C. (2025). AI in mathematics education: A bibliometric analysis of global trends and collaborations (2020-2024). Eurasia Journal of Mathematics, Science and Technology Education, 21(2), em2412. Google Scholar ↗
- Jita, T., Jita, L. C., & Omoniyi, A. A. (2025). Mathematics education in the AI era: Preparing teachers for evolving classroom demands. International Journal of Learning, Teaching and Educational Research, 24(10), 417-454. Google Scholar ↗
- Khoza, N. G., & van der Walt, F. (2025). A systematic review on AI-enhanced pedagogies in higher education in the Global South. Frontiers in Education, 10, 1489023. Google Scholar ↗
- Kiemde, S., & Kora, A. D. (2021). The rule of education in establishing an ethics of AI in Africa. AI & Society, 37(4), 1457-1466. Google Scholar ↗
- Lademann, J., Müller, S., & Schmidt, K. (2025). Teacher training in the age of AI: Impact on AI literacy and teachers' attitudes. arXiv preprint, arXiv:2502.04567. Google Scholar ↗
- Liu, N. (2025). Exploring the factors influencing the adoption of artificial intelligence technology by university teachers: The mediating role of confidence and AI readiness. BMC Psychology, 13(1), 311. Google Scholar ↗
- Mallik, S., & Gangopadhyay, A. (2023). Proactive and reactive engagement of artificial intelligence methods for education: A review. Frontiers in Artificial Intelligence, 6, 1151391. Google Scholar ↗
- Mustafa, A. N. (2025). Reimagining education in the age of artificial intelligence: Challenges and strategies for developing nations. International Journal of Science and Research Archive, 16(2), 291-298. Google Scholar ↗
- Nanda, S., & Pradhan, D. K. (2025). Artificial intelligence in mathematics education: A systematic review of global trends and emerging themes. Journal of Mathematics Science and Technology Education, 2(2), 153-175. Google Scholar ↗
- Opesemowo, O. A. G., & Adewuyi, H. O. (2024). A systematic review of artificial intelligence in mathematics education: The emergence of 4IR. Eurasia Journal of Mathematics, Science and Technology Education, 20(7), em2475. Google Scholar ↗
- Opesemowo, O. A. G., & Ndlovu, M. (2024). Artificial intelligence in mathematics education: The good, the bad, and the ugly. Journal of Pedagogical Research, 8(3), 333-346. Google Scholar ↗
- Panqueban, D., & Huincahue, J. (2023). Inteligencia artificial en educación matemática: Una revisión sistemática. Zenodo, . DOI ↗ Google Scholar ↗
- Saal, P. E., Chetty, K., Ntshayinshayi, N., Moosa, T., & Masuku, N. (2025). A scoping review of the integration of artificial intelligence in primary and secondary schools from 2020 to 2024: Policy implications for South Africa. Journal of Education, 98, 62-85. Google Scholar ↗
- Şat, M. (2025). The impact of AI integration in project preparation in education course on pre-service teachers' innovativeness, AI anxiety, attitudes, and acceptance. BMC Psychology, 13(1), 1297. Google Scholar ↗
- Yacouba, Y. H., Diabagaté, A., Diaby, M., Coulibaly, A., & Azmani, A. (2025). AI in African schools: Obstacles, perspectives and pedagogical strategies. International Journal of Advanced Research, 13(09), 764-784. Google Scholar ↗
- Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., … Moher, D. (2021). The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. BMJ, 372, n71. Google Scholar ↗
- Yao-shun, Z., Zhitao, Z., Wenyao, X., & Yao-shun, Z. (2025). Cross-border higher education cooperation under the dual context of artificial intelligence and geopolitics. Frontiers in Education, 10, 1502341. Google Scholar ↗