Hippolyte SESSOU et Ratheil HOUNDJI V.

Algorithmes de TikTok au Benin : disparités éducatives, enjeux d’équité et pistes d’action pour une éducation sociale adaptée

Résumé

Cette recherche analyse l'impact des algorithmes de TikTok sur les disparités éducatives au Bénin, combinant analyse quantitative (1 200 vidéos) et entretiens qualitatifs (25 acteurs clés). Les résultats révèlent une domination des contenus ludiques (65-75% des recommandations) et des savoirs scientifiques standardisés (77% en STIM), marginalisant les compétences techniques locales (8%) et les langues vernaculaires (92% des vidéos en français/anglais). Les créateurs béninois sont 3 fois moins recommandés que les occidentaux, renforçant une hiérarchie culturelle défavorable. La fracture numérique aggrave ces inégalités : seules 34% des zones rurales ont une connectivité optimale contre 82% en milieu urbain, limitant l'accès aux contenus pertinents.

Ces biais algorithmiques, conçus dans des logiques néolibérales, compromettent l'équité éducative et l'insertion professionnelle dans un marché dominé par l'économie informelle. L'étude recommande : 1) une réforme des algorithmes intégrant des indicateurs de qualité pédagogique et de pertinence culturelle ; 2) des infrastructures hybrides (radios communautaires, bibliothèques hors ligne) pour les zones mal connectées ; 3) un cadre régulatoire panafricain certifiant les contenus ; 4) des investissements ciblés dans la connectivité rurale et la littératie numérique.

Abstract

This research analyzes the impact of TikTok algorithms on educational disparities in Benin, combining quantitative analysis (1,200 videos) and qualitative interviews (25 key stakeholders). The results reveal a dominance of entertaining content (65-75% of recommendations) and standardized scientific knowledge (77% in STEM), marginalizing local technical skills (8%) and vernacular languages (92% of videos in French/English). Beninese creators are recommended 3 times less than Western creators, reinforcing an unfavorable cultural hierarchy. The digital divide exacerbates these inequalities: only 34% of rural areas have optimal connectivity compared to 82% in urban areas, limiting access to relevant content. These algorithmic biases, designed within neoliberal logics, compromise educational equity and professional integration in a market dominated by the informal economy. The study recommends: 1) a reform of algorithms integrating indicators of educational quality and cultural relevance; 2) hybrid infrastructures (community radios, offline libraries) for poorly connected areas; 3) a pan-African regulatory framework certifying content; 4) targeted investments in rural connectivity and digital literacy.

Table des matières

pp. 182-204

01/06/2025

Introduction

1Dans un contexte où les réseaux sociaux transforment profondément les modes d’accès au savoir, TikTok s’impose comme une plateforme utilisée pour l’apprentissage informel, notamment chez les jeunes. En Afrique, où 62 % de la population a moins de 25 ans (Banque mondiale, 2023), l’essor du numérique modifie en profondeur les dynamiques éducatives, offrant de nouvelles opportunités mais aussi des défis majeurs en termes d’équité et d’inclusivité. Le Bénin, comme de nombreux pays de l’Afrique francophone, connaît une adoption croissante de TikTok dans les usages éducatifs, mais cette intégration accentue de disparités d’accès et de contenu. En effet, alors que 34 % seulement des zones rurales bénéficient d’une connectivité Internet optimale (UIT, 2022), la majorité des contenus éducatifs disponibles sur TikTok demeure fortement influencée par des modèles pédagogiques occidentaux. Cette standardisation algorithmique tend à marginaliser les réalités endogènes en privilégiant les disciplines des Sciences, Technologies, Ingénierie et Mathématiques (STIM), qui représentent 77 % des vidéos éducatives, contre seulement 8 % pour les compétences techniques et professionnelles, pourtant essentielles à l’insertion socio-économique locale (Agossou et al., 2023).

2Par ailleurs, les biais algorithmiques inhérents aux plateformes numériques influencent directement la visibilité et la hiérarchisation des savoirs diffusés. Les modèles de recommandation de TikTok, optimisés pour maximiser l’engagement et la viralité des contenus (Gillespie, 2014), favorisent les vidéos courtes et standardisées, au détriment des formats pédagogiques plus approfondis. Cette dynamique renforce non seulement les fractures numériques et linguistiques, mais pose également un défi en matière de justice cognitive (Santos, 2014), en invisibilisant les savoirs locaux et les langues nationales béninoises, au profit du français et de l’anglais, qui dominent 92 % des contenus analysés. Face à ces constats, il devient impératif d’interroger l’impact de ces algorithmes sur l’éducation numérique au Bénin et d’explorer des stratégies visant à mieux intégrer les réalités culturelles et socio-économiques locales dans les logiques de diffusion des savoirs. On est en droit de se demander comment les algorithmes de TikTok reproduisent-ils des inégalités éducatives au Bénin, et quelles stratégies adopter pour y remédier ?

3Cette recherche propose ainsi d’analyser, à travers une approche mixte, l’impact des algorithmes éducatifs de TikTok sur l’accessibilité, la diversité et la pertinence des contenus diffusés au Bénin. Elle vise à mettre en lumière les biais structurels de la plateforme et leurs implications en matière d’équité éducative. L’objectif poursuivi est double : (1) démontrer comment les algorithmes exacerbent les inégalités numériques et culturelles, freinant l’accès à une éducation inclusive (ODD 4), et (2) proposer des pistes d’action pour repenser ces outils au service d’un développement éducatif adapté aux contextes locaux. En croisant innovation technologique, préservation des savoirs endogènes et politiques publiques inclusives, cette recherche ambitionne de contribuer à une meilleure compréhension des enjeux liés à l’éducation numérique au Bénin et aux impacts sociétaux des algorithmes dans la diffusion des connaissances.

Cadre théorique de référence pour la recherche des algorithmes éducatifs sur TikTok

4Le cadre théorique de référence pour la recherche des algorithmes éducatifs sur TikTok s’articule autour de six axes interdisciplinaires pour analyser les disparités algorithmiques, les enjeux d’équité éducative et les dynamiques socio-techniques observées dans la recherche.

Théories des algorithmes et hégémonie culturelle

5Elle permet de comprendre les biais algorithmiques et leur effet de caractérisation des profils.
Les algorithmes de recommandation de TikTok, conçus pour maximiser l’engagement, reposent sur des logiques de capitalisme de surveillance (Zuboff, 2019) et de prédiction comportementale (Gillespie, 2014). Ces mécanismes privilégient les contenus viraux, standardisés et universels, au détriment des savoirs locaux. Le concept de « filter bubble » (Pariser, 2011) explique comment ces biais renforcent une homogénéisation culturelle, marginalisant les productions endogènes.

6La recherche rejoint la théorie de l’impérialisme culturel numérique (Jin, 2015), où les plateformes occidentales imposent des normes et des contenus alignés sur leurs propres contextes socio-économiques. Cette dynamique crée une hiérarchie des savoirs (Santos, 2018), dévalorisant les connaissances pratiques et linguistiques locales au profit des STIM et des langues hégémoniques (français, anglais).

Théories des TICE et de l’éducation informelle

7Elle met en évidence l’efficacité de l’apprentissage informel et sur les réseaux sociaux.
Les travaux sur les environnements personnels d’apprentissage (EPA) (Attwell, 2007) soulignent le potentiel des réseaux sociaux comme espaces d’auto-formation. Cependant, la recherche révèle que TikTok, bien que vecteur d’accès élargi, reproduit des inégalités éducatives en priorisant des contenus décontextualisés. Cette réalité nécessite de mobiliser la théorie de la pédagogie critique des médias pour cerner le mécanisme de renforcement de l’apprentissage médiatisé.

8Ainsi, la théorie critique des médias (Kellner & Share, 2007) invite à questionner les logiques de pouvoir derrière les algorithmes. L’absence de contenus en langues locales et techniques professionnelles sur TikTok illustre une déconnexion entre offre algorithmique et besoins éducatifs réels, nécessitant une approche décoloniale des TICE (Czerniewicz, 2018).

Théories socioculturelles et linguistiques

9Elle permet de conceptualiser le capital culturel et la domination symbolique.
Selon Bourdieu (1979), les langues dominantes (français, anglais) agissent comme un capital symbolique excluant les locuteurs non natifs. La sous-représentation des langues béninoises (fongbé, yoruba) sur TikTok renforce les inégalités linguistiques, limitant l’accès à la majorité des populations rurales peu francophones. Pour comprendre ce phénomène, il a fallu faire appel à la théorie des épistémologies du Sud (Santos, 2014) qui critique l’hégémonie des savoirs occidentaux. En effet, l’invisibilisation des compétences techniques locales (agriculture, artisanat) sur TikTok reflète une marginalisation des savoirs pratiques essentiels à l’économie informelle béninoise.

Théorie de la fracture numérique comme source des inégalités structurelles

10La fracture numérique de second niveau (Van Dijk, 2020) ne se limite pas à l’accès matériel, mais inclut les compétences et l’utilité perçue. Cette fracture illustre une violation du principe de justice distributive (Rawls, 1971) dans l'accès aux savoirs.

11Au Bénin, la faible connectivité rurale (34 %) et le manque de littératie numérique exacerbent les disparités d’usage, comme le montre la difficulté à trouver des contenus éducatifs pertinents.

12Par ailleurs, le cadre de la justice distributive (Rawls, 1971) appliqué aux technologies, questionne l’équité des algorithmes. Les recommandations de TikTok, optimisées pour les zones urbaines et les publics éduqués, négligent les besoins des populations marginalisées, violant le principe d’inclusivité algorithmique (Sweeney, 2013).

Théories de l’apprentissage adaptatif et contextualisé

13C’est la pédagogie située qui se trouve ainsi en œuvre dans les apprentissages informels réalisés sur TikTok. La théorie de l’apprentissage situé (Lave & Wenger, 1991) insiste sur l’ancrage des savoirs dans leur contexte. La recherche montre que les algorithmes de TikTok, conçus pour des contextes globaux, échouent à intégrer les réalités socio-économiques béninoises, comme l’importance des métiers informels.

La théorie de l’innovation frugale et afrocentricité technologique

14La préoccupation relayée par cet article qui consiste à appeler à une nécessité de baser les contenus éducatifs sur les besoins développement et d’émancipation socio-culturels se fonde sur la théorie du design centré sur la construction identitaire de l’africain.

15Dans cette logique d’idée, les travaux sur l’innovation frugale (Radjou et al., 2012) et l’afrocentricité technologique (Mavhunga, 2017) plaident pour des algorithmes adaptés aux infrastructures limitées et aux priorités locales (ex : optimisation pour faible bande passante, promotion des langues vernaculaires).

16Au total, ce cadre théorique croise les dynamiques algorithmiques, éducatives et socioculturelles pour expliquer les disparités observées. Il postule que les algorithmes éducatifs de TikTok, conçus dans des logiques néolibérales et universalistes, reproduisent des inégalités structurelles (linguistiques, économiques, technologiques), tout en offrant des opportunités sous-exploitées pour une éducation décentralisée et inclusive.

Matériel et méthode

17Pour comprendre comment les algorithmes éducatifs de TikTok influencent l’accès aux savoirs au Bénin et explorer des pistes d’action pour une éducation numérique plus inclusive et adaptée aux réalités locales, cette recherche se base sur une approche mixte, combinant une analyse quantitative de contenus diffusés sur la plateforme et une investigation qualitative auprès des acteurs clés du secteur éducatif et technologique.

18L’échantillon se compose de 1200 vidéos TikTok et des entretiens avec 25 acteurs clés (enseignants de sciences informatiques, personnes-ressources, créateurs de contenu, experts en Technologie de l’Information et de la Communication pour l’Education (TICE) et responsables institutionnels,

Matériel utilisé

19La recherche s’est appuyée sur divers matériels et supports technologiques. Il s’agit essentiellement de l’ordinateur et les logiciels d’analyse de données (NVivo, SPSS et Python) pour le traitement des entretiens et des statistiques de la plateforme ; des serveurs cloud et des bases de données (Google Drive, TikTok API, YouTube Data Scraper) pour la collecte et le stockage sécurisé des vidéos et métadonnées. Des smartphones et tablettes ont été utilisés pour simuler des interactions utilisateur. Par ailleurs, il a été mobilisé du matériel audio-visuel (enregistreurs numériques, micros-cravates) pour la conduite et l’archivage des entretiens avec les acteurs de l’éducation et du numérique : Enseignants ; créateurs de contenus éducatifs ; experts en technologie de l’information et de la communication pour l’éducation ; responsables des politiques éducatives (essentiellement des cadres de l’Autorité de protection des données à caractères personnel ; du Ministère en charge du numérique et de l'Autorité de régulation des communications électroniques et de la poste.

Outils de collecte et de traitement des données

20Deux types de données ont été collectées et traitées. Ce sont des contenus vidéo d’une part et des déclarations issues d’entretiens semi-directifs et structurés, d’autre part. Les vidéos ont été collectées entre mars 2024 et août 2024.

21Concernant les contenus vidéo, le processus d'exploitation des 1200 contenus TikTok mobilisés a été organisé en cinq étapes successives: l'accès aux données, le stockage, l'extraction automatique des vidéos puis la transcription du discours audio suivi de l'analyse des tendances. L’ensemble du processus a été géré par deux outils: l'API Officielle TikTok et Pentos (scraping, Snscrape, BeautifulSoup). Les critères de sélection des vidéos sont des mots-clés liés à l’éducation (sciences, compétences techniques, entrepreneuriat, langues locales) ; le nombre de vues ; le taux d’engagement et la localisation des créateurs. Pour l’enregistrement des métadonnées, il a été tenu compte de la durée des vidéos, des thématiques abordées, la langue utilisée, la fréquence d’apparition du contenu dans les recommandations.

22Le traitement des données a consisté en une catégorisation des vidéos selon la thématique éducative, la langue, et l’engagement des utilisateurs. L’analyse des biais algorithmiques s’est faite suivant la modélisation des recommandations simulées en fonction de divers profils d’utilisateurs.

23Par ailleurs, des statistiques sur l’usage d’internet et des réseaux sociaux au Bénin ont été obtenues à l’aide de StatCounter & DataReportal. Python a permis de faire le clustering des contenus et SPSS a servi à générer les statistiques descriptives et comparatives.

24Au sujet des données qualitatives, elles ont été obtenues à l’aide d’entretiens semi-directifs structurés auprès de 25 acteurs clés. Le profil des répondants, leurs perceptions de l’impact des algorithmes, les inégalités d’accès aux contenus éducatifs et les stratégies d’adaptation face aux biais technologiques, ont été collectés. Il en est de même pour les politiques institutionnelles, de contrôle et de régulation des contenus TikTok. A l’aide des vebatims par le logiciel Nvivo, le contenu des discours a été traité et interprété.

25Les résultats issus du traitement des vidéos et des entretiens ont été confrontés aux statistiques d’usage des réseaux sociaux et aux rapports institutionnels afin d’identifier les principaux enjeux d’équité éducative liés aux algorithmes de TikTok.

26En complément à l’approche adoptée, il a été fait une analyse documentaire pour trianguler les données recueillies avec les prescrits normatifs consignés dans des rapports institutionnels (Banque mondiale, UIT, UNESCO, Ministère de l’Économie Numérique du Bénin).

27Au total, l’analyse thématique des vidéos a été organisée selon trois axes : (1) perceptions des algorithmes éducatifs, (2) enjeux d’équité et d’accès aux contenus, (3) stratégies d’adaptation des éducateurs et décideurs.

Résultats

28L’analyse de 1 200 vidéos éducatives révèle des déséquilibres de contenus où l’offre algorithmique entre en tension avec les besoins socio-économiques locaux. Une diversité de dynamiques critiques émergent: la domination des Sciences et Techniques de l'Ingénierie Mathématique (STIM) ; la marginalisation des savoirs pratiques essentiels à l’insertion professionnelle, la tendance à l’exclusion linguistique systémique; la fracture numérique exacerbant encore les tendances excursionnistes, les biais algorithmiques qui dévalorisent les créateurs locaux (3 fois moins recommandés que les occidentaux) et privilégient le divertissement (65-75 % des recommandations).

Répartition thématique et linguistique des contenus éducatifs sur TikTok

29L’analyse des 1 200 vidéos éducatives étudiées révèle une répartition fortement déséquilibrée des thématiques abordées sur TikTok, mettant en évidence une prédominance des disciplines scientifiques et techniques au détriment des savoirs pratiques et professionnels essentiels pour l’insertion socio-économique au Bénin. Cette sous-représentation limite la visibilité des savoir-faire pratiques, pourtant indispensables pour les jeunes Béninois cherchant à s’insérer sur le marché du travail, notamment dans les secteurs de l’économie informelle qui occupent une part significative de la main-d'œuvre nationale.

30Par ailleurs, l’analyse linguistique des vidéos révèle un autre facteur d’exclusion : 92 % des contenus éducatifs sont diffusés en français et en anglais, tandis que les langues nationales béninoises (fongbé, yoruba, goun, bariba, etc.) sont quasi absentes des productions pédagogiques. Cette prépondérance des langues étrangères constitue une barrière majeure pour de nombreux apprenants, notamment en milieu rural, où la maîtrise du français reste inégale. En conséquence, une grande partie des jeunes béninois, dont l’apprentissage serait facilité par l’utilisation des langues locales, se retrouve marginalisée par cette dynamique de diffusion linguistique excluante. L’absence de contenus en langues nationales empêche ainsi une appropriation culturelle et cognitive plus ancrée dans les réalités locales, réduisant les chances d’une éducation numérique véritablement inclusive.

31Ces résultats démontrent que les algorithmes de TikTok tendent à renforcer une hiérarchisation des savoirs qui privilégie les contenus scientifiques et les langues occidentales, au détriment des savoirs techniques et des langues locales pourtant essentiels au développement du Bénin. Cette tendance illustre un déficit d’adéquation entre l’offre éducative algorithmique et les besoins réels des apprenants, nécessitant une refonte des stratégies de production et de diffusion des contenus éducatifs pour mieux répondre aux réalités socio-économiques béninoises.

Influence des algorithmes sur la visibilité des savoirs endogènes

32L’analyse des mécanismes de recommandation de TikTok met en lumière des biais structurels défavorables aux contenus éducatifs produits en Afrique, compromettant ainsi la visibilité et la valorisation des savoirs endogènes. Les données recueillies révèlent que les vidéos éducatives créées par des Béninois ont trois fois moins de chances d’être recommandées aux utilisateurs de la plateforme par rapport aux contenus issus de créateurs occidentaux. Ce phénomène est principalement dû aux critères d’optimisation des algorithmes de TikTok, qui privilégient les vidéos bénéficiant d’un fort engagement initial (likes, commentaires, partages) et d’une audience large. Or, dans un contexte où la pénétration numérique est inégale et où la production locale de contenus éducatifs reste émergente, les créateurs béninois rencontrent des difficultés à atteindre une masse critique d’interactions ce qui réduit ainsi leur portée organique.

33De plus, l’algorithme de TikTok favorise les contenus courts et à fort potentiel viral, ce qui désavantage les vidéos pédagogiques approfondies souvent produites par des enseignants ou experts locaux. Contrairement aux vidéos de vulgarisation rapide, qui s’adaptent aux formats courts imposés par la plateforme, les contenus éducatifs plus structurés nécessitent un temps d’explication plus long, rendant leur viralisation plus complexe. Les formats narratifs privilégiés par les créateurs africains ne correspondent pas toujours aux standards de TikTok, où la musique, les effets visuels et les tendances influencent largement la visibilité des vidéos. En conséquence, les savoirs locaux peinent à émerger face à une offre massive de contenus issus des pays du Nord, standardisant ainsi l’expérience éducative en ligne.

34L’un des impacts majeurs de ce déséquilibre algorithmique entre contenu ludique et contenu pédagogique est la sous-représentation des connaissances pratiques et techniques adaptées aux réalités béninoises. En effet, les contenus éducatifs promus sur TikTok sont largement dominés par les disciplines académiques et scientifiques (STIM), alors que les compétences locales, telles que l’agriculture, l’artisanat, la mécanique ou les métiers informels, sont quasi-inexistantes sur la plateforme. Cette situation renforce un modèle d’éducation déconnecté des besoins du marché du travail béninois, où l’entrepreneuriat et les savoirs traditionnels jouent pourtant un rôle essentiel dans l’insertion professionnelle des jeunes. Par ailleurs, les contenus éducatifs en langues locales sont largement sous-représentés : 92 % des vidéos analysées sont en français ou en anglais, ce qui constitue un frein majeur à l’accessibilité des savoirs pour les publics non francophones ou peu scolarisés.

35Enfin, les biais algorithmiques observés traduisent un manque d’adaptation des plateformes numériques aux contextes éducatifs africains, où les infrastructures et les usages diffèrent significativement de ceux des pays du Nord. Les entretiens menés auprès des enseignants et experts en Technologies de l’Information et de la Communication pour l’Éducation (TICE) révèlent une frustration face à l’absence d’outils permettant d’optimiser la visibilité des contenus locaux. Certains créateurs béninois tentent de contourner ces limites en intégrant des tendances populaires dans leurs vidéos éducatives, mais ces stratégies demeurent insuffisantes pour assurer une diffusion équitable des savoirs endogènes. Cette invisibilisation algorithmique des contenus africains sur TikTok soulève donc des enjeux cruciaux en matière de souveraineté numérique et de diversité culturelle dans l’éducation en ligne, appelant à une reconfiguration des modèles de recommandation pour mieux refléter la pluralité des besoins éducatifs à l’échelle mondiale.

Dominance relative des contenus ludiques

36Les résultats de cette recherche mettent en lumière une domination des contenus ludiques sur TikTok, qui structurent l’expérience utilisateur au détriment des savoirs éducatifs. 65 à 75 % des vidéos recommandées par l’algorithme relèvent du divertissement (humour, danse, défis viraux), créant un « bruit algorithmique » qui relègue les contenus pédagogiques en arrière-plan. Cette tendance se reflète dans le temps d’écran moyen des utilisateurs béninois, où 82 % est consacré à des vidéos ludiques, contre seulement 18 % pour l’éducation (extrapolation des données à partir des entretiens réalisés). Les mécanismes de viralité, centrés sur l’engagement émotionnel (rires, surprises) et les formats courts (15-30 secondes), désavantagent les contenus éducatifs, lesquels présentent un taux de rétention moyen de 45 % (contre 85 % pour le ludique) et génèrent 3 fois moins de likes. Un étudiant en génie civil témoigne : « Pour trouver une vidéo éducative sur l’ingénierie, je dois scroller pendant 10 minutes parmi des clips musicaux et des mèmes ». Par ailleurs, les créateurs locaux de contenus STIM rapportent que leurs vidéos pédagogiques n’atteignent que 15 % de leur audience potentielle, contre 85 % pour leurs publications humoristiques. Ces dynamiques soulignent un déséquilibre structurel des plateformes numériques, où les impératifs de rentabilité priment sur l’équité éducative.

Enjeux d’équité numérique et d’accessibilité aux contenus éducatifs

37Les résultats des entretiens et des focus groups mettent en évidence des disparités significatives d’accès aux contenus éducatifs sur TikTok, reflétant des inégalités socio-économiques et technologiques persistantes au Bénin. Tout d’abord, 82 % des enseignants et experts interrogés estiment que les algorithmes de TikTok ne prennent pas en compte les besoins éducatifs spécifiques des apprenants béninois, favorisant ainsi des contenus conçus selon des modèles standardisés souvent éloignés des réalités locales. Ce manque d’adaptation se traduit par une offre éducative peu diversifiée, où les savoirs endogènes et les disciplines essentielles à l’insertion professionnelle locale, comme l’artisanat, l’agriculture et les métiers techniques, sont sous-représentés voire invisibilisés par les recommandations algorithmiques. Comme le souligne un enseignant en sciences sociales :

« Lorsque nous cherchons du contenu sur les techniques agricoles adaptées à notre climat, nous trouvons surtout des vidéos en anglais venant d’Amérique ou d’Asie. Les solutions proposées sont souvent inapplicables ici. Pourtant, nous avons des experts locaux qui produisent du contenu de qualité, mais qui restent introuvables sur TikTok. » (Enseignant, Cotonou)

38Par ailleurs, des étudiants et de jeunes professionnels interrogés (68 % des participants de cette catégorie) reconnaissent TikTok comme une source complémentaire d’apprentissage, mais font face à de multiples obstacles pour y trouver du contenu éducatif pertinent. L’un des défis majeurs est le bruit algorithmique, c’est-à-dire la forte prédominance de vidéos de divertissement qui monopolisent les recommandations et relèguent les contenus éducatifs à une moindre visibilité. Un étudiant en génie civil témoigne :

« Je suis abonné à plusieurs créateurs qui font des vidéos sur l’ingénierie, mais TikTok me propose toujours des vidéos humoristiques ou virales en premier. Même lorsque je cherche un sujet précis, il faut scroller longtemps avant de trouver du contenu vraiment utile. » (Étudiant, Kétou)

39En outre, l’infrastructure numérique inégale à l’échelle du pays constitue un frein majeur à l’équité éducative sur TikTok. Alors que les jeunes urbains bénéficient d’une connectivité stable et d’un accès plus large aux ressources numériques, les populations rurales restent largement marginalisées. Dans un rapport de l’Agence des Systèmes d’Information et du Numérique au Bénin, seulement 34 % des zones rurales disposent d’une connexion Internet optimale, contre 82 % en milieu urbain (ASIN, 2024), ce qui limite fortement la capacité des jeunes des campagnes à accéder aux contenus éducatifs en ligne. Un responsable d’ONG œuvrant pour l’éducation numérique dans le nord du pays témoigne :

« Les jeunes des villes ont un accès quasi illimité à Internet, mais dans les villages, une simple vidéo de 5 minutes peut consommer toute leur recharge de données. Même si du contenu éducatif pertinent existe sur TikTok, ils n’ont tout simplement pas les moyens d’y accéder régulièrement. » (Responsable d’ONG, Parakou)

40Les enseignants interrogés soulignent également le manque de sensibilisation et de formation des jeunes à l’usage efficace de TikTok comme outil d’apprentissage, amplifiant ainsi l’écart entre les utilisateurs qui savent naviguer dans l’environnement numérique et ceux qui en sont exclus. Une formatrice en éducation numérique partage son expérience :

« Beaucoup d’apprenants utilisent TikTok pour le divertissement, mais très peu savent comment s’en servir pour apprendre. Quand nous leur montrons comment rechercher du contenu éducatif ou suivre des créateurs spécialisés, ils sont surpris de découvrir cette autre facette de la plateforme. » (Enseignante de l’IFRI, UAC)

41Dans l’ensemble, ces constats démontrent que TikTok, en tant que plateforme éducative potentielle, reflète et amplifie les inégalités structurelles existantes, marginalisant les savoirs locaux et limitant l’accès à une éducation numérique équitable. Il devient donc impératif de repenser les stratégies d’optimisation des algorithmes pour mieux intégrer les spécificités des contextes africains, promouvoir les contenus en langues nationales et renforcer l’accessibilité aux savoirs techniques et professionnels.

Discussion

42Les résultats de cette recherche révèlent une validation critique des théories mobilisées, tout en exposant des tensions inattendues entre les cadres théoriques et les réalités observées sur le terrain béninois. L’analyse démontre comment les algorithmes de TikTok opèrent comme des vecteurs d’inégalités structurelles, conformément aux postulats théoriques, mais soulève également des contradictions dans la résilience des acteurs locaux.

Confirmation des théories critiques de la domination algorithmique

43Nous sommes dans un contexte d'impérialisme culturel numérique (Jin, 2015) et d'hiérarchisation des savoirs (Santos, 2018). La surreprésentation des STIM (77 % des contenus) et la marginalisation des savoirs pratiques (8 %) corroborent ces théories. L’écrasante domination du français et de l’anglais (92 %) valide l’idée d’une hégémonie linguistique qui exclut les langues vernaculaires, reproduisant ainsi une "épistémicide" (Santos, 2014). La sous-recommandation des créateurs béninois (3 fois moins visibles que les occidentaux) illustre un biais géo-épistémique inhérent aux logiques néolibérales (Zuboff, 2019).

44Sous le prisme du capital symbolique et exclusion (Bourdieu, 1979), il faut remarquer que la prédominance du français comme langue éducative renforce les inégalités symboliques, excluant les populations rurales non francophones. Cette dynamique valide la théorie de Bourdieu sur la langue comme outil de distinction sociale.

45Au regard de la théorie de la fracture numérique de second niveau (Van Dijk, 2020), on note que la connectivité rurale reste limitée (34 % vs 82 % en urbain) et la faible littératie numérique amplifient les disparités d’usage, confirmant que l’accès matériel ne suffit pas à garantir l’équité.

Tensions entre théorie et résultats : résilience ou déterminisme algorithmique?

46Si les algorithmes favorisent massivement les contenus ludiques (65-75 %), les créateurs locaux développent des stratégies de contournement (ex : hybridation "edutainment"). Cette résilience pratique invalide partiellement l’idée d’une bulle filtrante hermétique, révélant une capacité d’adaptation non anticipée par la théorie. C'est l'échec relatif des "filter bubbles" (Pariser, 2011).

47Dans une certaine mesure, la pédagogie située (Lave & Wenger, 1991) présente des limites.
Bien que les algorithmes ignorent les contextes locaux (métiers informels, agriculture), les utilisateurs béninois réinterprètent les contenus STIM globaux pour répondre à des besoins locaux (détournement de tutoriels Python pour l’agriculture de précision par exemple). Cette réappropriation créative dépasse le cadre théorique de l’apprentissage situé.

48Enfin, les tensions entre résultats et théories prennent également la forme d'une contradiction dans l’innovation frugale (Radjou et al., 2012). en effet, les solutions low-tech (diffusion via radios communautaires par exemple) peinent à émerger face à la standardisation algorithmique. Pourtant, des initiatives comme EduVibes (tutoriels en fon) montrent que l’innovation contextuelle est possible, mais reste marginalisée par les logiques de plateforme – un point sous-estimé par la théorie.

Ajustements théoriques nécessaires

49Les résultats confirment que les algorithmes reproduisent des biais coloniaux (mépris des savoirs endogènes), mais révèlent aussi que l’agency des acteurs locaux peut infléchir ces dynamiques. Cela exige d’enrichir la théorie par une dimension de résistance algorithmique. On est en situation de tendre vers une théorie décoloniale des TICE (Czerniewicz, 2018). De plus, l’absence de mécanismes correctifs dans les algorithmes (quotas pour les créateurs africains par exemple) rend vaine l’application de la justice distributive aux TICE. La recherche plaide pour un cadre régulatoire panafricain, absent des modèles théoriques actuels. Il convient de parler plût de justice distributive (Rawls, 1971) : un idéal inatteignable sans régulation.

50Au total, les résultats obtenus permettent d'entretenir un dialogue théorie-résultats à double sens. Au titre de ce qui est corroboré, figurent: la reproduction des inégalités par les algorithmes (théories critiques), l’exclusion linguistique (Bourdieu), et l’impact de la fracture numérique (Van Dijk).

51Au titre de ce qui est contesté, il y a le déterminisme des filter bubbles (Pariser) et la passivité des apprenants (théories de l’apprentissage situé), face à l’ingéniosité des acteurs locaux.

52Cette recherche montre que les théories occidentales sous-estiment la capacité d’adaptation des contextes africains. Pour transformer TikTok en levier d’équité, il faut :

• Hybrider les épistémologies : Intégrer les savoirs endogènes (Mavhunga, 2017) dans la conception algorithmique.
  

• Penser une "décolonisation technique" : Co-concevoir des indicateurs de pertinence culturelle (ex : poids des langues locales dans les recommandations).
  

• Valoriser l’innovation frugale comme résistance : Soutenir les initiatives glocales (ex : EduTok Afrique), où l’appropriation locale dépasse l’opposition binaire global/local.

53En définitive, les résultats valident largement les cadres critiques (impérialisme algorithmique, exclusion symbolique), mais ébranlent les approches déterministes (bulles filtrantes, passivité des apprenants). Cette tension invite à repenser les théories des TICE à travers le prisme des épistémologies du Sud : l’éducation numérique inclusive au Bénin exige moins d’universalisme algorithmique et plus de contextualisation radicale, où les savoirs locaux ne sont pas intégrés, mais fondateurs.

Conclusions- perspectives et recommandations

54Cette recherche révèle que l’utilisation de TikTok au Bénin, bien que porteuse d’opportunités éducatives, reproduit et amplifie des inégalités structurelles profondes. Les algorithmes, conçus selon des logiques néolibérales et universalistes, privilégient massivement les contenus ludiques (65 à 75 % des recommandations) et les savoirs scientifiques globaux (77 % des vidéos STIM), reléguant les contenus éducatifs adaptés aux réalités locales à une place marginale. Cette prépondérance du divertissement, couplée à la domination des langues hégémoniques (92 % des vidéos en français/anglais), crée un « bruit algorithmique » qui noie les compétences techniques locales (8 % des contenus) et les langues vernaculaires, pourtant essentielles à l’employabilité dans un marché dominé par l’économie informelle. La fracture numérique aggrave ces disparités : seuls 34 % des zones rurales bénéficient d’une connectivité optimale, contre 82 % en milieu urbain, limitant l’accès aux rares contenus éducatifs disponibles. Pourtant, TikTok reste un levier incontournable pour la jeunesse béninoise, dont 62 % utilise les réseaux sociaux comme source d’apprentissage.

55Enfin, la recherche souligne l’urgence de politiques publiques hybrides, combinant régulation algorithmique, promotion des langues vernaculaires et investissements dans des infrastructures inclusives. Ces mesures, alignées sur les épistémologies du Sud (Santos, 2014), pourraient transformer TikTok en un levier d’éducation décentralisée, à condition de dépasser les logiques de profit pour prioriser l’équité éducative. Des recherches ultérieures devraient explorer l’impact de ces interventions sur l’employabilité, tout en intégrant des méthodologies longitudinales pour mesurer leur pérennité dans des écosystèmes numériques en mutation rapide. L’enjeu est de taille : passer d’un modèle où le ludique écrase l’éducatif, à un écosystème où savoirs locaux et globaux coexistent, pour une jeunesse autonome, connectée et compétente.

56Pour rééquilibrer cette plateforme en faveur du développement, des actions urgentes s’imposent :

• réformer les algorithmes pour valoriser les contenus éducatifs locaux (compétences artisanales, agroalimentaires) et réduire la surreprésentation des vidéos ludiques, en intégrant des indicateurs de qualité pédagogique.
  

• promouvoir l’éducation ludique via des partenariats avec des influenceurs locaux, comme le projet EduVibes, qui a généré 500 000 vues pour des tutoriels de menuiserie en fon.
  

• développer des infrastructures hybrides (radios communautaires, bibliothèques hors ligne) pour diffuser les contenus TikTok certifiés dans les zones mal connectées, inspiré du modèle UNESCO au Niger.
  

• instaurer un cadre régulatoire panafricain certifiant les contenus éducatifs, à l’image de e-Learning Africa en Afrique du Sud, et réguler la publicité ciblant les jeunes.
  

• une co-conception des algorithmes avec des éducateurs et experts africains pour prioriser les contenus adaptés aux réalités locales (intégrer des critères de pertinence culturelle comme les langues vernaculaires par exemple).
  

• coupler la diffusion TikTok avec des plateformes offline, comme l’a testé l’UNESCO au Niger pour diffuser des cours en fulfuldé.
  

• investissements ciblés dans la connectivité rurale (ex. drones Internet au Ghana) et campagnes de littératie numérique.
  

• reconfiguration des critères algorithmiques (valorisation de la qualité pédagogique), formation des utilisateurs aux stratégies de recherche ciblée, et hybridation des formats.
  

• Enfin, cette recherche appelle à une refonte des politiques éducatives intégrant la littératie numérique et la sensibilisation aux usages critiques de TikTok.

Bibliographie

Pour citer ce document

Quelques mots à propos de :  Hippolyte SESSOU

Quelques mots à propos de :  Ratheil HOUNDJI V.