1Les développements récents dans les Technologies de l’Information et de la Communication (TIC) ont transformé la façon dont les individus apprennent. Les TIC ont acquis un rôle de premier plan dans le processus d’apprentissage, tant dans le système éducatif qu’à domicile (Meyers, Erickson & Small, 2013). Internet, en particulier, a mis à disposition un nombre pratiquement illimité de sources d’information. De nombreux travaux de recherche montrent aujourd’hui l’impact positif de cette technologie sur les performances des élèves et étudiants, et donc sur l’accumulation du capital humain (Hanushek, 2003 ; Jaag, 2006 ; Urquiola, 2006 ; Pagania et al., 2016 ; Comi et al., 2017 ; Hu et al., 2018).
2L’usage d’Internet pour la recherche d’informations en rapport avec les études (nommé Internet-étude dans ce travail) est influencé par plusieurs facteurs individuels qui ont été identifiés et analysés en vue de formuler des propositions de politiques publiques allant dans le sens de l’augmentation du nombre d’élèves et étudiants bénéficiant de l’utilisation d’Internet en général, et de l’Internet comme outil d’apprentissage en particulier. Plusieurs études montrent que l’utilisation d’Internet pour rechercher les informations liées aux études varie en fonction des caractéristiques socio-économiques (âge, niveau d’études), mais aussi en fonction du caractère plus ou moins technophile de l’utilisateur : posséder d’autres équipements TIC, à savoir : l’ordinateur, la télévision, les téléphones portables traditionnels, les tablettes et les smartphones (voir par exemple Tamokwé, 2011 ; Bakehe, Fambeu & Tamokwe Piaptie, 2017a, 2017b ; Checchi, Rettore & Girardi, 2019).
3Une limite importante de ces travaux vient du fait qu’ils ignorent l’effet des normes sociales sur la décision d’utiliser ou non Internet dans un cadre scolaire ou universitaire. Ainsi, l’utilisation, par ses pairs, d’Internet pour leurs recherches ou apprentissage, peut inciter un élève à faire de même. Cet effet de conformisme, de mimétisme ou encore d’externalité informationnelle, connu aussi sous le nom d’effet de pairs, peut ainsi contribuer à la propagation d’un usage scolaire ou universitaire d’Internet, dans une salle de classe ou dans une zone géographique donnée. La psychologie sociale a depuis longtemps établi le rôle de l’influence des pairs dans la prise de décision individuelle (Festinger, 1954 ; Deutsch & Gerard, 1955 ; Nolan et al., 2008 ; Schultz et al., 2018). Les recherches en économie comportementale affirment que les choix ne peuvent être entièrement expliqués par des préférences stables et des biais comportementaux, mais que l’environnement social affecte les décisions des agents (Hoff & Stiglitz, 2016 ; Astier, 2018 ; Fatas, Hargreaves Heap & Rojo Arjona, 2018). En outre, les études neuroéconomiques soutiennent le rôle du contexte social dans la formation des préférences (Fehr & Camerer, 2007 ; Mason, Dyer & Norton, 2009).
4Un élève dont une grande partie de son entourage recherche en ligne des informations liées aux études sera incité à son tour à utiliser Internet pour améliorer ses connaissances. Il pourra également bénéficier des conseils et de l’expertise du voisinage dans le choix de meilleures sources d’information. Plusieurs travaux ont mis en évidence l’impact significatif des pairs sur les interactions comportementales des élèves et étudiants (Stinebrickner & Stinebrickner, 2006 ; Ammermueller & Pischke, 2006 ; Issehnane & Sari, 2013). Le multiplicateur social de l’usage scolaire ou universitaire d’Internet permet de mettre en évidence l’importance de ces effets de propagation ou d’amplification. Il peut se définir par le rapport entre l’impact d’un choc commun affectant l’usage d’Internet par les individus en présence d’effets de pairs et l’impact de ce choc en l’absence d’effets de pairs (Glaeser, Sacerdote & Scheinkman, 1996). Ainsi, si le multiplicateur social est égal à 3, cela signifie qu’un choc qui incite un individu à utiliser Internet pour des questions d’apprentissage et de recherche en l’absence d’effets de pairs (effet direct) incitera trois individus à adopter un tel comportement en présence d’effets de pairs (effet direct + effet indirect). Il est donc très important de bien mesurer le multiplicateur social dans l’évaluation des programmes de réduction des inégalités d’accès à l’apprentissage via Internet.
5L’objectif de cette étude est d’analyser le rôle des effets de pairs sur l’utilisation d’Internet au Cameroun pour la recherche d’informations en lien avec les études. L’intérêt de ce travail est double. D’une part, il permet de lutter contre la fracture numérique au Cameroun. En effet, le taux de pénétration d’Internet reste encore très faible au Cameroun. Entre 2006 et 2015, le taux d’utilisateurs d’Internet dans ce pays a seulement augmenté d’un peu plus de 4 points, passant de 2,23 % à 6,4 % (Dutta, Geiger & Lanvin, 2015). Si Ngoulaye et Fouda Ndjodo (2016) notent que l’équipement technologique des écoles se généralise davantage au Cameroun, Béché (2017) montre que le ratio moyen ordinateurs/apprenants reste très faible (0,6 %), ce qui limite considérablement la durée individuelle d’utilisation de l’ordinateur connecté à Internet à l’école. La conséquence est que les actions en faveur de l’appropriation de l’ordinateur connecté se construisent davantage par le bas, autrement dit à travers des stratégies posées par les communautés, les parents et les élèves, que par le haut, soit par le biais de l’État et de ses structures macros (Béché, 2017).
- 1 Les forfaits journaliers d’Internet au Cameroun sont facturés à partir de 100 FCFA (environ 0,15 e (...)
6D’autre part, au Cameroun comme dans l’ensemble des pays d’Afrique subsaharienne, la demande d’éducation est de plus en plus forte, que ce soit au niveau du primaire, du secondaire ou du supérieur, tandis que les ressources humaines et matérielles disponibles pour assurer à cette population une éducation de qualité restent insuffisantes. En effet, selon l’Institut national de la statistique du Cameroun, en 2014, les ratios d’encadrement se situaient à 44 élèves pour un enseignant dans le primaire (ce ratio atteignait 73 élèves pour un enseignant dans certaines régions comme l’Extrême-Nord du Cameroun), à 53 étudiants par enseignants dans le supérieur. Ces chiffres continuent à augmenter d’année en année, ce qui entraîne certainement une baisse de performance des élèves et étudiants. Internet, en rendant le stockage, la diffusion et l’accès à l’information peu coûteux1, peut jouer un rôle important en tant que complément pédagogique dans les pays en développement. En effet, si les enfants manquent de matériel éducatif, l’accès à Internet peut améliorer le développement des compétences scolaires en fournissant un accès à des sites web éducatifs avec un contenu et des exercices spécifiques (par exemple, Khan Academy). De plus, les enfants peuvent accéder à des livres électroniques et à d’autres supports de lecture tels que des journaux, des blogs et des encyclopédies en ligne (par exemple, Wikipédia). Ainsi, ce travail ne s’inscrit pas seulement dans un débat sur les enjeux relatifs à l’adoption d’Internet dans les pays en développement, mais participe aussi à l’amélioration de la qualité de l’éducation qui est énoncée dans les Objectifs de développement durable (ODD). En effet, l’ODD no 4 a pour but d’assurer l’accès de tous à une éducation de qualité, sur un pied d’égalité, et de promouvoir les possibilités d’apprentissage tout au long de la vie.
7L’originalité de cette étude tient au fait qu’elle est la première, à notre connaissance, à déduire les multiplicateurs sociaux associés à l’usage d’Internet pour la recherche d’informations en relation avec les études. Nos résultats indiquent qu’un multiplicateur social existe : tout choc serait amplifié par l’effet boule de neige. En effet, à partir d’un modèle spatial autorégressif, nous trouvons que si l’usage d’Internet-étude par les pairs d’un individu augmente d’une unité, l’usage qu’en fera cet individu augmentera de 0,497 unité.
8Après cette introduction, nous exposons brièvement les mécanismes potentiels qui lient le contexte local des individus à leur usage scolaire/pédagogique d’Internet pour rechercher les informations en ligne au travers, notamment, de l’influence du statut des pairs ou de ceux qu’ils vont considérer comme modèle social (section 2). La troisième section de cet article, quant à elle, pose la définition du groupe de pairs, identifie la source des données et présente les statistiques descriptives ainsi que la stratégie empirique. Les résultats sont discutés dans la quatrième section, qui précède la conclusion.
9Dès les années 1960, des études en sociologie quantitative analysent la question de l’influence du contexte sur le choix des écoles ou la réussite scolaire. Par exemple, à partir d’un échantillon d’élèves en fin d’études secondaires, scolarisés, en 1957, dans les établissements publics de Milwaukee, Sewell et Armer (1966) examinent l’idée selon laquelle le statut socio-économique du quartier influencerait fortement les aspirations scolaires des élèves. Le résultat de leur étude montre que le sens populaire a tendance à surévaluer l’influence du contexte de voisinage sur le développement des aspirations scolaires.
10Selon Wilson (1987), les choix, les valeurs partagées dans un environnement conduisent à une concentration de caractéristiques. Celles-ci vont, en retour, fortement influencer les attitudes, les aspirations et les motivations des individus qui évoluent dans cet environnement. À partir de cette analyse, de nombreuses études en sciences sociales ont essayé de mettre en évidence les mécanismes et les facteurs qui lient le contexte local et la trajectoire des individus (Issehnane & Sari, 2013).
- 2 Voir la revue de littérature de Jencks et Mayer (1990) pour plus de détails sur les mécanismes et (...)
11Selon certains auteurs, les individus seraient influencés par le comportement, le statut de ceux avec qui ils se socialisent ou qu’ils considèrent comme des modèles (voir par exemple Small & Newman 2001 ; Dietz, 2002 ; Sampson, Morenoff & Gannon-Rowley, 2002). On peut mesurer ici l’incidence d’au moins deux groupes de théories différentes : les théories de la contagion qui portent sur l’influence des groupes de pairs comme mécanisme générateur des effets de voisinage et les théories de la socialisation collective, sur le rôle central des modèles que les individus présents dans l’environnement proposent2.
12Les théories de la contagion reposent sur l’idée selon laquelle vivre dans un quartier dont le niveau d’utilisation d’Internet à des fins scolaires est élevé peut être un avantage pour le développement de cette pratique. Cette pratique dépendrait fortement des caractéristiques socioéconomiques ou encore du comportement des étudiants qui entourent un élève en particulier. Dans ces conditions, la concentration d’élèves/étudiants utilisant régulièrement l’Internet pour rechercher des informations en rapport avec les études serait susceptible d’agir positivement sur l’adoption de cette technologie.
13Les théories de la socialisation se basent sur le fait que les adultes peuplant un quartier auraient une influence sur les jeunes qui y résident et qu’ils côtoient. Les membres du voisinage vont alors exercer un contrôle social en aidant notamment les jeunes à intérioriser les normes sociales. Le statut socioéconomique du voisinage, son capital culturel ainsi que ses aspirations impactent le devenir des jeunes (Issehnane & Sari, 2013). De plus, le voisinage agit comme un modèle, si bien que pour un jeune élève, côtoyer des aînés (élèves ou étudiants) n’ayant pas adopté Internet pour la recherche d’informations en relation avec les études ne motiverait pas ou peu ce dernier à en faire également un tel usage.
Dans ce champ de recherche, l’apport des travaux émanant d’économistes s’ouvre avec Manski (1993). L’auteur énonce trois types d’effets qui expliqueraient les raisons pour lesquelles des individus appartenant à un même groupe présentent des comportements semblables. Il propose donc un modèle statique dans lequel il modélise le choix individuel en fonction du comportement du groupe de référence.
14L’effet de pairs endogène correspond à l’influence du comportement (moyen) du groupe de référence sur les choix d’un individu. Un effet endogène positif signifie, par exemple, que toutes choses égales par ailleurs, le comportement moyen de consommation dans un groupe tend à influencer positivement le comportement de consommation d’un individu de ce même groupe. Cet effet peut être causé par des effets d’imitation ou de conformité sociale, ou encore par la transmission d’informations avantageuses sur les prix. L’effet endogène est l’unique phénomène expliquant la présence d’un multiplicateur social. Les effets de pairs contextuels surviennent lorsque les caractéristiques exogènes (moyennes) des pairs ont un impact sur le comportement d’une personne. Il s’agit par exemple de l’effet de l’éducation moyenne, de l’âge moyen, du revenu moyen dans un groupe, etc. Contrairement aux comportements des individus, leurs caractéristiques sont exogènes et n’entraînent donc pas d’effet multiplicateur. Un effet contextuel positif signifie que les comportements d’un individu varient dans le même sens que l’indice socio-économique du groupe auquel il appartient. Les effets corrélés apparaissent quant à eux en présence de caractéristiques similaires inobservées que les personnes d’un même groupe partagent. Les effets corrélés peuvent émerger y compris sans lien de causalité. Deux principales raisons peuvent expliquer l’existence des effets corrélés. D’une part, en raison de l’auto-sélection dans le groupe, les individus ayant des caractéristiques proches peuvent avoir tendance à s’installer dans la même région. D’autre part, il est possible que les individus d’un même groupe subissent des chocs communs. Par exemple, il peut être plus aisé de se procurer un type de bien dans certaines régions que dans d’autres à cause des différences inter-régionales de prix. Les effets corrélés ne sont donc pas liés aux effets de pairs et ne génèrent pas de multiplicateur social.
15Cet article relie deux volets de la littérature sur le quatrième objectif de développement durable (ODD) défini par les Nations Unies. Le premier concerne la littérature touchant aux déterminants de la réduction de la fracture numérique, notamment les travaux sur les déterminants de l’adoption et de l’usage des technologies de l’information et de la communication (TIC) et de l’e-learning (voir par exemple Czerniewicz & Brown, 2009 ; Oyelaran-Oyeyinka & Adeya, 2004 ; Awidi & Cooper, 2015 ; Pénard et al., 2015 ; Bakehe, Fambeu & Tamokwe Piaptie, 2017a ; Asongu, Orim & Nting, 2019 ; Martínez-Domínguez & Fierros-González, 2021). En effet, à partir d’un échantillon de 200 individus travaillant dans dix universités au Kenya et au Nigéria, Oyelaran-Oyeyinka et Adeya (2004) constatent que ceux qui adoptent Internet sont plus jeunes que les non-adoptants. Cependant, ils ne relèvent pas de différence significative entre les hommes et les femmes en matière d’usage d’Internet. Dans le but d’identifier les facteurs qui influencent l’adoption et l’utilisation d’Internet, Pénard et al. (2015) ainsi que Bakehe, Fambeu & Tamokwe Piaptie (2017a) diffusent des enquêtes auprès des individus et ménages camerounais. Leurs résultats prouvent que les utilisateurs d’Internet tendent à être jeunes et de sexe masculin, et qu’ils ont un membre de la famille à l’étranger. La probabilité d’utiliser Internet est également plus élevée pour les individus qui parlent l’anglais.
16Martínez-Domínguez et Fierros-González (2021) examinent les déterminants de l’accès, de l’utilisation et des usages productifs d’Internet pour les enfants en âge d’être scolarisés au Mexique pendant la période de la pandémie de Covid-19. Les résultats obtenus montrent que la probabilité pour les enfants d’avoir accès à Internet dépend du niveau de scolarité, du statut économique, des compétences numériques et du lieu de résidence, ainsi que de la présence d’appareils électroniques dans le ménage. De leur côté, Asongu, Orim et Nting (2019) déterminent les seuils d’inégalité à ne pas dépasser pour que les TIC favorisent l’éducation inclusive dans 42 pays d’Afrique subsaharienne pour la période 2004-2014. Les auteurs montrent qu’un coefficient de Gini et un indice d’Atkinson de respectivement 0,400 et 0,625 sont des seuils d’inégalité de revenus à ne pas dépasser pour que le déploiement d’Internet influence positivement l’éducation inclusive en Afrique.
17Le deuxième volet de la littérature qui nous concerne est le corpus croissant de recherches multidisciplinaires qui étudient l’importance des effets de voisinage sur le comportement des individus en général : offre de travail (Cingano & Rosolia, 2012 ; Baltagi, Deng & Ma, 2018), réussite scolaire et formation du capital humain (Sacerdote 2001 ; Ammermueller & Pischke, 2009 ; List, Momeni & Zenou, 2020), obésité et mauvaises habitudes alimentaires (Trogdon, Nonnemaker & Pais, 2008), fraude fiscale (Fortin, Lacroix & Villeval, 2007) et adoption et usage des TIC (Goolsbee & Klenow, 2002 ; Fambeu & Bakehe, 2015 ; Oukarfi & Bercheq, 2020 ; Bakehe, 2020).
18Goolsbee et Klenow (2002) analysent les effets de pairs sur la diffusion des ordinateurs à domicile à partir des données américaines. À l’aide des estimateurs des moindres carrés ordinaires et des variables instrumentales, ces auteurs montrent que les individus sont enclins à acheter leur premier ordinateur personnel lorsque la majorité de leurs amis ou des membres de leurs familles ont un ordinateur. Utilisant les données camerounaises de 2008, Fambeu et Bakehe (2015) trouvent un multiplicateur social de 4,167 pour l’usage de la communication interpersonnelle en ligne, de 10,204 pour l’usage de la recherche en ligne et de 7,692 pour l’usage du téléchargement en ligne. De son côté, Bakehe (2020) se base sur des données tirées de l’enquête sur les usages des TIC par les ménages et citoyens camerounais en 2015. À partir d’une approche spatiale des moindres carrés généralisés en deux étapes, il met en évidence un multiplicateur social de 12,66. Oukarfi et Bercheq (2020) proposent une étude empirique des déterminants socioéconomiques et géographiques de l’adoption d’Internet et de l’achat en ligne au Maroc. Ils montrent que la localisation ne semble pas influencer l’adoption d’Internet. Cependant, la probabilité d’acheter en ligne augmente pour les personnes habitant dans les petites et grandes villes relativement à celles qui résident dans des villes de dimension moyenne.
Ces études laissent ouverte la question de savoir si les pairs influencent l’usage d’Internet à des fins scolaires ou universitaires. En abordant cette question, notre étude complète la littérature disponible sur les interactions sociales au sein des quartiers.
Nous nous penchons dans un premier temps sur les données mobilisées et les variables construites pour l’analyse. Nous présenterons ensuite quelques statistiques descriptives sur l’échantillon, avant de décrire la méthode retenue pour la partie économétrique.
19Afin de mesurer l’impact des pairs sur l’usage d’Internet pour la recherche d’informations en rapport avec les études, nous mobilisons les données issues d’une enquête sur « les usages des TIC par les citoyens et les ménages » au Cameroun. Cette enquête a été pilotée par le Groupe de recherche en économie théorique et appliquée (Greta) de l’université de Douala, en collaboration avec l’African Economic Research Consortium (AERC) et avec le soutien méthodologique et opérationnel du personnel de l’Institut national de la statistique du Cameroun. L’enquête a été effectuée en 2015 et l’échantillon concerne 2 266 individus âgés de 15 ans et plus et répartis dans les villes de Douala (39,19 % de l’échantillon), Yaoundé (34,47 % de l’échantillon), Bafoussam (10,59 % de l’échantillon), Limbe (7,90 % de l’échantillon) et Buea (7,85 % de l’échantillon). Yaoundé, Douala et Bafoussam sont des villes majoritairement francophones, alors que Buea et Limbe sont majoritairement anglophones.
- 3 ECAM 4 est une enquête stratifiée et tirée à deux degrés. L’unité primaire de sondage est la zone (...)
20Dans la mesure où notre échantillon est fidèlement calqué sur celui de la quatrième version de l’Enquête camerounaise auprès des ménages (ECAM 4)3, réalisée par l’Institut national de la statistique (INS) du ministère de l’Économie, de la Planification et de l’Aménagement du territoire, et soutenue par la Banque mondiale, ces ménages sont représentatifs de la population du Cameroun dans ces villes. L’échantillon est stratifié et tiré à deux degrés, de sorte à ce qu’il soit représentatif à l’échelle du quartier et de la ville. Dans cette enquête, une liste complète des ménages au sein de chaque zone sélectionnée a été élaborée ; un échantillon de ménages a été sélectionné au hasard dans chaque zone et un individu de plus de 15 ans a été sélectionné de manière aléatoire dans chaque ménage.
- 4 Réponse à la question suivante : « Utilisez-vous Internet pour la recherche d’informations en rela (...)
Durant l’entretien, un individu qui déclare avoir utilisé Internet au cours des trois derniers mois précédant l’enquête est également interrogé sur son usage en termes de recherche d’informations en rapport avec ces études4. Nous retenons, dans cette étude, les individus ayant déclaré être élèves ou étudiants durant la période d’enquête, soit 1 753 individus sur 2 266 interrogés. Parmi ces élèves et étudiants, 46 % déclarent avoir déjà utilisé Internet au cours des trois mois précédant l’enquête. Ce pourcentage, par rapport à la moyenne nationale, est dû au fait que l’enquête concerne seulement les grandes villes (les deux métropoles et les chefs-lieux de régions).
- 5 À cause de la quasi-absence de plans d’urbanisme, de nombreux quartiers se sont édifiés d’une mani (...)
- 6 Traditionnellement, on distingue communément deux dimensions de la fracture numérique. La première (...)
21Dans cette étude, nous définissons les pairs comme étant les individus du même quartier (surface de proximité la plus restreinte dont nous disposions dans notre enquête)5. Dans la littérature, les pairs sont communément définis en termes géographiques, car les effets de pairs résultent généralement d’interactions sociales locales, la qualité de l’information diminuant avec la distance (De Marti & Zenou, 2009 ; Topa & Zenou, 2015). Rappelons que cette étude s’intéresse à la fracture numérique de second niveau6 (l’usage d’Internet dans la recherche d’informations en lien avec les études), l’échantillon à étudier est donc composé uniquement des élèves et étudiants qui utilisent déjà Internet (les internautes). Il s’agit du nombre de répondants qui déclarent avoir utilisé Internet pendant les trois derniers mois, soit 807 internautes répartis dans 108 quartiers (dont 43 à Douala, 40 à Yaoundé, 10 à Bafoussam, 9 à Buea et 6 à Limbe).
22Dans notre enquête, la fréquence d’usage de l’Internet-étude est mesurée sur une échelle de quatre points : ceux qui n’ont jamais recherché d’informations en lien avec les études sur Internet ; ceux qui le font moins d’une fois par mois ; ceux qui le font plusieurs fois par mois et ceux qui le font plusieurs fois par semaine. Le tableau 1 fait apparaître la fréquence de l’activité de recherche d’informations en relation avec les études. On observe que sur les 642 internautes recherchant des informations en relation avec leurs études, seuls 357 ont une fréquence d’usage de plus d’une fois par semaine.
Tableau 1. Fréquence de l’activité de recherche d’informations en lien avec les études sur Internet
| Usage de l’Internet en relation avec les études |
Fréquence |
Pourcentage |
Total |
| Jamais |
164 |
20.35 |
20.35 |
| Moins de 1 fois par mois |
76 |
9.42 |
29.86 |
| Plusieurs fois par mois* |
209 |
25.90 |
55.76 |
| Plusieurs fois par semaine |
357 |
44.24 |
100.00 |
| Total |
807 |
100.00 |
|
* Mais moins d’une fois par semaine
Source : enquête réalisée par le Groupe de recherche en économie théorique et appliquée (Greta) de l’université de Douala ; calculs des auteurs
Pour tester l’hypothèse selon laquelle le réseau social influence le comportement de recherche d’informations en lien avec les études, nous créons une variable muette d’usage régulier d’Internet- étude qui prend la valeur 1 si un élève utilise Internet-étude plusieurs fois par semaine ou plusieurs fois par mois, et 0 sinon.
- 7 Voir l’annexe pour plus de détails sur cet indicateur (déjà utilisé par Bacache-Beauvallet, Bounie (...)
23Nous retenons comme variables explicatives les variables sociodémographiques (âge, sexe, niveau d’éducation, type d’école fréquentée, taille du ménage, niveau de revenu du ménage et ville de résidence) ; les variables liées aux TIC : dotation en équipements TIC (ordinateur fixe ou portable, tablette et smartphone), usage diversifié de l’informatique (l’indicateur d’aptitude à utiliser un ordinateur – IORDI7), la facilité perçue de l’usage d’Internet et la perception d’acquisition de performances grâce aux usages d’Internet ; enfin, les variables liées aux problèmes rencontrés lors de l’utilisation d’Internet (piratage des informations).
- 8 1 euro = 655,947 francs CFA.
24Le tableau 2 présente toutes les statistiques de l’échantillon global, celles du groupe utilisant Internet et celles du groupe utilisant régulièrement Internet dans le cadre des études. L’échantillon total est composé de 52,2 % de garçons. Ce pourcentage est plus élevé pour l’usage d’Internet les 3 mois précédant l’enquête (64,93 %) et pour l’usage d’Internet en relation avec les études (66,1 %). Les statistiques sur l’âge indiquent que les internautes ont en moyenne 25 ans. Interrogés sur leur niveau d’éducation, 25,8 % des individus de l’échantillon total sont inscrits au premier cycle du secondaire ; 39,4 % au second cycle du secondaire ; 16,4 % sont en Terminale ou en première année de Licence ; 5,9 % sont en deuxième année de Licence et 12,5 % sont en troisième année de Licence ou plus. En observant les sous-échantillons de ceux qui ont utilisé Internet les trois mois précédant l’enquête et de ceux qui ont adopté Internet pour rechercher des informations en rapport avec leurs études, nous constatons que l’utilisation d’Internet augmente avec le niveau d’études. En ce qui concerne le revenu mensuel du ménage de l’internaute : 47,7 % des ménages s’inscrivent dans la tranche 0 à 100 mille FCFA8 (contre 51,2 % pour l’échantillon global), 37,3 % dans la tranche de 101 à 200 mille FCFA (contre 42 % pour l’échantillon total) et 22,2 % dans la tranche supérieure à 200 mille FCFA (contre 6,8 % pour l’échantillon total). Quant à la ville de résidence, 33,19 % des internautes résident à Douala ; 47,78 % à Yaoundé ; 5,70 % à Bafoussam ; 6,04 % à Buea et 7,29 % à Limbe.
Tableau 2. Statistiques descriptives
|
|
Moyenne |
| Variables |
Définition et codage |
Échantillon total |
Internet 3 derniers mois |
E_Education |
| E_Education |
utilisation d’Internet-étude plusieurs fois par mois et 0 sinon : Non = 0 ; Oui = 1 |
0.460 |
0.442 |
1 |
| Genre |
Femme = 0 ; homme = 1 |
0.522 |
0.649 |
0.661 |
| Âge |
Tranche d’âge (variable continue) |
24.92 |
25.30 |
25.75 |
| 1er cycle du secondaire |
1er cycle du secondaire |
0.258 |
0.215 |
0.079 |
| 2nd cycle du secondaire |
2nd cycle du secondaire |
0.394 |
0.250 |
0.207 |
| Bac + 1 |
Bac + 1 |
0.164 |
0.200 |
0.202 |
| Bac + 2 |
Bac + 2 |
0.059 |
0.105 |
0.134 |
| Bac + 3 et plus |
Bac + 3 et plus |
0.125 |
0.215 |
0.378 |
| Revenu faible |
Revenu faible si le revenu de l’individu est inférieur ou égal à 100.000 FCFA/mois |
0.512 |
0.477 |
0.377 |
| Revenu moyen |
Revenu moyen si le revenu de l’individu est compris entre 101.000 et 200.000 FCFA |
0.420 |
0.373 |
0.288 |
| Revenu élevé |
Revenu élevé si le revenu de l’individu est supérieur à 200.000 FCFA |
0.068 |
0.222 |
0.335 |
| Taille ménage |
Nombre de personnes dans le ménage (variable continue) |
4.686 |
3.576 |
4.639 |
| Ordinateur |
Possession d’un ordinateur : Non = 0 ; Oui = 1 |
0.445 |
0.746 |
0.818 |
| Tablette |
Possession d’une tablette : Non = 0 ; Oui = 1 |
0.147 |
0.279 |
0.303 |
| Smartphone |
Possession d’un smartphone : Non = 0 ; Oui = 1 |
0.282 |
0.501 |
0.543 |
| IORDI |
Indicateur d’aptitude à utiliser un ordinateur (voir annexe 1) |
3.328 |
5.798 |
6.703 |
| Piratage |
Être victime du piratage d’informations personnelles (mots de passe par exemple) : oui = 1 ; non = 0 |
0.627 |
0.827 |
0.821 |
| Trop facile à utiliser |
Facilité d’utilisation perçue (Trop facile) : Non = 0 ; Oui = 1 |
0.546 |
0.266 |
0.177 |
| Pas du tout |
L’individu pense qu’Internet n’améliore pas du tout les performances scolaires : Non = 0 ; Oui = 1 |
0.214 |
0.103 |
0.039 |
| Un peu |
L’individu pense qu’Internet améliore un peu les performances scolaires : Non = 0 ; Oui = 1 |
0.221 |
0.161 |
0.137 |
| Beaucoup |
L’individu pense qu’Internet améliore beaucoup les performances scolaires : Non = 0 ; Oui = 1 |
0.565 |
0.736 |
0.824 |
| Public |
L’élève/étudiant fréquente un établissement public : Non = 0 ; Oui = 1 |
0.77 |
0.70 |
0.104 |
| Métropole |
L’individu vit à Douala ou à Yaoundé : Non = 0 ; Oui = 1 |
0.743 |
0.843 |
0.824 |
Source : enquête réalisée par le Groupe de recherche en économie théorique et appliquée (Greta) de l’université de Douala ; calculs des auteurs
25Pour estimer les effets de pairs, la démarche consiste à vérifier si les internautes d’un quartier utilisant l’Internet pour étudier agissent de la même façon. S’il y a présence d’effets multiplicateurs, on s’attend à observer des concentrations de recherche d’informations en lien avec les études sur Internet. Si dans chaque quartier plusieurs internautes pratiquent une activité en ligne, ils peuvent encourager les autres à en faire autant grâce à une relation d’apprentissage. L’analyse économétrique mettra ou non en évidence l’existence de ces effets de pairs.
Pour tester l’hypothèse selon laquelle le réseau social influence le comportement de recherche d’informations en relation avec les études, nous créons une variable muette d’usage régulier d’Internet-études qui prend la valeur 1 si un élève utilise Internet-étude plusieurs fois par semaine ou plusieurs fois par mois, et 0 sinon.
- 9 Nous utilisons le terme « étudiant » pour désigner les individus inscrits dans un cycle d’enseigne (...)
26La matrice de poids spatial est spécifiée sur la base du réseau de l’élève ou étudiant. Ce réseau est défini comme l’ensemble des personnes vivant dans le même quartier que l’élève ou étudiant9. Nous supposons que chaque étudiant est affecté de manière égale par tous les autres étudiants de son quartier. Par conséquent, nous supposons que chaque étudiant d’un même réseau connaît un poids d’influence identique à celui des autres, qui est l’inverse du nombre d’étudiants dans le réseau. Par exemple, si 20 étudiants utilisent Internet plusieurs fois par mois ou par semaine pour rechercher des informations en lien avec leurs études dans un quartier, alors le réseau de chaque étudiant de ce quartier est composé de 19 individus et chaque personne se voit attribuer un poids de 1/19 de manière à satisfaire la condition de normalisation des rangées de la matrice spatiale. Par conséquent, la variable dépendante spatiale décalée est la moyenne pondérée de la décision d’utiliser fréquemment Internet-étude de ces 19 individus appartenant à un même réseau avec un même poids de 1/19. Les autres élèves et étudiants de l’échantillon qui n’appartiennent pas au réseau se voient attribuer un poids nul. Ainsi, en utilisant cette matrice de pondération spatiale, nous estimons un modèle spatial autorégressif (Spatial AutoRegressive Linear Probability Model) ou SAR probit, inspiré des travaux de Baltagi, Deng et Ma (2018). Ces derniers utilisent ces modèles pour analyser les effets du réseau sur la probabilité de signer des contrats de travail pour des migrants internes en Chine.
Notre modèle de probabilité linéaire SAR s’écrit de la manière suivante :
L’indice is représente l’individu i dans le réseau s qui se compose de Ns étudiants. Il y a un nombre total de n étudiants, qui peuvent être répartis dans n0 réseaux. Internet_étudeis est une variable binaire d’usage régulier d’Internet-études (Internet_étudeis = 1) ou non régulier (Internet_étudeis = 0).
27La variable dépendante spatiale décalée
est une moyenne pondérée des décisions d’utiliser régulièrement ou non Internet pour les études de tous les autres étudiants du même réseau s que l’étudiant i. En tant qu’élément typique d’une matrice de poids spatiale prédéterminée, 
se rapporte à l’étudiant i du réseau s et à l’étudiant j du réseau r, respectivement. Nous attribuons un poids positif à 
si les étudiants i et j sont dans le même réseau, et zéro sinon. Plus précisément, nous définissons :
si i ≠ j et
si s ≠ r.
En outre, les éléments diagonaux de la matrice spatiale sont égaux à zéro, c’est-à-dire 
W est donc une matrice diagonale en bloc, et la somme de chaque ligne est normalisée à 1 : 
= 
pour 
.
Le coefficient λ capte les effets de réseau sur la probabilité d’utiliser régulièrement Internet pour la recherche d’informations en lien avec les études.
29𝛽 est un vecteur 
de coefficients de ces régresseurs exogènes.
30Comme chaque étudiant n’appartient qu’à un seul quartier, il n’y a pas de chevauchement dans le réseau de quartiers et l’indice s, qui indique le réseau, peut être supprimé pour simplifier la notation. Ainsi, l’équation (1) peut être simplifiée comme suit :
31Comme les probabilités prédites dans le modèle de probabilité linéaire SAR ne sont pas toujours comprises entre 0 et 1, nous adoptons un modèle logit SAR qui pourrait mieux s’adapter à la nature binaire de la variable dépendante et toujours fournir des prédictions de probabilité significatives. Cependant, la transformation non linéaire d’un modèle logit rend la procédure d’estimation plus complexe, car l’estimation typique du maximum de vraisemblance implique souvent n intégrales dans la fonction de vraisemblance, ce qui peut être lourd lorsque la taille de l’échantillon est importante (Baltagi, Deng & Ma, 2018). Plusieurs approches ont été proposées pour produire des estimations cohérentes pour le modèle SAR avec une variable dépendante limitée. McMillen (1992) propose un algorithme d’espérance-maximisation pour estimer les coefficients du modèle probit spatial. Pinkse et Slade (1998) fournissent les conditions d’utilisation de l’estimation par les méthodes des moments généralisés pour le modèle probit spatial. LeSage (2000) propose des approches de simulation bayésienne pour les modèles SAR. Cependant, Baltagi, Deng et Ma (2018) indiquent que l’intensité de calcul de ces estimateurs dépend fortement de la taille de l’échantillon n, puisqu’il nécessite l’inversion d’une matrice n x n, ce qui rend difficile l’application des approches d’estimation mentionnées ci-dessus.
- 11 Voir Klier et McMillen (2008) pour une discussion détaillée des propriétés de l’estimation LGMM en (...)
Nous estimons le modèle logit SAR en utilisant une version linéarisée de la méthode des moments généralisés (LGMM) suggérée par Klier et McMillen (2008), qui est particulièrement conçue pour les grands échantillons. L’avantage de la méthode LGMM est qu’elle ne nécessite que l’estimation logit standard et les doubles moindres carrés11.
- 12 Voir Van De Ven et Van Praag (1981) pour une présentation détaillée.
32Il faut d’abord observer qu’il existe un lien entre l’adoption d’Internet et l’usage de cette technologie pour la recherche d’informations en rapport avec les études, puisque l’usage d’Internet est observé si et seulement si l’étudiant est internaute. Ainsi, alors que l’adoption concerne tous les étudiants enquêtés, la recherche d’informations liées aux études ne concerne que ceux qui déclarent avoir adopté l’Internet. De ce point de vue, le modèle des usages en ligne qui ne concerne que les « internautes » peut présenter un biais de sélection. Pour résoudre ce problème, nous avons recours à une méthode économétrique proche de la méthode de sélection à la Heckman (1979). Cette méthode consiste dans un premier temps à estimer un modèle probit sur le choix d’adopter Internet (sur l’ensemble de l’échantillon), puis à calculer, pour chacun des étudiants internautes, l’inverse du ratio de Mills, qui correspond à la fonction de densité normale divisée par la fonction de répartition normale. Ce dernier est ensuite introduit dans le modèle d’usage d’Internet pour la recherche d’informations en relation avec les études en ligne comme variable explicative12. Le coefficient estimé ρ, associé à l’inverse du ratio de Mills, mesure alors la corrélation des erreurs entre le modèle d’adoption d’Internet et le modèle d’usage de l’Internet-étude. Lorsque ce coefficient est significativement différent de zéro, on peut conclure à l’existence d’un biais de sélection.
- 13 Les résultats des estimations du premier modèle (modèle d’adoption) sont présentés en annexe (voir (...)
33Nos résultats révèlent que le coefficient ρ (associé à l’inverse du ratio de Mills) est significativement positif, confirmant l’existence d’un biais de sélection. Le signe positif de ρ peut s’interpréter de la manière suivante : les caractéristiques inobservées qui influencent positivement la probabilité d’adopter Internet agissent aussi positivement sur la probabilité d’utiliser Internet à des fins scolaires ou universitaires13. On constate par ailleurs que la correction du biais de sélection modifie la significativité de quelques variables explicatives (taille du ménage, revenu).
34Le coefficient non significatif associé à la variable du genre montre qu’il n’y a pas de différence significative entre les garçons et les filles en ce qui concerne l’usage de l’Internet-étude. Il en est de même pour la variable âge. S’agissant de la contrainte budgétaire, les résultats révèlent que le revenu mensuel du ménage est un facteur discriminant dans l’usage de l’Internet-étude. Les étudiants dont le revenu mensuel du ménage est élevé ont plus de chance d’utiliser l’Internet pour rechercher des informations en relation avec leurs études. De façon générale, l’utilisation d’Internet a un prix qui n’est pas, la plupart du temps, supportable par les ménages pauvres qui considèrent ces outils comme biens de luxe. Il apparaît aussi que les individus vivant dans les métropoles ont une probabilité plus élevée d’utiliser l’Internet-étude. Ce résultat peut être interprété sous l’angle des effets d’offre d’infrastructures (plus grande disponibilité d’offre dans les métropoles). Sans surprise, le niveau d’études reste un élément incontournable pour la recherche d’informations en rapport avec les études. En effet, les résultats du modèle montrent que l’usage de l’Internet-étude augmente avec le niveau d’éducation des individus. En revanche, le type d’école fréquenté (école publique/école privée) n’a pas d’effet significatif sur l’usage de l’Internet-étude. En ce qui concerne les équipements TIC, seule la possession d’une tablette ou d’un smartphone influence positivement l’adoption de l’Internet-étude. Ce résultat témoigne bien de l’importance des dispositifs mobiles. Le signe positif et significatif associé à la variable IORDI indique que posséder des compétences dans l’usage du numérique améliore la probabilité d’adopter l’Internet-étude. Enfin, le fait d’estimer que l’Internet améliore les résultats académiques a un impact positif sur l’usage de l’Internet-étude au Cameroun. Ces résultats confirment ceux déjà mis en évidence par Fambeu et Bakehe (2015) ainsi que Bakehe, Fambeu et Tamokwe Piaptie (2017b).
Tableau 3. Résultats de l’estimation
|
Modèle sans correction du biais de sélection |
Modèle avec correction du biais de sélection |
| EFFET ENDOGÈNE |
0.601*** (0.13) |
0.497*** (0.11) |
| EFFETS INDIVIDUELS |
|
|
| Homme |
-0.050 (0.04) |
-0.048 (0.04) |
| Âge |
0.002 (0.00) |
0.001 (0.00) |
| Éducation Variable de référence : 1er cycle du secondaire |
|
|
| 2nd cycle du secondaire |
0.076 (0.06) |
0.063 (0.06) |
| Bac + 1 |
0.050 (0.06) |
0.039 (0.06) |
| Bac + 2 |
0.127* (0.07) |
0.115* (0.07) |
| Bac + 3 et plus |
0.132** (0.06) |
0.124** (0.06) |
| Revenu Variable de référence : revenu faible |
|
|
| Revenu moyen |
0.015 (0.05) |
0.017 (0.05) |
| Revenu élevé |
0.063 (0.06) |
0.103* (0.06) |
| Taille ménage |
0.005* (0.00) |
0.006 (0.00) |
| Ordinateur |
0.007 (0.04) |
0.005 (0.04) |
| Tablet |
0.007* (0.04) |
0.018* (0.04) |
| Smartphone |
0.043* (0.03) |
0.052* (0.03) |
| IORDI |
0.036*** (0.01) |
0.039*** (0.01) |
| Piratage |
0.010 (0.04) |
0.043 (0.04) |
| Public |
0.020 (0.06) |
0.023 (0.06) |
| Métropole |
0.055* (0.05) |
0.037* (0.06) |
| Trop facile à utiliser |
0.097** (0.05) |
0.088* (0.05) |
| Amélioration de la performance Variable de référence : Pas du tout |
|
|
| Un peu |
0.253*** (0.07) |
0.266*** (0.06) |
| Beaucoup |
0.246*** (0.06) |
0.257*** (0.06) |
| Constante |
-0.493*** (0.15) |
-0.395* (0.21) |
| ρ |
|
0.042* (0.03) |
| Nombre d’observations |
807 |
807 |
| R2 |
0.53 |
0.55 |
Note : *** Significatif au seuil de 0,01. ** Significatif au seuil de 0,05. * Significatif au seuil de 0,1. Écarts-types entre parenthèses.
Source : enquête réalisée par le Groupe de recherche en économie théorique et appliquée (Greta) de l’université de Douala ; calculs des auteurs
35Le tableau 3 présente les résultats de l’estimation avec et sans biais de sélection. Les modèles spatiaux autorégressifs (avec et sans correction du biais de sélection) montrent tous deux des effets positivement significatifs du terme dépendant spatial décalé. Cela implique que la probabilité pour un étudiant d’utiliser Internet pour la recherche d’informations en lien avec ses études augmente proportionnellement au choix, fait par les autres étudiants de son réseau, d’adopter cette pratique. Si nous prenons la deuxième colonne (modèle avec correction du biais de sélection) comme modèle de base, le résultat suggère que le fait qu’un étudiant supplémentaire utilise Internet-étude dans le quartier augmente la probabilité que l’étudiant ciblé adopte cette pratique d’environ 49 points. Le multiplicateur social associé à cet effet endogène est ainsi de 1,91 [= 1/(1 – 0,497)]. Ceci signifie qu’un choc qui incite deux étudiants internautes à faire davantage de recherches en ligne en l’absence d’effet de pairs (effet direct) incitera au moins trois autres étudiants internautes à adopter un tel comportement en présence d’effets de pairs. Il est donc d’une importance capitale de bien mesurer le multiplicateur social dans l’évaluation des programmes de lutte contre la fracture numérique, car un gouvernement pourrait réussir à réduire la fracture d’usage d’Internet-étude en mettant en place une initiative qui ne ciblerait qu’un nombre restreint d’étudiants. Pour éviter les questions éthiques liées à une politique publique ne visant que certains étudiants au sein d’écoles ou de quartiers, il serait préférable de cibler les aînés de chaque ménage, lesquels pourraient entraîner leurs cadets. Par ailleurs, le revenu restant un déterminant essentiel, les pouvoirs publics doivent mettre en place des mécanismes pour réduire la fracture numérique du premier niveau et empêcher que l’effet de diffusion ne se fasse qu’en direction de ceux qui peuvent accéder à la technologie. L’impact de cette initiative, par contagion au sein d’un réseau social, pourrait ensuite s’étendre au-delà de la population directement touchée par la mesure. Les effets d’imitation, de conformité, de transmission d’informations et de concurrence qui se manifestent au niveau local peuvent aussi expliquer une plus grande concentration des comportements dans certaines régions (Glaeser, Sacerdote & Scheinkman, 1996 ; Helsley & Zenou, 2014 ; Fambeu & Bakehe, 2015 ; Patacchini & Zenou, 2016 ; Jackson, Rogers & Zenou, 2017 ; Patachini, Rainone & Zenou, 2017 ; Eguia, 2017 ; Cohen-Cole, Liu & Zenou, 2018 ; Bakehe, 2020).
En omettant de considérer les effets de pairs, l’impact réel des différentes politiques publiques de promotion de l’usage d’Internet-étude est susceptible d’être sous-estimé. Cette conclusion a des conséquences importantes sur l’impact des politiques publiques visant à réduire la fracture numérique.
36Les résultats précédents ont montré l’influence des pairs sur l’usage d’Internet en lien avec les études. On peut se demander si cette relation est linéaire ou pas et/ou s’il elle se caractérise par des seuils. Selon certains auteurs, des effets de pairs sur le comportement des individus se caractérisent par une dimension non linéaire ou par un effet de seuil (voir par exemple Galster 2008 ; Issehnane & Sari 2013 ; Galster al. 2015 ; Solignac & To, 2016). L’ampleur de l’influence exercée par le comportement des groupes sociaux est susceptible de ne devenir effective que si la fréquence de ce comportement atteint une densité critique dans la zone de référence. Pour être effectivement adopté, ce comportement doit être suffisamment répandu autour de l’individu. Il est ainsi possible que l’influence du voisinage ne soit effective que si le nombre d’individus ayant adopté l’Internet-étude est suffisamment élevé. Il est aussi possible qu’au-delà d’un certain seuil, l’influence des pairs reste la même.
Afin de tester ces hypothèses, nous regardons ce qu’il se passe dans les groupes où un maximum de 20 %, 30 %, 40 %, 50 %, 60 %, 70 % et 80 % des étudiants ont adopté l’Internet-étude. Cela nous permet d’avoir une estimation de l’endroit où les effets de seuil se produisent, le cas échéant.
- 14 Les résultats de toutes les estimations sont disponibles auprès des auteurs.
37La synthèse des différentes estimations est présentée dans le tableau 414. Nos résultats soutiennent que l’effet de voisinage agit sur l’adoption de l’Internet-étude à partir d’un certain seuil. Le tableau 4 montre notamment que le pourcentage de voisins utilisant Internet pour la recherche d’ informations en lien avec les études doit atteindre un seuil (30 %) avant que l’influence des pairs ne devienne statistiquement significative. Par ailleurs, nous mettons en évidence une non-linéarité et un effet de seuil dans ces effets de contexte endogènes. En effet, les résultats montrent que les effets de pairs ne sont plus significatifs lorsqu’au moins 70 % des étudiants vivant dans le même quartier utilisent l’Internet pour la recherche d’informations en rapport avec leurs études.
Tableau 4. Effet du conformisme sur la recherche d’informations en lien avec les études sur Internet (tests de différents seuils)
|
Modèle sans correction du biais de sélection |
Modèle avec correction du biais de sélection |
| 20 pour cent |
0.239 (0.22) |
0.186 (0.12) |
| 30 pour cent |
0.160* (0.05) |
0.302* (0.10) |
| 40 pour cent |
0.417** (0.10) |
0.321** (0.09) |
| 50 pour cent |
0.127** (0.07) |
0.115** (0.07) |
| 60 pour cent |
0.132** (0.06) |
0.124** (0.06) |
| 70 pour cent |
0.245 (0.07) |
0.234 (0.06) |
| 80 pour cent |
0.246 (0.06) |
0.221 (0.06) |
Note : synthèse des résultats des estimations. *** Significatif au seuil de 0,01. ** Significatif au seuil de 0,05. * Significatif au seuil de 0,1. Écarts-types entre parenthèses.
Source : enquête réalisée par le Groupe de recherche en économie théorique et appliquée (Greta) de l’université de Douala ; calculs des auteurs
38Au moyen des données fournies par une enquête réalisée sur les usages des TIC par les citoyens camerounais en 2015, nous avons estimé l’impact de pairs sur l’usage d’Internet pour la recherche d’informations en lien avec les études. L’effet de pairs endogène mesure l’impact de l’usage d’Internet par les pairs d’un individu sur sa décision d’adopter cet usage. Cet effet peut provenir d’un comportement de conformité sociale, d’une transmission d’informations ou encore de conseils pratiques.
39Nos résultats montrent un effet de pairs endogène significatif, ce qui peut être à la source d’un multiplicateur social. Celui-ci vient amplifier l’impact direct d’un choc qui stimule l’usage d’Internet pour la recherche d’informations en lien avec les études. La mise en œuvre d’une politique de réduction de la fracture numérique axée sur le rôle clé de certains acteurs au sein des réseaux entraînerait une réduction drastique des coûts en tirant parti des effets multiplicateurs. Par ailleurs, les résultats mettent en évidence une non-linéarité et un effet de seuil dans ces effets de contexte endogènes. L’impact estimé des caractéristiques individuelles dans l’usage de l’Internet-étude est globalement compatible avec les prédictions de la théorie traditionnelle. Le profil type de l’internaute-étude au Cameroun est un individu vivant dans une métropole, avec un caractère technophile et un niveau d’études élevé. Ces caractéristiques individuelles avaient déjà été mises en évidence dans les études précédentes (voir par exemple Fambeu & Bakehe, 2015 ; Bakehe, Fambeu & Tamokwe Piaptie, 2017a ; Bakehe, Fambeu & Tamokwe Piaptie, 2017b).
40Ces résultats permettent d’avancer quelques recommandations pour, d’une part, optimiser l’utilisation d’Internet comme outil de recherche d’informations en lien avec les études ; et d’autre part, réduire les expériences négatives d’utilisation d’Internet-étude qui pourraient se traduire par la diminution de cet usage dans l’entourage des individus concernés. Tout d’abord, il faut mettre en place des politiques efficaces pour promouvoir et faciliter l’accès à Internet. Ensuite, il faut former la population à l’utilisation d’Internet et à la recherche d’informations dès l’école primaire. Enfin, il est important de proposer aux internautes une offre de sites et de blogs de confiance et de qualité, adaptée aux programmes scolaires et académiques. Étant donné que le multiplicateur social est positif, il aura comme effet d’amplifier les effets de ces politiques publiques.
41Cet article présente des limites qui pourraient être dépassées dans d’éventuels travaux ultérieurs. En effet, aucune variable ne précise le type d’informations en lien avec les études pris en compte ni la filière de l’élève/étudiant en question. Au lieu de traiter seulement de la recherche d’informations en rapport avec les études dans sa globalité, l’un des prolongements de ce travail pourrait être de caractériser plus précisément la thématique de recherche, les sites d’informations utilisés et les types d’usages. Malheureusement, nous ne pouvons pas résoudre ce problème avec les données dont nous disposons.
est un vecteur 
de caractéristiques exogènes de l’étudiant i. Il s’agit notamment des éléments suivants :variables sociodémographiques (âge, sexe, niveau d’éducation, type d’école fréquenté, taille du ménage, niveau de revenu du ménage et ville de résidence) ; variables liées aux T
est une erreur indépendante de moyenne 0 et de variance
.
Flux RSS
