🧭 EleveAI — Architecture du tuteur pédagogique

Développement d’un tuteur IA pédagogique responsable

EleveAI développe un tuteur pédagogique adaptatif destiné à accompagner les élèves dans leur progression. Le système est conçu pour rester explicable, contrôlable et améliorable.

L’architecture du tutor s’inspire des principes de la norme ISO/IEC 42001 : gestion des risques, supervision humaine, traçabilité des décisions et amélioration continue.

Principes de conception

Le tutor EleveAI repose sur plusieurs principes fondamentaux :

  • séparation entre données pédagogiques et moteur décisionnel
  • progression basée sur des micro-compétences
  • décisions prises par un moteur déterministe explicable
  • possibilité de retour automatique vers les prérequis
  • système conçu pour être testable et auditable

Architecture du tuteur

Le tutor fonctionne comme une chaîne de décision pédagogique.


Base de connaissances
(notions + micro-compétences)
            ↓
Graphe de compétences
(prérequis pédagogiques)
            ↓
Matrice pédagogique
(force des relations entre compétences)
            ↓
Banque de questions
(questions + templates)
            ↓
Tutor Engine
 - évalue la réponse
 - met à jour la maîtrise
 - sélectionne la prochaine question
            ↓
Élève
            ↓
Nouvelle interaction

Cette architecture permet de maintenir un système transparent et robuste.

Exemple simplifié de matrice pédagogique

Une matrice permet de représenter les dépendances entre compétences.


                   dec_cmp   frac_cmp   frac_qty   prop_unit
decimal_compare        0        -2         0         0
fraction_compare      +2         0         0         0
fraction_quantity      0        +2         0        -2
prop_unit              0         0        +2         0

Valeur positive → retour vers un prérequis

Valeur négative → progression vers une compétence plus avancée

Modes pédagogiques du tuteur

Mode évaluation

Le tutor mesure la maîtrise d’une micro-compétence en proposant des questions ciblées.

Mode coaching

Après plusieurs erreurs, le moteur revient vers une compétence parent et simplifie la tâche.

Gestion des risques IA

Plusieurs garde-fous sont intégrés dans la conception.

  • supervision humaine dans la conception pédagogique
  • contrôle des réponses générées par IA
  • blocage des solutions données trop directement
  • traçabilité des décisions importantes
  • amélioration continue du système
Dernière mise à jour : 03/04/2026