Comment Ask FizziQ a été conçu pour dialoguer avec les élèves ?

Concevoir un assistant virtuel pour les collégiens et les lycéens ne consiste pas simplement à intégrer une intelligence artificielle performante. Il s’agit avant tout de répondre à des exigences pédagogiques et éthiques fortes : respecter le RGPD, garantir la sécurité des échanges et encourager l’autonomie des élèves sans jamais faire à leur place. L’objectif est clair : aider les élèves à réfléchir, pas réfléchir pour eux.

C’est dans cet esprit que nous avons développé Ask FizziQ, intégré à la prochaine version FizziQ Anthracite. Cet assistant, dédié à l’apprentissage des sciences, combine deux approches souvent perçues comme opposées : les chatbots traditionnels et les IA génératives.

Les chatbots, fondés sur des bases de données structurées, offrent des réponses précises, cadrées et alignées sur les référentiels pédagogiques. Leur fiabilité est un atout, mais leur rigidité peut limiter l’interaction. À l’inverse, les IA génératives, comme ChatGPT, s’adaptent au langage naturel, comprennent des formulations incomplètes et produisent des réponses riches, argumentées et engageantes. Leur spontanéité peut cependant les conduire à sortir du cadre prévu — un risque à encadrer en milieu éducatif.

Pour tirer parti du meilleur de ces deux mondes, nous avons mis en place une méthode en quatre étapes, alliant robustesse, contextualisation et souplesse linguistique.

La première étape, essentielle dans l’interaction avec les élèves, est le filtrage sémantique. Lorsqu’un élève saisit une requête, seuls les mots liés au champ scientifique sont conservés. Sont également exclus les éléments potentiellement personnels, comme les numéros de téléphone, les adresses email ou les dates précises. Ce traitement, effectué localement, anonymise la requête tout en en préservant le sens général. Les IA génératives étant capables d’interpréter des phrases incomplètes, cette étape garantit à la fois confidentialité et clarté. La requête peut alors être transmise en toute sécurité à un moteur d’embedding ou à un modèle d’IA.

La deuxième étape est la détection de l’intention. Un algorithme d’embedding sémantique analyse la requête pour identifier ce que l’élève cherche à faire : analyser un compte-rendu d’expérience, comprendre une fonctionnalité de l’application ou approfondir un concept scientifique. Cette étape permet d’adapter finement la suite du traitement, tant dans le choix des ressources que dans le ton de la réponse.

La troisième étape est celle de l’enrichissement contextuel, via la méthode RAG (Retrieval-Augmented Generation). Selon l’intention détectée, les documents les plus pertinents sont extraits d’un corpus pédagogique structuré. Chaque type d’intention dispose de sa propre base documentaire, garantissant des réponses scientifiquement solides, pédagogiquement adaptées et contextualisées.

Enfin, la quatrième étape est la génération de la réponse. La requête enrichie est transmise à une IA générative, accompagnée d’un prompt construit spécifiquement selon l’intention identifiée. Ce prompt structure la réponse pour qu’elle soit claire, accessible et adaptée au niveau de l’élève. Selon les cas, la réponse peut être directe ou proposer un guidage progressif, dans une logique de soutien à l’autonomie.

Chaque assistant virtuel repose sur une technologie spécifique, souvent opaque — y compris pour ses concepteurs. Dans le contexte éducatif, il est essentiel que cette technologie soit transparente, afin que les enseignants puissent l’évaluer, l’adapter et en faire un véritable levier pédagogique. Un assistant destiné à l’éducation engage, de fait, le futur des élèves.

Le processus que nous avons conçu pour Ask FizziQ, bien adapté aux sciences, est entièrement transposable à d’autres disciplines. Son principal atout : il a été pensé pour être personnalisable par l’enseignant, afin de s’aligner avec sa pédagogie. Une évolution essentielle, car l’enseignant doit rester au cœur du processus d’apprentissage.