Un état vide clair guide l’étudiant vers sa première action utile.
Rôle
Product Designer
Le projet
Aperçu du projet
Calibrate est un concept d’application d’apprentissage assistée par l’IA, conçu autour d’un constat simple : reconnaître une information ne signifie pas être capable de l’expliquer.
À partir de notes importées, l’application génère des fiches de révision modifiables et reliées à leurs sources. Avant chaque réponse, l’étudiant évalue son niveau de confiance, puis explique le concept de mémoire. L’IA analyse son explication, lui fournit un retour directement lié à sa réponse et identifie les notions à revoir.
L’hypothèse centrale du produit est que comparer la confiance perçue à la qualité réelle de l’explication permet de repérer une fausse maîtrise et de rendre les révisions plus ciblées.
Problème
Les étudiants peuvent avoir l’impression de maîtriser un concept sans être capables de l’expliquer sans aide. Pourtant, de nombreux outils d’apprentissage privilégient la répétition et la reconnaissance, sans réellement révéler la qualité du raisonnement ni les notions encore mal comprises.
Objectif
Concevoir une expérience d’apprentissage mobile qui aide les étudiants à tester leur compréhension, à identifier pourquoi une explication est incomplète et à savoir précisément quoi réviser ensuite.
Mon rôle
J’ai défini le concept produit, conçu la boucle d’apprentissage principale, structuré l’expérience mobile et exploré comment rendre les retours générés par l’IA compréhensibles, traçables et directement reliés aux contenus importés.
Périmètre
Cadrage produit, synthèse de recherches en sciences de l’apprentissage, parcours utilisateurs, wireframes, conception des interactions avec l’IA, design d’interface, prototypage et exploration visuelle.
Définir le produit
Cadrage produit
Utilisateur cible
Étudiants de l’enseignement supérieur suivant des matières dans lesquelles comprendre les mécanismes et les liens entre les concepts compte davantage que mémoriser des définitions isolées.
Besoin principal
M’aider à repérer ce que je ne sais pas encore expliquer et à identifier les notions à prioriser lors de ma prochaine session de révision.
Périmètre du MVP
Importer des supports de cours, générer des cartes modifiables reliées à leurs sources, recueillir le niveau de confiance, permettre une réponse libre, fournir un feedback traçable, attribuer un état de maîtrise et recommander les prochaines cartes à réviser.
Principaux risques produit
Évaluation de l’IA imprécise, retours formulés avec un niveau de certitude excessif, confidentialité des contenus importés et surcharge cognitive pendant la révision.
Comprendre le problème
Principes d’apprentissage issus de la recherche
Pour cadrer le concept, j’ai synthétisé plusieurs principes issus des sciences de l’apprentissage : le rappel actif, la récupération en mémoire, l’auto-explication et la calibration de la confiance.
Cette phase a servi à formuler des hypothèses produit, et non à présenter des effets d’apprentissage comme scientifiquement validés. L’hypothèse centrale était la suivante : une exposition répétée ne suffit pas. Les étudiants doivent confronter ce qu’ils pensent savoir à ce qu’ils sont réellement capables de restituer et d’expliquer.
Trois hypothèses de conception
La familiarité peut créer une illusion de maîtrise
Revoir des contenus familiers peut renforcer la confiance sans pour autant démontrer que le concept peut être restitué de manière autonome.
Décision de conception
Demander à l’étudiant d’expliquer le concept avant d’afficher la source ou les éléments attendus.
Une évaluation binaire ne suffit pas
Un simple résultat juste ou faux ne permet pas d’identifier quelles parties d’une explication sont correctes, imprécises, incomplètes ou absentes.
Décision de conception
Relier chaque retour à des passages précis de la réponse de l’étudiant.
Prioriser la prochaine session de révision
Savoir qu’une carte a été difficile ne suffit pas à déterminer précisément quoi revoir ni quand le revoir.
Décision de conception
Transformer chaque réponse en un état de maîtrise qui détermine les prochaines cartes à réviser.
Profils comportementaux d’apprentissage
Plutôt que de créer des personas fondés sur des critères démographiques, je me suis concentré sur les comportements d’apprentissage.
L’objectif était de comprendre comment les étudiants révisent, à quel moment apparaît la fausse confiance et quels types de retours les aident à progresser.
Audit concurrentiel
J’ai analysé les applications de révision et d’apprentissage les plus courantes afin de comprendre comment elles favorisent la répétition, la reconnaissance et l’engagement.
L’audit a montré que la plupart des outils encouragent des révisions plus fréquentes, mais évaluent mal la capacité des étudiants à expliquer un concept de manière autonome.
La plupart des outils aident les apprenants à réviser plus souvent, mais peu d'entre eux révèlent s'ils peuvent expliquer un concept sans soutien.
Cette lacune a façonné la boucle principale de Calibrate : confiance, rappel libre, feedback explicable et priorité de révision.
De la reconnaissance à la compréhension réelle
Logique produit
L’idée fondamentale de Calibrate est que la compréhension ne peut pas être évaluée à partir de la seule reconnaissance.
Un étudiant peut reconnaître un concept tout en étant incapable de l’expliquer sans aide.
Calibrate transforme chaque fiche de révision en une boucle de calibration : l’étudiant évalue sa confiance, formule une explication et reçoit un retour fondé sur ce qu’il a réellement su restituer.
1
La confiance avant le retour
Le niveau de confiance est recueilli avant que l’étudiant ne consulte la source, les éléments attendus ou l’analyse de l’IA.
2
L’explication comme preuve de compréhension
L’étudiant répond avec ses propres mots, ce qui permet d’identifier les idées correctement restituées, les raisonnements imprécis et les notions manquantes.
3
Le diagnostic guide la révision
Chaque réponse est convertie en un état de maîtrise qui détermine les notions à revoir et leur priorité lors de la prochaine session.
De la logique produit à l’expérience
Décisions UX clés
Après avoir défini la logique produit, je me suis concentré sur quelques décisions visant à rendre l’expérience pertinente sur le plan cognitif, tout en restant suffisamment simple pour un usage mobile.
Chaque choix vise à limiter l’apprentissage passif, préserver l’effort de rappel et transformer les retours de l’IA en une prochaine action claire.
01
Accéder rapidement à la première action utile
Les nouveaux utilisateurs sont immédiatement guidés vers la première action utile : importer leurs supports de cours. Comme Calibrate n’apporte réellement de valeur qu’une fois des notes personnelles ajoutées, le premier écran les invite à créer directement leur première session de révision, plutôt que d’allonger le processus d’inscription.
02
2. Préserver l’effort de rappel
Pendant la phase de réponse, l’interface masque la source, les éléments attendus et l’état de maîtrise de la carte.
Les étudiants répondent avec leurs propres mots, à l’oral ou à l’écrit, afin de préserver un exercice de rappel libre sans s’appuyer sur des réponses prédéfinies.
03
3. Rendre les retours de l’IA vérifiables
Un score unique peut être facile à interpréter, mais il n’indique pas comment améliorer la réponse.
Calibrate relie chaque retour aux passages surlignés de la réponse de l’étudiant, afin d’identifier précisément ce qui est correct, imprécis, incomplet ou manquant.
Verdict global
Éléments probants mis en évidence
Explication ciblée
04
4. Transformer le diagnostic en prochaine action
Après chaque réponse, Calibrate attribue un état de maîtrise : Point faible, Fragile, Solide ou Maîtrisé.
Ces états déterminent le contenu de la session Smart Review recommandée. Les étudiants peuvent ensuite ajuster les notions à privilégier et la durée de la session selon leur objectif du moment.
États d'apprentissage
Détails de la carte
Révision Intelligente
L’expérience de bout en bout
La boucle d’apprentissage complète
Après avoir défini la logique produit, j’ai cartographié l’ensemble de la boucle d’apprentissage, de l’importation des supports de cours à la prochaine session de révision priorisée.
L’objectif était de montrer comment chaque interaction soutient un même principe : les étudiants ne doivent pas seulement parcourir des cartes de révision, mais identifier ce qu’ils sont réellement capables d’expliquer.
Les étudiants importent des PDF, des photos ou du texte copié-collé, puis organisent ces contenus dans un ou plusieurs dossiers de révision.
Un état vide ciblé oriente l'apprenant vers la première action utile.
Plusieurs formats de contenu peuvent être combinés dans une même importation.
02
2. Générer et vérifier des fiches reliées à leur source
L’IA extrait les notions clés et génère des fiches de révision reliées au document source. Avant de commencer, les étudiants peuvent relire, corriger et modifier les fiches générées.
Calibrate rend chaque étape de la génération visible et produit des fiches de révision modifiables, reliées aux supports importés.
L’écran de progression indique clairement ce que le système est en train de faire.
Les fiches générées peuvent être relues et modifiées avant la première session de révision.
03
3. Évaluer sa confiance avant d’expliquer
Avant de répondre, les étudiants indiquent à quel point ils se sentent capables d’expliquer le concept. Ils formulent ensuite leur réponse à l’oral ou à l’écrit, sans consulter la source. La comparaison entre la confiance déclarée et la qualité de l’explication permet de révéler d’éventuels écarts.
Avant de répondre, les étudiants indiquent à quel point ils se sentent capables d’expliquer le concept. Ils formulent ensuite leur réponse à l’oral ou à l’écrit, sans consulter la source. La comparaison entre la confiance déclarée et la qualité de l’explication permet de révéler d’éventuels écarts.
Le niveau de confiance est recueilli avant tout retour, afin d’éviter qu’il ne soit influencé.
Les réponses orales et écrites reposent sur le même exercice de rappel libre.
04
4. Examiner le diagnostic
La réponse est comparée aux notions attendues issues des supports importés. Le retour commence par une synthèse générale, puis peut être approfondi à travers les passages surlignés de la réponse.
La réponse est comparée aux notions attendues issues des supports importés. Un premier aperçu fournit un verdict synthétique et met en évidence les passages clés de l’explication. L’étudiant peut ensuite consulter chaque segment pour comprendre pourquoi il a été jugé correct, imprécis, incomplet ou manquant.
Une synthèse initiale permet de comprendre rapidement le résultat.
Les passages surlignés relient chaque retour aux propres mots de l’étudiant.
Des explications ciblées indiquent précisément ce qui peut être amélioré.
** Contrôle WCAG AA + symbole de coche '✓' pour l'accessibilité
05
5. Prioriser la prochaine session de révision
Après chaque session, les cartes sont regroupées selon leur état de maîtrise. Les étudiants peuvent lancer la Smart Review recommandée, consulter l’historique d’une carte ou retravailler immédiatement une notion mal comprise.
Après chaque session, les cartes sont regroupées selon leur état de maîtrise. Les étudiants peuvent suivre la Smart Review recommandée, consulter une carte en détail ou retravailler une notion difficile.
Les états de maîtrise permettent d’identifier rapidement les notions à renforcer.
Chaque fiche réunit la réponse de l’étudiant, la source associée et le diagnostic de l’IA.
Chaque étudiant peut personnaliser le contenu et la durée de sa prochaine session.
Exploration de concepts
Conception des retours générés par l’IA
J’ai exploré trois modèles de retour et les ai comparés selon trois critères : leur lisibilité, leur explicabilité et leur capacité à orienter la prochaine action. Il s’agissait d’une analyse de concepts, et non des résultats d’un test utilisateur. L’objectif était de comprendre ce que chaque modèle communiquait efficacement et ce qu’il risquait, au contraire, de masquer.
1
Retour sous forme de checklist
Ce modèle répartissait les idées de la réponse entre éléments maîtrisés, partiellement expliqués et manquants. Il était précis et vérifiable, mais fragmentait l’analyse sans faire ressortir clairement le principal problème de compréhension.
2
Score de compréhension
Ce modèle traduisait la réponse en un pourcentage de compréhension, calculé à partir des notions maîtrisées, partielles et manquantes. Facile à interpréter, il réduisait toutefois une explication nuancée à un chiffre susceptible de masquer l’erreur de raisonnement la plus importante.
3
Micro-synthèse
Ce modèle utilisait un verdict court pour résumer le principal problème de la réponse. Il créait une hiérarchie plus claire, mais ne suffisait pas à lui seul : des éléments visibles restaient nécessaires pour comprendre sur quoi reposait cette conclusion.
Solution retenue
La solution retenue combine un verdict synthétique, des passages surlignés dans la réponse et des explications ciblées. Le verdict fait rapidement ressortir le principal problème de compréhension. Les passages surlignés relient ensuite le diagnostic aux propres mots de l’étudiant, tandis que les explications indiquent ce qui est correct, imprécis, incomplet ou manquant. Cette approche ne supprime pas l’incertitude liée à l’évaluation de l’IA, mais rend son raisonnement plus transparent, vérifiable et facile à remettre en question.
Réflexion finale
Bilan du prototype
Ce que le prototype permet d’illustrer et ce qui reste à valider.
Calibrate propose une expérience d’apprentissage de bout en bout qui relie les supports importés, le niveau de confiance, le rappel libre, les retours associés à chaque réponse, les états de maîtrise et la priorisation des révisions au sein d’un parcours continu.
Sa valeur principale ne réside pas dans un score automatisé, mais dans un système qui aide les étudiants à repérer les écarts entre ce qu’ils pensent savoir et ce qu’ils sont réellement capables d’expliquer.
Ce que le prototype permet d’illustrer
Un flux cohérent, des notes importées jusqu'à une révision prioritaire.
Un moyen de comparer la confiance avec la qualité des réponses ouvertes.
Commentaire lié à la réponse de l'apprenant et à la source d'information.
Un système d'apprentissage continu qui transforme le diagnostic en une action suivante.
Ce qu'il reste à valider
Si les apprenants utilisent l'évaluation de leur confiance de manière cohérente.
Si les commentaires mis en évidence semblent clairs et prudents comme il se doit.
Déterminer si les états d'apprentissage aident les apprenants à choisir ce qu'ils doivent réviser ensuite.
La fiabilité avec laquelle l'IA gère d'autres explications valides.
Si le flux complet reste gérable lors de sessions plus longues.
Comment la confidentialité et la conservation des données doivent être communiquées.
Prochaine étape
La prochaine étape serait de mener un test utilisateur modéré auprès d’étudiants travaillant sur des matières riches en concepts complexes.
Le test permettrait de vérifier si les participants comprennent l’étape d’auto-évaluation, savent interpréter le diagnostic, peuvent expliquer pourquoi une carte a reçu un état de maîtrise particulier et parviennent à choisir une prochaine session de révision adaptée sans aide.
Comment mesurer le succès
L’hypothèse centrale serait évaluée en suivant l’écart de calibration : la différence entre le niveau de confiance déclaré avant la réponse et la qualité réelle de l’explication. Si Calibrate fonctionne, cet écart devrait se réduire au fil des sessions, à mesure que les étudiants apprennent à mieux évaluer ce qu’ils sont capables d’expliquer, et pas seulement ce qu’ils reconnaissent.
Key learnings
Ce que ce projet m'a aidé à clarifier en tant que Product Designer.
01
Le feedback de l'IA est une interface
Le feedback de l'IA devrait être conçu comme une interface inspectable, et non présenté comme un résultat automatisé indiscutable.
02
La profondeur doit rester utilisable
Le défi consistait à fournir suffisamment d'éléments pour soutenir la réflexion sans pour autant transformer chaque réponse en un rapport dense.
03
La boucle complète est importante
La valeur du produit provient de la connexion entre la saisie, le rappel, le diagnostic, la priorisation et l'action suivante, plutôt que de traiter la génération par IA comme une fonctionnalité isolée.