Un état vide ciblé évite un tableau de bord vide et guide l'apprenant vers la première action utile.
Le projet en soi
Aperçu du projet
Calibrate est une application d'étude assistée par IA, conçue autour des principes de la science de l'apprentissage.
L'application transforme les notes importées en fiches de révision reliées à leurs sources, puis aide les apprenants à tester ce qu'ils peuvent réellement expliquer, plutôt que de simplement relire ou reconnaître les informations.
En comparant le niveau de confiance avec la qualité de la réponse, Calibrate détecte la fausse maîtrise, met en évidence les concepts manquants et transforme chaque session de révision en un plan d'apprentissage ciblé.
Problème :
Les étudiants confondent souvent familiarité et compréhension.
La plupart des outils d'étude aident les apprenants à répéter ou à reconnaître des informations, mais ils ne révèlent pas toujours si un concept peut être expliqué sans soutien.
Calibrate se concentre sur le rappel actif, l'explication et le calibrage de la confiance pour révéler l'écart entre ce que les apprenants pensent savoir et ce qu'ils peuvent réellement restituer.
Objectif :
Concevez une experience d'étude qui teste la compréhension réelle, et pas seulement la reconnaissance.
L'application doit transformer les notes en cartes reliées à leurs sources, demander aux apprenants d'évaluer leur niveau de confiance avant de répondre, analyser la qualité de leur explication et orienter la session suivante autour de la fausse confiance et des concepts manquants.
Mon rôle :
Designer Produit
J'ai façonné le concept du produit, défini la boucle d'apprentissage fondamentale, conçu l'expérience mobile et exploré comment les retours de l'IA pouvaient devenir clairs, utiles et ancrés dans les propres notes de l'apprenant.
Responsabilités :
Cadrage de produit,
Stratégie UX,
Recherche en apprentissage cognitif,
Flux d'utilisateurs,
Maquettes filaires basse fidélité,
Logique de rétroaction de l'IA,
Design d'interaction,
UI, Prototype, itérations, …
Tout sur l'utilisateur
Perspectives de recherche et d'apprentissage
J'ai abordé la recherche sous deux angles : comment les apprenants révisent dans la pratique, et ce que la science de l'apprentissage dit sur la compréhension durable.
La recherche s'est concentrée sur le rappel actif, le calibrage de la confiance et la différence entre reconnaître une information et être capable de l'expliquer sans aide.
La principale opportunité consistait à aider les apprenants à identifier l'écart entre ce qui leur semble familier et ce qu'ils peuvent réellement restituer.
Points de douleur
La familiarité donne l'illusion de la maîtrise
Les apprenants se sentent souvent confiants lorsque la matière leur semble familière.
Décision sur le produit
Calibrate demande aux apprenants d'expliquer avant de leur montrer la source.
Le feedback est souvent trop superficiel
La plupart des outils indiquent si une réponse est bonne ou mauvaise, mais pas pourquoi.
Décision sur le produit
Le feedback est lié aux parties surlignées de la propre réponse de l'apprenant.
Les sessions de révision manquent de priorisation
Les apprenants savent que certaines cartes étaient difficiles, mais pas ce qui requiert leur attention par la suite.
Décision sur le produit
Les réponses sont converties en états d'apprentissage qui guident la révision suivante.
Profils d'apprenants
Au lieu de construire des personas démographiques, je me suis concentré sur les comportements d'apprentissage.
L'objectif était de comprendre comment les différents apprenants révisent, où apparaît la fausse confiance, et quel type de feedback les aide à s'améliorer.
Audit concurrentiel
J'ai analysé les applications d'étude et d'apprentissage les plus courantes pour comprendre comment elles soutiennent la répétition, la reconnaissance et l'engagement.
L'audit a montré que la plupart des outils sont efficaces pour aider les apprenants à réviser plus souvent, mais moins performants lorsqu'il s'agit de révéler si un apprenant peut expliquer un concept sans soutien d'aide.
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 au rappel calibré
La logique produit
L'idée fondamentale de Calibrate est que la compréhension ne doit pas être mesurée uniquement par la reconnaissance.
Un apprenant peut reconnaître un concept et éprouver tout de même des difficultés à l'expliquer sans aide.
Calibrate transforme chaque fiche de révision en une boucle de calibrage : l'apprenant évalue sa confiance, explique la réponse et reçoit un retour d'information basé sur ce qui a été réellement récupéré.
Appmap
Il s'agit d'un schéma structuré qui définit les pages et la hiérarchie du contenu de l'application.
Confiance avant de répondre
Les apprenants évaluent leur niveau de préparation avant de voir les commentaires, ce qui rend l'indice de confiance plus honnête et moins biaisé par le résultat.
Qualité de l'explication
La réponse est analysée pour y détecter les idées traitées, les concepts manquants, les raisonnements vagues et les parties hors sujet.
Concepts manquants
L'IA identifie les idées clés qui n'ont pas été récupérées et les utilise pour classer la carte dans un état d'apprentissage.
Cette logique est devenue le fondement de la boucle d'apprentissage complète : chaque réponse devient une preuve de ce que l'apprenant doit réviser ensuite.
La compréhension ne se mesure pas à la reconnaissance. Elle se mesure par la capacité d'expliquer sans soutien.
La version claire :
Décisions clés en matière d'UX
Après avoir défini la logique, je me suis concentré sur quelques décisions qui ont rendu l'expérience à la fois cognitivement utile et suffisamment simple pour une utilisation mobile.
Chaque choix a été conçu pour réduire l'apprentissage passif, protéger le processus de mémorisation et transformer le feedback de l'IA en une action suivante claire.
1. Commencez par l'importation, pas par l'intégration
Les nouveaux utilisateurs sont directement redirigés vers la première action utile : l'importation de matériel d'étude.
Étant donné que Calibrate ne devient utile qu'une fois des notes personnelles ajoutées, j'ai évité un long processus d'intégration ou un tableau de bord vide et j'ai concentré le premier écran sur la création du premier ensemble de révision.
Protéger le rappel des indices visuels
Pendant l'étape de réponse, l'interface masque la source, la réponse attendue et l'état d'apprentissage de la carte.
Cela maintient la carte neutre et empêche les apprenants d'associer des indices visuels à la réponse. Certaines questions peuvent également être légèrement reformulées d'une session à l'autre pour vérifier si l'apprenant comprend le concept, plutôt que de mémoriser une formulation spécifique.
3. Concevoir pour une récupération laborieuse
Plutôt que de demander aux apprenants de sélectionner une réponse, Calibrate leur demande de récupérer et d'expliquer le concept de mémoire.
Cela crée une difficulté utile : les apprenants peuvent hésiter, faire des erreurs ou omettre des concepts, mais ces moments révèlent ce qui nécessite réellement un feedback.
Le mode vocal capture la réponse en une seule fois, entraînant le rappel oral spontané au plus près de la pression d'une situation d'examen.
4. Rendre l'évaluation de l'IA inspectable
Le feedback de l'IA ne se limite pas à un score unique, car un score seul n'explique pas comment s'améliorer.
Les apprenants ont besoin de voir quelles parties de leur réponse étaient solides, vagues, incomplètes ou manquantes.
En liant le feedback à des segments surlignés de la propre formulation de l'apprenant, Calibrate transforme la correction en un diagnostic explicable.
5. Guidez le prochain examen, tout en conservant le contrôle de l'utilisateur
Calibrate recommande une révision intelligente (Smart Review) basée sur les états d'apprentissage actuels, afin de s'assurer que la session suivante n'est pas aléatoire.
En même temps, les apprenants peuvent toujours choisir les points faibles (Weak spots) lorsqu'un examen approche, ou la série complète (Full set) lorsqu'ils souhaitent tout réviser. La durée de la session leur permet également d'adapter la révision au temps dont ils disposent sans perdre la priorité d'apprentissage.
Lors de l'exploration de la conception, j'ai envisagé des situations d'étude courantes : révision rapide, préparation aux examens et révision de la série complète.
Flux complet
Boucle d'apprentissage de bout en bout
Après avoir défini la logique du produit, j'ai cartographié l'ensemble de la boucle d'apprentissage : du matériel importé à la session de révision suivante priorisée.
L'objectif était de montrer comment chaque interaction soutient le même principe : les apprenants ne doivent pas seulement réviser des cartes, mais comprendre ce qu'ils sont réellement capables d'expliquer.
Pour un nouvel utilisateur, Calibrate commence par le chemin le plus rapide vers la valeur : l'importation de matériel d'étude.
Le premier écran évite un long processus d'intégration ou un tableau de bord vide et se concentre sur une action utile : la création de la première session de révision.
Les apprenants peuvent combiner des PDF, des photos et du texte collé dans le même import. Si le matériel contient des sujets ou des cours distincts, Calibrate peut l'organiser en sessions de révision distinctes.
Un état vide ciblé évite un tableau de bord vide et guide l'apprenant vers la première action utile.
La feuille d'importation permet aux apprenants d'ajouter différents formats en un seul endroit : PDF, photos ou texte collé.
Le matériel importé peut être organisé en différents ensembles d'examen lorsque les sujets diffèrent.
Générer des fiches liées aux sources
L'IA transforme le matériel importé en fiches de révision structurées et liées aux sources.
Après l'importation, Calibrate rend le processus d'IA visible au lieu de le traiter comme une boîte noire.
L'application montre que le matériel est en cours d'analyse, que les concepts clés sont extraits et que les références aux sources sont trouvées.
Avant de commencer à étudier, les apprenants reçoivent un ensemble généré qu'ils peuvent inspecter, modifier et auquel ils peuvent faire confiance.
Un état de chargement transparent indique ce que l'IA est en train de faire.
Les concepts et sections détectés rendent le résultat structuré et vérifiable.
Les cartes générées apparaissent avant qu'un état d'apprentissage ne soit attribué, ce qui permet aux apprenants de garder le contrôle avant le début de la révision.
Fiabilité du tarif
Les apprenants évaluent s'ils sont prêts à expliquer avant de répondre.
Avant de répondre, Calibrate demande aux apprenants d'estimer dans quelle mesure ils se sentent prêts à expliquer le concept sans regarder leurs notes.
Le fait de capter la confiance avant le feedback permet de garder un signal honnête : il n'est pas influencé par le résultat, la source ou le diagnostic de l'IA.
Ce niveau de confiance est ensuite comparé à la qualité de la réponse afin de détecter une fausse maîtrise, un manque de confiance en soi ou une réelle compréhension.
La confiance est définie comme la volonté de s'expliquer, et non comme une supposition quant au fait d'avoir raison ou tort.
La confiance sélectionnée reste modifiable pendant l'étape de réponse en cas de mauvaise manipulation.
Répondez par voix ou par texte
Les apprenants expliquent la réponse dans leurs propres mots, soit en parlant, soit en écrivant.
Calibrate invite les apprenants à restituer et à expliquer le concept plutôt qu'à choisir parmi des options prédéfinies.
Cela protège le processus de rappel : la source reste masquée et la réponse doit provenir de la mémoire.
Les apprenants peuvent répondre par commande vocale ou par écrit, selon leur contexte.
Une fois sélectionné, le mode de réponse reste activé durant toute la session afin de réduire les micro-décisions répétées.
Le mode vocal capture la réponse en une seule fois, entraînant le rappel structuré sous une légère pression similaire à celle d'un examen.
Le fait d'écrire donne plus de contrôle aux apprenants tout en préservant le caractère ouvert et basé sur des explications de l'exercice.
La source masquée aide Calibrate à évaluer la récupération réelle plutôt que la reconnaissance assistée.
5.1. Examen par l'IA
L'IA transforme chaque réponse ouverte en un diagnostic de compréhension.
Après la réponse de l'apprenant, Calibrate compare l'explication avec les concepts attendus du matériel source.
Le but n'est pas de renvoyer un simple score de réussite ou d'échec, mais d'identifier ce qui a été clairement extrait, ce qui est resté vague et quels concepts étaient manquants.
Le premier niveau de rétroaction donne aux apprenants un aperçu rapide : état d'apprentissage, verdict court et parties surlignées de leur propre explication.
L'état de révision indique que la réponse est en cours de transcription, comparée à la source et préparée pour le feedback.
Le premier aperçu des commentaires combine un verdict rapide avec des parties surlignées de la réponse de l'apprenant.
Des segments spécifiques montrent ce qui était fort, incomplet ou conceptuellement faible.
5.2. Commentaires au niveau du segment
Les segments surbrillants peuvent être découverts pour comprendre des parties spécifiques de la réponse.
Plutôt que de s'arrêter à un verdict général, Calibrate permet aux apprenants d'inspecter des parties spécifiques de leur réponse.
Chaque segment surbrillant ouvre une explication ciblée liée à la formulation propre de l'apprenant.
Cela rend le feedback plus exploitable : les apprenants comprennent ce qui était faible ou fort, pourquoi cela a été évalué ainsi, et comment s'améliorer lors de la tentative suivante.
Les concepts manquants sont traduits en une idée concrète à récupérer la prochaine fois.
Les segments faibles expliquent pourquoi la phrase était incomplète et suggèrent une voie de réessai ciblée.
Les segments forts peuvent également être inspectés pour renforcer un raisonnement précis.
6. Du feedback à la priorité de révision
Après chaque session, les cartes sont regroupées par état d'apprentissage afin que les apprenants sachent ce qui requiert leur attention ensuite.
Une fois la session terminée, Calibrate transforme le diagnostic de chaque réponse en un état d'apprentissage : Zone d'ombre, Fragile, Solide ou Maîtrisé.
Au lieu de se terminer par un score générique, l'application montre où la compréhension est forte, où elle est encore fragile et quelles cartes sont prioritaires.
La révision suivante est façonnée par les réponses réelles de l'apprenant, tout en lui permettant d'ajuster la focalisation et la durée de la session.
Les cartes sont regroupées par état d'apprentissage, ce qui rend les progrès et les points faibles immédiatement visibles.
La série de révisions conserve les états d'apprentissage après la session, transformant le diagnostic en une structure d'étude persistante.
Les apprenants peuvent suivre Smart Review ou adapter la session suivante en fonction de leur objectif actuel.
7. Détails de la carte & historique d'apprentissage
Chaque carte assure le suivi de ce qui a été compris, manqué et de ce qui devrait être amélioré ensuite.
Après une séance de révision, chaque carte devient plus qu'une simple question : elle conserve un historique d'apprentissage.
La page détail combine la réponse de référence, le diagnostic de la dernière tentative, la confiance, la qualité de la réponse ainsi que les concepts couverts ou manqués.
Cela aide les apprenants à comprendre pourquoi une carte est un Point Mort, Fragile, Solide ou Maîtrisée — et leur permet de s'y exercer à nouveau immédiatement.
Les apprenants peuvent rouvrir n'importe quelle carte pour comprendre pourquoi elle a été classée et ce qui requiert leur attention.
Le détail de la carte rassemble la réponse, la source, le diagnostic et l'historique d'apprentissage.
Depuis la page de détails, les apprenants peuvent s'exercer à nouveau avec la carte sans devoir attendre une session complète.
Exploration conceptuelle
Conception de la révision par l'IA
J'ai exploré différentes manières de rendre les commentaires de l'IA utiles, compréhensibles et exploitables.
Retour sur la check-list
Ce modèle séparait la réponse en idées couvertes, partielles et manquantes.
C'était précis et facile à auditer, mais cela semblait trop mécanique. Les apprenants pouvaient voir ce qui manquait, mais ne comprenaient pas toujours le signal d'apprentissage principal.
Score en pourcentage
Ce modèle a traduit la réponse en un score de compréhension, avec des concepts acquis, partiels et manquants.
C'était facile à analyser, mais trop réducteur. Un pourcentage pouvait masquer l'erreur de raisonnement spécifique que l'apprenant devait corriger.
micro-synthèse
Ce modèle a donné un verdict d'IA court résumant le problème principal dans la réponse de l'apprenant.
Cela semblait plus clair et plus humain, mais ce n'était pas suffisant en soi. Les apprenants avaient encore besoin de preuves issues de leur propre réponse pour comprendre pourquoi le verdict avait été rendu.
Conception de la révision par l'IA
Direction finale
La direction choisie combine un verdict court, des segments de réponse mis en évidence et des explications ciblées.
Le verdict donne aux apprenants un signal rapide, tandis que la réponse mise en évidence rend le diagnostic traçable jusqu'à leurs propres mots.
Cela rend le feedback de l'IA plus facile à faire confiance, car les apprenants peuvent inspecter pourquoi une partie a été marquée comme forte, vague, incomplète ou manquante.
Réflexion finale
Résultat
Ce que démontre le prototype.
Calibrate reformule l'apprentissage : au lieu de se demander « Ai-je reconnu la réponse ? », on se demande « Puis-je l'expliquer sans aide ? »
Le prototype montre comment l'IA peut être utilisée au-delà de la simple génération de fiches : elle transforme chaque réponse en un diagnostic de compréhension, puis convertit ce diagnostic en une priorité de révision claire.
Le concept final aide les apprenants à :
- identifier un excès de confiance erroné,
- comprendre ce qui manquait,
- revoir les concepts mal maîtrisés à partir de leurs propres notes,
- et commencer la session suivante avec un plan ciblé.
Enseignements clés
Ce que ce projet m'a aidé à clarifier en tant que Product Designer.
Calibrate m'a aidé à comprendre que le feedback de l'IA doit être conçu comme une interface d'apprentissage, et pas seulement comme une correction automatisée.
Le principal défi consistait à équilibrer la profondeur cognitive et la simplicité mobile : donner suffisamment de feedback pour être utile sans pour autant alourdir l'expérience.
Cela a également renforcé l'importance de concevoir l'ensemble de la boucle d'apprentissage — saisie, rappel, diagnostic, hiérarchisation et action suivante — plutôt que des écrans isolés.