Raoul-Fossua/assistant-academique-rag-fractions
📚 Assistant pédagogique intelligent – Fractions (5e)
Architecture RAG + Analyse de données éducatives (Chainlit) Projet DU Sorbonne Data Analytics — IA générative appliquée à l’enseignement des fractions en classe de 5e.
🎓 Cadre académique
Ce projet est réalisé dans le cadre du DU Sorbonne Data Analytics (Université Paris 1 Panthéon-Sorbonne).
Objectif : concevoir un assistant pédagogique intelligent combinant :
- IA générative (LLM)
- RAG (Retrieval-Augmented Generation) avec traçabilité des sources
- Analyse de données éducatives (diagnostic, groupes de besoin, exports)
Application : fractions – niveau 5e.
🎯 Problématique pédagogique
L’enseignement des fractions au collège est souvent marqué par :
- des erreurs conceptuelles récurrentes (sens du dénominateur, équivalences, opérations),
- une difficulté à relier procédure et compréhension,
- un besoin fort de différenciation, idéalement appuyée sur des données d’élèves.
👉 Problème central : Comment exploiter des données élèves et des ressources pédagogiques pour diagnostiquer finement les difficultés, former des groupes de besoin, et proposer des recommandations pédagogiques, tout en garantissant la traçabilité des réponses ?
🧠 Objectifs du projet
Objectifs pédagogiques
- Expliquer les notions sur les fractions avec du sens (pas de “règles magiques”).
- Identifier les erreurs fréquentes et leur origine didactique.
- Produire des recommandations pédagogiques ciblées (par profils d’élèves).
Objectifs data & IA
- Mettre en œuvre une architecture RAG fiable (sources citées).
- Exploiter un fichier de réponses élèves pour :
- analyser les taux de réussite par objectif (OBJ1 → OBJ10),
- identifier les objectifs difficiles,
- regrouper les élèves en groupes de besoin.
- Générer des exports CSV exploitables par l’enseignant.
🏗️ Architecture générale (vue d’ensemble)
Assistant pédagogique │ ├── RAG pédagogique (LangChain + FAISS) │ ├── Corpus TXT (mode démo HF) │ ├── PDF : cours fractions (optionnel / local) │ ├── Excel : erreurs fréquentes (optionnel) │ └── Excel : remédiations (optionnel) │ ├── Analyse de données élèves (Pandas) │ ├── Scores par objectif OBJ1..OBJ10 (0/1) │ ├── Statistiques de réussite │ ├── Profils (Rep / Compare / Equiv / Ops) │ └── Groupes de besoin A..F │ └── Interface Chainlit (enseignant)
🧾 Données utilisées
1) Corpus pédagogique (RAG)
Objectif : produire des réponses ancrées dans un corpus et citées.
data/Corpus/corpus_fractions_5e.txt✅ recommandé pour Hugging Facedata/Corpus/Cours_Fractions_5e.pdf(local, non versionné en général)data/Corpus/Erreurs_Fractions_5e.xlsx(optionnel)data/Corpus/Remediations_Fractions_5e.xlsx(optionnel)
📌 L’assistant doit refuser d’inventer : si l’info n’est pas dans le corpus → “Je ne sais pas.”
2) Données élèves (responses.csv)
Fichier attendu (structure minimale) :
OBJ1_Score ... OBJ10_Score(scores binaires 0/1)- optionnel : Nom/Prénom/Classe (souvent anonymisé)
📌 Sur Hugging Face : mode démo via :
data/Students/sample_responses.csv✅ (anonymisé, petit, présentable)
📊 Analyse pédagogique automatisée
Analyse par objectif
- Calcul du taux de réussite par objectif
- Identification automatique des objectifs les plus difficiles
Groupes de besoin (6 profils)
Chaque groupe est associé à :
- une couleur,
- une recommandation pédagogique explicite.
📤 Exports générés
Commande /export :
➡️ Exploitables directement en différenciation, APC, conseil de cycle.
💬 Interface utilisateur (Chainlit)
Commandes disponibles
/help– aide rapide/examples– exemples de questions/analyze– analyse de classe (fichier par défaut)/analyze <chemin>– analyse d’un autre fichier/export– génération des CSV pédagogiques
Comportement attendu
- support des entrées multi-lignes
- gestion des erreurs sans crash
- aucune hallucination : sources ou “je ne sais pas”
🚀 Démarrage local
1) Installer
python -m venv .venv
# Windows
.venv\Scripts\activate
# Linux/Mac
source .venv/bin/activate
pip install -r requirements.txt