# Immbot AI — Recherche Web : meilleures pratiques 2024–2026

Projet : Immbot AI — plateforme d'apprentissage IA pour deux cours universitaires d'évaluation immobilière (UQO, Québec). Modules visés : chat RAG avec citations, tutorat intelligent (modes tuteur/socratique), flashcards à répétition espacée, quiz adaptatifs, examens blancs, carte conceptuelle, suivi de maîtrise des compétences, plans d'étude personnalisés, tableau de bord professeur. Date de la recherche : 4 août 2026. Méthode : recherche Web ciblée (sources institutionnelles, documentations officielles, publications scientifiques évaluées par les pairs, dépôts officiels d'algorithmes).

# 1. RAG éducatif et systèmes de citations fiables

# 1.1 Retrieval-augmented generation for educational application: A systematic survey

Organisme : Computers and Education: Artificial Intelligence (Elsevier), revue avec comité de lecture
Date : 2025
URL : https://www.sciencedirect.com/science/article/pii/S2666920X25000578
Principe retenu : le RAG éducatif couvre trois familles d'usage (systèmes d'apprentissage interactifs, génération/évaluation de contenu pédagogique, déploiement à l'échelle). Les défis clés identifiés : atténuation des hallucinations, complétude et fraîcheur du corpus récupéré, coûts de calcul, support multimodal.
Application dans Immbot AI : structurer le corpus des deux cours (notes, lois, normes de l'OEAQ, exercices) comme source unique de vérité, versionnée par session ; prévoir dès l'architecture les trois usages (chat, génération de quiz/flashcards, évaluation) sur le même index.

# 1.2 Introducing Citations on the Anthropic API

Organisme : Anthropic (documentation/annonce officielle)
Date : janvier 2025
URL : https://anthropic.com/news/introducing-citations-api
Principe retenu : l'API Citations retourne des objets de citation structurés avec offsets au niveau du caractère, index de document et extrait exact du texte source — garantis au niveau de l'API, et non générés librement par le modèle. Cela élimine les citations « inventées » : le passage cité existe forcément dans le document fourni.
Application dans Immbot AI : chaque réponse du chat RAG portera des citations construites côté serveur à partir des chunks réellement récupérés (identifiants de chunks + offsets), affichées comme notes cliquables ouvrant le passage exact du document de cours. Ne jamais laisser le LLM composer lui-même le texte des références.

# 1.3 Anthropic's new Citations API (analyse technique)

Organisme : Simon Willison (analyse indépendante reconnue de l'écosystème LLM)
Date : 24 janvier 2025
URL : https://simonwillison.net/2025/Jan/24/anthropics-new-citations-api/
Principe retenu : le pipeline RAG (découpage, indexation, récupération) reste à la charge de l'application ; la couche « citation » ne remplace pas une bonne récupération. La qualité des citations dépend directement de la qualité des chunks fournis en contexte.
Application dans Immbot AI : investir dans le prétraitement du corpus (découpage par section de cours/article de loi, métadonnées : cours, semaine, compétence, page) avant d'ajouter la couche de citation ; les métadonnées alimenteront aussi la carte conceptuelle et le suivi de maîtrise.

# 1.4 Hallucination Mitigation for Retrieval-Augmented Large Language Models: A Review

Organisme : Mathematics (MDPI), revue avec comité de lecture
Date : 2025
URL : https://www.mdpi.com/2227-7390/13/5/856
Principe retenu : les approches les plus robustes combinent le RAG avec une vérification au niveau des affirmations (span-level verification) : chaque assertion de la réponse est confrontée aux passages récupérés et signalée si elle n'est pas soutenue par la preuve. Le RAG bien implanté réduit fortement le taux d'hallucination, mais ne l'élimine pas seul.
Application dans Immbot AI : ajouter une étape de post-vérification (modèle léger ou second passage) qui classe chaque phrase de la réponse en « soutenue / non soutenue par le corpus » ; les phrases non soutenues sont soit retirées, soit marquées visuellement « hors corpus du cours ».

# 1.5 RAGTruth: A Hallucination Corpus for Developing Trustworthy RAG (Niu et al.)

Organisme : ACL (Association for Computational Linguistics), corpus/benchmark académique
Date : 2024
URL : https://arxiv.org/abs/2401.00396
Principe retenu : benchmark de référence pour mesurer les hallucinations en contexte RAG, avec protocole d'évaluation au niveau des spans ; utile pour évaluer objectivement un pipeline avant mise en production.
Application dans Immbot AI : constituer un petit jeu d'évaluation maison (50–100 questions-réponses annotées sur le contenu des deux cours) inspiré du protocole RAGTruth, exécuté à chaque changement de modèle, de prompt ou de découpage pour mesurer taux d'ancrage et fidélité des citations.

# 1.6 GRACE: Reinforcement Learning for Grounded Response and Abstention under Contextual Evidence

Organisme : arXiv (prépublication académique)
Date : 2026
URL : https://arxiv.org/pdf/2601.04525
Principe retenu : un système ancré doit savoir s'abstenir : quand la preuve contextuelle est insuffisante, la bonne réponse est « je ne trouve pas cela dans les sources », pas une extrapolation.
Application dans Immbot AI : règle produit explicite — si le score de récupération est sous un seuil ou si la vérification échoue, le chat répond « ce point n'est pas couvert dans le matériel du cours » et propose de reformuler ou de contacter le professeur ; ce comportement sera testé dans le jeu d'évaluation.

# 2. Tutorat intelligent (ITS) et pédagogie socratique avec LLM

# 2.1 AI tutoring outperforms in-class active learning (étude PS2 Pal, Kestin et al.)

Organisme : Université Harvard (essai contrôlé randomisé, cours Physical Sciences 2 ; publication 2025 ; couverture Harvard Gazette)
Date : expérience automne 2023 ; Gazette septembre 2024 ; article publié juin 2025
URL : https://news.harvard.edu/gazette/story/2024/09/professor-tailored-ai-tutor-to-physics-course-engagement-doubled/ (voir aussi https://hechingerreport.org/proof-points-ai-tutor-harvard-physics/)
Principe retenu : un tuteur LLM conçu pédagogiquement (scaffolds rédigés par des experts du cours, une seule étape révélée à la fois, interdiction de donner la solution complète, encouragement à essayer d'abord, garde-fous anti-hallucination) a produit environ le double des gains d'apprentissage d'un cours actif bien rodé, en moins de temps. Le facteur décisif est le design pédagogique, pas le modèle brut.
Application dans Immbot AI : le mode « tuteur » suivra le patron PS2 Pal : décomposition experte de chaque type de problème d'évaluation immobilière (méthode du coût, du revenu, de comparaison) en étapes, révélation progressive, invitation systématique à tenter avant d'obtenir l'indice suivant.

# 2.2 Khanmigo (Khan Academy)

Organisme : Khan Academy (produit officiel + retours de recherche, p. ex. étude sur l'apprentissage de concepts scientifiques)
Date : 2023–2025 (itérations continues)
URL : https://www.khanacademy.org/khan-labs (étude : https://www.researchgate.net/publication/396808798_Leveraging_Khanmigo_Generative_AI-Powered_Tool_for_Personalized_Tutoring_to_Learn_Scientific_Concepts)
Principe retenu : posture socratique par défaut (« je ne te donne pas la réponse, je t'aide à la trouver »), questions de relance, vérification de compréhension, et visibilité enseignante sur les conversations. Les élèves utilisent le tuteur pour poser des questions de suivi et confirmer leur compréhension, à la manière d'un dialogue socratique.
Application dans Immbot AI : deux modes distincts et affichés — « Tuteur » (explique, exemples, étapes) et « Socratique » (ne répond que par questions guidées et indices) ; journal des conversations accessible au professeur (agrégé/anonymisé par défaut, conformément au thème 7).

# 2.3 Discerning minds or generic tutors? Evaluating instructional guidance capabilities in Socratic LLMs

Organisme : arXiv (prépublication académique)
Date : août 2025
URL : https://arxiv.org/pdf/2508.06583
Principe retenu : les LLM « socratiques » génériques posent souvent des questions plates et non adaptées au niveau réel de l'étudiant ; la qualité du guidage exige un diagnostic de l'état de connaissance et des questions calibrées sur ce diagnostic.
Application dans Immbot AI : injecter dans le prompt du tuteur l'état de maîtrise de l'étudiant (issu du module BKT/Elo, thème 4) et la notion en cours, pour que les questions socratiques soient calibrées (ni triviales ni hors de portée — zone proximale de développement).

# 2.4 Tutor CoPilot: A Human-AI Approach for Scaling Real-Time Expertise (Wang, Demszky et al.)

Organisme : Université Stanford (essai contrôlé randomisé avec tuteurs réels)
Date : 2024
URL : https://arxiv.org/pdf/2410.03017
Principe retenu : l'IA est la plus efficace quand elle suggère des gestes pédagogiques experts (poser une question de relance, demander d'expliquer le raisonnement) plutôt que des réponses ; les gains sont les plus forts pour les apprenants les plus faibles.
Application dans Immbot AI : bibliothèque interne de « gestes pédagogiques » (demander une explication, proposer un contre-exemple immobilier, faire estimer avant de calculer) que le tuteur sélectionne selon le contexte ; priorité de conception aux étudiants en difficulté (relances plus fréquentes, pas plus de réponses données).

# 2.5 Faster Completion, Less Learning: Generative AI Reduced Study Time on Math Problems and the Knowledge They Build

Organisme : arXiv (prépublication académique)
Date : 2026
URL : https://arxiv.org/pdf/2605.21629
Principe retenu : contre-preuve importante — un accès non contraint à l'IA générative accélère la complétion des exercices mais réduit l'apprentissage ; donner la réponse court-circuite l'effort de récupération qui construit la mémoire.
Application dans Immbot AI : jamais de bouton « donne-moi la réponse » dans les exercices ; la solution complète n'est déverrouillée qu'après une tentative de l'étudiant ; en mode examen blanc, le tuteur est entièrement désactivé.

# 3. Répétition espacée : SM-2 vs FSRS

# 3.1 What spaced repetition algorithm does Anki use? (FAQ officielle Anki)

Organisme : Anki / AnkiWeb (documentation officielle)
Date : mise à jour continue ; FSRS intégré depuis Anki 23.10 (octobre 2023)
URL : https://faqs.ankiweb.net/what-spaced-repetition-algorithm
Principe retenu : Anki, référence du domaine, propose deux ordonnanceurs — SM-2 (historique, 1987) et FSRS (moderne) — et recommande FSRS ; FSRS modélise trois variables par carte (difficulté, stabilité, récupérabilité — « Three Component Model of Memory ») au lieu d'un facteur de facilité unique.
Application dans Immbot AI : adopter FSRS comme algorithme des flashcards dès le départ (pas de phase SM-2), le standard du domaine ayant déjà basculé.

# 3.2 Benchmark open-spaced-repetition (srs-benchmark)

Organisme : projet open source « Open Spaced Repetition » (dépôt officiel de FSRS)
Date : benchmark maintenu 2023–2026 ; FSRS-6 entraîné sur ~700 millions de révisions (~10 000 collections Anki)
URL : https://github.com/open-spaced-repetition/srs-benchmark (voir aussi https://github.com/open-spaced-repetition/fsrs4anki/blob/main/docs/tutorial.md)
Principe retenu : sur ~700 M de révisions réelles, FSRS prédit le rappel plus précisément que SM-2 pour 99,5 % des utilisateurs testés (métrique : log loss), ce qui se traduit par environ 20–30 % de révisions en moins pour la même rétention.
Application dans Immbot AI : argument quantitatif documenté pour le choix FSRS ; c'est aussi un gain direct de charge d'étude pour les étudiants (moins de révisions pour la même note visée).

# 3.3 py-fsrs / ts-fsrs (implémentations officielles)

Organisme : Open Spaced Repetition (bibliothèques officielles Python et TypeScript, licence libre)
Date : maintenues activement, 2023–2026 (FSRS-6 : 21 paramètres)
URL : https://github.com/open-spaced-repetition/py-fsrs et https://open-spaced-repetition.github.io/ts-fsrs/
Principe retenu : l'ordonnanceur s'initialise avec 21 poids par défaut et une rétention désirée de 0,9 (plage admise ≈ 0,70–0,97) ; la documentation recommande de garder les paramètres par défaut tant qu'on n'a pas assez de données pour optimiser ; l'optimiseur ré-entraîne les poids sur l'historique de révisions de l'utilisateur.
Application dans Immbot AI : intégrer ts-fsrs (stack TypeScript) avec rétention cible 0,9 par défaut ; exposer un réglage simple « intensité de révision » (0,8 / 0,9 / 0,95) plutôt que les 21 paramètres ; stocker chaque révision (note, horodatage, latence) pour permettre l'optimisation par étudiant après une session.

# 3.4 A Trainable Spaced Repetition Model for Language Learning (Settles & Meeder, Duolingo)

Organisme : Duolingo Research / ACL 2016 (article fondateur, toujours cité comme référence industrielle)
Date : 2016 (code et données publics)
URL : https://research.duolingo.com/papers/settles.acl16.pdf (code : https://github.com/duolingo/halflife-regression)
Principe retenu : la « half-life regression » entraînée sur 13 M de paires apprenant-item a réduit l'erreur de prédiction du rappel de 45 % et augmenté l'engagement quotidien de 12 % — preuve qu'un bon modèle de mémoire améliore aussi la rétention produit (les rappels arrivent au bon moment, ni trop tôt ni trop tard).
Application dans Immbot AI : caler les notifications/rappels d'étude sur les échéances FSRS (cartes réellement dues) plutôt que sur un horaire fixe ; mesurer l'engagement comme indicateur secondaire de la qualité de l'ordonnancement.

# 4. Quiz adaptatifs et modèles de maîtrise

# 4.1 Bayesian Knowledge Tracing (Corbett & Anderson, 1995 ; synthèses récentes)

Organisme : User Modeling and User-Adapted Interaction (article fondateur) ; synthèse à jour sur Emergent Mind
Date : 1995 ; synthèses 2024–2025
URL : https://www.emergentmind.com/topics/bayesian-knowledge-tracing-bkt
Principe retenu : BKT modélise la maîtrise d'une composante de connaissance (knowledge component) comme état latent binaire mis à jour à chaque réponse via 4 paramètres (connaissance initiale, apprentissage, étourderie slip, chance guess). Simple, interprétable, éprouvé — idéal quand les compétences sont bien découpées.
Application dans Immbot AI : découper chaque cours en 20–40 composantes de connaissance (p. ex. « capitalisation directe », « dépréciation physique », « ajustements par comparaison ») ; BKT par composante alimente la jauge de maîtrise, la carte conceptuelle (couleur des nœuds) et le plan d'étude ; seuil de maîtrise classique P(connu) ≥ 0,95.

# 4.2 Applications of the Elo rating system in adaptive educational systems (Pelánek)

Organisme : Computers & Education (Elsevier), revue avec comité de lecture
Date : 2016 (référence standard, toujours citée dans EDM 2024–2025)
URL : https://www.sciencedirect.com/science/article/abs/pii/S036013151630080X
Principe retenu : Elo appliqué à l'éducation — chaque étudiant et chaque question ont un score mis à jour après chaque réponse — est peu coûteux, robuste au démarrage à froid, auto-calibre la difficulté des items sans étalonnage préalable, et permet de servir des questions « optimalement difficiles » (~50–75 % de réussite attendue), ce qui maximise apprentissage et engagement.
Application dans Immbot AI : moteur de sélection des questions de quiz par Elo (étudiant × item), couplé à BKT : Elo choisit quelle question poser, BKT décide quand la compétence est maîtrisée. Les questions générées par LLM reçoivent une difficulté a priori puis s'auto-calibrent avec les réponses réelles.

# 4.3 Evaluating multidimensional extensions of the Elo rating system (EDM 2025)

Organisme : International Conference on Educational Data Mining (EDM), actes 2025
Date : 2025
URL : https://educationaldatamining.org/EDM2025/proceedings/2025.EDM.long-papers.99/index.html
Principe retenu : les extensions multidimensionnelles d'Elo (un score par dimension de compétence plutôt qu'un score global) suivent mieux l'habileté dans les environnements d'apprentissage en ligne, au prix d'une complexité maîtrisée.
Application dans Immbot AI : maintenir un Elo par composante de connaissance (pas un score global unique), cohérent avec le découpage BKT ; le score global affiché n'est qu'un agrégat pondéré.

# 4.4 Personalized Stopping Rules in Bayesian Adaptive Mastery Assessment

Organisme : arXiv (recherche en évaluation adaptative)
Date : 2021 (base des pratiques actuelles de règles d'arrêt)
URL : https://arxiv.org/pdf/2103.03766
Principe retenu : une évaluation adaptative de maîtrise doit s'arrêter dès que l'incertitude sur la maîtrise est suffisamment réduite (règle d'arrêt bayésienne), plutôt que d'imposer un nombre fixe de questions — moins de fatigue, même fiabilité.
Application dans Immbot AI : les « vérifications de maîtrise » (fin de module) posent entre 3 et 10 questions et s'arrêtent dès que P(maîtrise) sort de la zone d'incertitude [0,3 ; 0,95] ; les examens blancs, eux, gardent un format fixe calqué sur l'examen réel.

# 5. Science de l'apprentissage : retrieval practice, spacing, interleaving, feedback

# 5.1 Improving Students' Learning With Effective Learning Techniques (Dunlosky et al.)

Organisme : Psychological Science in the Public Interest (APS) — méta-revue de référence
Date : 2013 (toujours la synthèse canonique)
URL : https://journals.sagepub.com/doi/abs/10.1177/1529100612453266 (version vulgarisée : https://www.aft.org/ae/fall2013/dunlosky)
Principe retenu : sur 10 techniques d'étude évaluées, seules deux reçoivent la mention « utilité élevée » : la pratique de récupération (practice testing) et la pratique distribuée (spacing). Relire, surligner et résumer sont de faible utilité malgré leur popularité.
Application dans Immbot AI : toute la plateforme est bâtie autour de ces deux techniques — flashcards FSRS (récupération + espacement), quiz fréquents à faible enjeu, examens blancs — et le plan d'étude personnalisé remplace explicitement « relire le chapitre » par « se tester sur le chapitre ».

# 5.2 Test-Enhanced Learning: Taking Memory Tests Improves Long-Term Retention (Roediger & Karpicke)

Organisme : Psychological Science (APS)
Date : 2006 (article fondateur du testing effect)
URL : https://journals.sagepub.com/doi/abs/10.1111/j.1467-9280.2006.01693.x
Principe retenu : se tester produit une rétention à long terme nettement supérieure à ré-étudier, même si ré-étudier paraît plus efficace à court terme (illusion de fluence). Recommandations dérivées : tests fréquents à faible enjeu, récupération espacée, interleaving, feedback (y compris différé).
Application dans Immbot AI : messages d'interface qui expliquent l'illusion de fluence (« te tester te semble plus difficile — c'est le signe que ça fonctionne ») ; chaque session d'étude commence par une récupération (mini-quiz) avant toute relecture.

# 5.3 Test-Enhanced Learning in undergraduate science courses (Brame & Biel)

Organisme : CBE—Life Sciences Education (American Society for Cell Biology)
Date : 2015
URL : https://www.lifescied.org/doi/10.1187/cbe.14-11-0208
Principe retenu : transposition du testing effect à l'université : les quiz à faible enjeu et à feedback explicatif (pourquoi la réponse est bonne/mauvaise) fonctionnent en cours de sciences de premier cycle ; les questions à réponse construite et les distracteurs plausibles augmentent l'effet.
Application dans Immbot AI : chaque question de quiz porte un feedback élaboré généré depuis le corpus (avec citation), pas un simple « correct/incorrect » ; alterner QCM à distracteurs plausibles (erreurs typiques en évaluation immobilière) et réponses courtes corrigées par LLM.

# 5.4 Retrieval and Spaced Practice: Study Strategies That Must Be Combined

Organisme : Evidence Based Education (synthèse de 242 études, 169 179 participants)
Date : 2024
URL : https://evidencebased.education/resource/retrieval-and-spaced-practice-study-strategies-that-must-be-combined/
Principe retenu : récupération et espacement se combinent (spaced retrieval practice) : c'est la récupération espacée dans le temps qui produit les gains les plus durables, pas chaque technique isolément.
Application dans Immbot AI : les quiz adaptatifs ré-injectent des questions de modules antérieurs (récupération espacée + interleaving entre méthodes d'évaluation), au lieu de ne tester que la matière de la semaine.

# 5.5 Enhancing Student Learning with LLM-Generated Retrieval Practice Questions

Organisme : arXiv (étude empirique en cours de science des données)
Date : juillet 2025
URL : https://arxiv.org/pdf/2507.05629
Principe retenu : des questions de pratique de récupération générées par LLM, validées par l'enseignant, produisent des gains d'apprentissage mesurables ; la validation humaine reste le maillon de qualité.
Application dans Immbot AI : pipeline de génération de questions/flashcards par LLM depuis le corpus, avec file de validation professeur dans le tableau de bord (approuver / corriger / rejeter) avant publication aux étudiants ; les items validés sont marqués comme tels.

# 6. Conception d'interfaces : chat IA et applications éducatives

# 6.1 Design Patterns For AI Interfaces

Organisme : Smashing Magazine (référence professionnelle en design d'interfaces)
Date : juillet 2025
URL : https://www.smashingmagazine.com/2025/07/design-patterns-ai-interfaces/
Principe retenu : les meilleures interfaces IA 2025 dépassent le « chat nu » : actions structurées (boutons, suggestions contextuelles), affichage transparent des sources et des limites, contrôles d'édition/relance, et intégration de l'IA dans des vues dédiées à la tâche plutôt qu'une unique boîte de dialogue.
Application dans Immbot AI : le chat est un module parmi d'autres, pas la page d'accueil ; chaque vue (flashcards, quiz, carte conceptuelle) a ses propres affordances IA contextuelles (« explique-moi cette carte », « pourquoi cette réponse est fausse ? ») qui pré-remplissent le contexte.

# 6.2 NotebookLM : Document-Grounded AI (patron d'ancrage aux sources)

Organisme : Google (produit) ; synthèse technique Emergent Mind
Date : 2023–2026 (itérations continues)
URL : https://www.emergentmind.com/topics/notebooklm
Principe retenu : toutes les réponses portent des citations inline numérotées, cliquables, qui surlignent le passage exact dans le document source ; des tests journalistiques neutres rapportent ~13 % d'hallucinations au niveau des réponses contre ~40 % pour des LLM non ancrés. Le patron « réponse + notes de bas de page ancrées » est devenu le standard UX de la confiance.
Application dans Immbot AI : reprendre le patron (sans copier l'interface) : puces de citation [1][2] dans la réponse, panneau latéral « Sources » qui ouvre le PDF/la note de cours à la page exacte avec passage surligné.

# 6.3 Six conversation types & CARE framework (recherche NN/g sur les chatbots génératifs)

Organisme : Nielsen Norman Group (recherche UX indépendante, 425 interactions analysées)
Date : 2023–2025
URL : https://www.nngroup.com/topic/ai/ (CARE : https://www.nngroup.com/articles/careful-prompts/)
Principe retenu : les utilisateurs de chatbots ont des besoins distincts (question précise vs exploration vague) exigeant des interfaces variées ; les réponses doivent être directes, scannables, expansibles ; la confiance vient de la transparence, de la flexibilité et de la possibilité d'escalade vers un humain.
Application dans Immbot AI : réponses structurées (résumé d'abord, détails dépliables), suggestions de questions de départ par module, bouton « signaler au professeur » comme voie d'escalade humaine.

# 6.4 Chatbot UI/UX Design Best Practices (streaming, récupération d'erreur)

Organisme : Lollypop Design (guide professionnel 2025–2026)
Date : janvier 2025 (mise à jour 2026)
URL : https://lollypop.design/blog/2025/january/chatbot-ui-ux-design-best-practices-examples/
Principe retenu : le streaming token par token est l'attente de base de toute interface LLM ; prévoir des « boucles de récupération » pour les questions hors périmètre : boutons de reformulation rapide, citations de sources pour confirmation, transfert vers un humain.
Application dans Immbot AI : streaming SSE sur toutes les réponses ; quand la question sort du corpus des deux cours, message d'abstention + puces de reformulation (« cherchais-tu : dépréciation ? capitalisation ? ») + lien vers le forum/professeur.

# 6.5 Duolingo Research (engagement, gamification mesurée par A/B tests)

Organisme : Duolingo Research (publications officielles de l'équipe de recherche)
Date : 2016–2025
URL : https://research.duolingo.com/
Principe retenu : les mécaniques d'engagement (séries/streaks, objectifs quotidiens, rappels au bon moment) sont validées par expérimentation contrôlée et adossées à un vrai modèle de mémoire — la gamification sert l'ordonnancement des révisions, elle ne le remplace pas.
Application dans Immbot AI : gamification sobre et adulte : série d'étude, objectif hebdomadaire, progression visible par compétence ; pas de mécaniques infantilisantes ; chaque rappel correspond à des cartes réellement dues (FSRS) ou à un plan d'étude avant examen.

# 7. Confidentialité et sécurité des données étudiantes

# 7.1 Loi 25 — Loi modernisant des dispositions législatives en matière de protection des renseignements personnels (LQ 2021, c. 25)

Organisme : Assemblée nationale du Québec (texte officiel via CanLII)
Date : adoptée septembre 2021 ; principales obligations en vigueur depuis septembre 2023 (portabilité : 2024)
URL : https://www.canlii.org/fr/qc/legis/loisa/lq-2021-c-25/derniere/lq-2021-c-25.html
Principe retenu : cadre applicable au Québec (et donc à un outil utilisé par des étudiants de l'UQO) : consentement explicite, minimisation, responsable de la protection des renseignements personnels, évaluation des facteurs relatifs à la vie privée (EFVP) avant tout projet impliquant des renseignements personnels ou leur communication hors Québec, transparence sur les décisions/traitements automatisés et droit à l'explication, sanctions jusqu'à 25 M$.
Application dans Immbot AI : EFVP documentée avant lancement ; consentement explicite à l'inscription ; page « Vie privée » expliquant en français clair quelles données sont collectées et comment le score de maîtrise est calculé (obligation de transparence algorithmique) ; désignation d'un responsable (le professeur/porteur du projet).

# 7.2 Protection des renseignements personnels — Gouvernement du Québec

Organisme : Gouvernement du Québec (guides officiels pour les organismes, dont l'enseignement)
Date : 2023–2025 (mises à jour continues)
URL : https://www.quebec.ca/gouvernement/travailler-gouvernement/normes-gouvernance-pratiques-internes/protection-des-renseignements-personnels
Principe retenu : gouvernance concrète attendue des organismes : registre des incidents, politiques de conservation/destruction, encadrement contractuel des fournisseurs, évaluation avant communication hors Québec.
Application dans Immbot AI : politique de rétention (purge des conversations après la session ou sur demande), registre d'incidents, et clause d'évaluation pour tout fournisseur LLM hors Québec (OpenRouter/fournisseurs américains) : aucun renseignement personnel identifiant ne transite vers les API LLM — pseudonymisation systématique des requêtes.

# 7.3 Understanding FERPA in the Context of Generative AI: A Guide for Faculty

Organisme : Northern Michigan University, Center for Teaching and Learning (guide institutionnel, transposable)
Date : 2024–2025
URL : https://nmu.edu/ctl/understanding-ferpa-context-generative-ai-guide-faculty
Principe retenu : règles pratiques pour le corps enseignant : ne jamais soumettre de travaux ou données d'étudiants identifiables à un outil d'IA générative sans encadrement contractuel ; politiques écrites ; audits réguliers ; transparence envers les étudiants sur l'usage de leurs données.
Application dans Immbot AI : le tableau de bord professeur affiche des agrégats et pseudonymes par défaut ; l'accès aux conversations individuelles est journalisé et justifié ; guide d'utilisation destiné au professeur intégré à la documentation.

# 7.4 Student Privacy in the Age of AI (AACRAO, FERPA à 50 ans)

Organisme : AACRAO (American Association of Collegiate Registrars and Admissions Officers)
Date : décembre 2025
URL : https://www.aacrao.org/resources/ferpa/ferpa50/2025/12/17/default-calendar/student-privacy-in-the-age-of-ai--immigration--and-integrated-data--a-preview-of-aacrao's-essential-new-ferpa-publication
Principe retenu : les fournisseurs tiers traitant des données étudiantes doivent être liés contractuellement au même standard que l'établissement (statut « school official » aux É.-U. ; équivalent québécois : mandataire au sens de la Loi 25) ; la tendance 2025 est au durcissement (documentation de conformité proactive).
Application dans Immbot AI : conditions d'utilisation et entente de traitement des données rédigées dès la V1 ; inventaire des sous-traitants (hébergeur, OpenRouter, fournisseurs de modèles) tenu dans la documentation du projet.

# 8. Intégrité académique et IA générative à l'université

# 8.1 Guidance for Generative AI in Education and Research (UNESCO)

Organisme : UNESCO (orientation officielle mondiale)
Date : septembre 2023 (référence toujours en vigueur, complétée en 2024–2025)
URL : https://policycommons.net/artifacts/6942367/guidance-for-generative-ai-in-education-and-research/7852269/
Principe retenu : approche centrée sur l'humain : l'IA doit augmenter l'apprentissage, pas le remplacer ; obligations de protection des données, validation éthique et pédagogique des systèmes avant déploiement, agence de l'enseignant préservée.
Application dans Immbot AI : positionnement produit explicite — outil d'étude et de préparation aux examens, pas outil de production de travaux ; le professeur valide le contenu généré (questions, flashcards) et garde le contrôle des paramètres pédagogiques.

# 8.2 AI Competency Framework for Students (UNESCO)

Organisme : UNESCO
Date : septembre 2024
URL : https://unesdoc.unesco.org/ark:/48223/pf0000391105
Principe retenu : quatre axes de compétence IA pour les étudiants : pensée centrée sur l'humain, éthique de l'IA, applications techniques, conception de systèmes — les étudiants doivent comprendre l'outil qu'ils utilisent, y compris ses limites.
Application dans Immbot AI : écran d'accueil « comment Immbot fonctionne et où il peut se tromper » (RAG, citations, limites), et mention systématique que les réponses IA doivent être vérifiées contre les sources citées.

# 8.3 Generative AI in higher education: A global perspective of institutional adoption policies and guidelines

Organisme : Computers and Education: Artificial Intelligence (Elsevier)
Date : 2024
URL : https://www.sciencedirect.com/science/article/pii/S2666920X24001516
Principe retenu : les politiques universitaires convergent : usage responsable autorisé et encadré (plutôt qu'interdiction), accent sur l'originalité, l'attribution/divulgation de l'aide IA, et l'alignement avec les objectifs d'apprentissage ; l'équité d'accès est un enjeu récurrent.
Application dans Immbot AI : bandeau de divulgation exportable (« j'ai étudié avec Immbot AI ») et rappel de la politique du cours dans l'app ; accès égal pour tous les étudiants inscrits (financé par le cours, pas par l'étudiant).

# 8.4 A Framework for Developing University Policies on Generative AI Governance: A Cross-national Comparative Study

Organisme : arXiv (étude comparative internationale)
Date : avril 2025
URL : https://arxiv.org/pdf/2504.02636
Principe retenu : les politiques efficaces distinguent les usages par contexte (étude personnelle ≠ travaux notés ≠ examens) plutôt qu'une règle unique, et prévoient des mécanismes de gouvernance (comité, révision périodique).
Application dans Immbot AI : garde-fous par contexte codés dans le produit : tutorat complet en mode étude ; indices seulement sur les exercices ; aucune aide IA en mode examen blanc ; journalisation permettant au professeur de vérifier le respect du cadre.

# 8.5 Generative AI Policies at the World's Top Universities: October 2025 Update

Organisme : Thesify (veille synthétique des politiques de grandes universités)
Date : octobre 2025
URL : https://www.thesify.ai/blog/gen-ai-policies-update-2025
Principe retenu : état des lieux 2025 : la norme est « autorisé avec conditions définies par l'enseignant du cours » ; la détection automatique de texte IA est jugée peu fiable et les politiques misent plutôt sur la conception des évaluations et la transparence.
Application dans Immbot AI : pas de « détecteur d'IA » dans la plateforme ; l'intégrité passe par le design (l'outil ne rédige pas de travaux, il fait pratiquer) et par la traçabilité de l'activité d'étude que l'étudiant peut choisir de partager.

# 9. Architecture OpenRouter

# 9.1 OpenRouter API Reference (overview)

Organisme : OpenRouter (documentation officielle)
Date : documentation vivante, consultée août 2026
URL : https://openrouter.ai/docs/api/reference/overview
Principe retenu : API unifiée compatible OpenAI — base https://openrouter.ai/api/v1 ; POST /chat/completions (avec messages) ; auth Authorization: Bearer <clé> ; en-têtes optionnels HTTP-Referer et X-OpenRouter-Title pour identifier l'app ; streaming SSE via "stream": true (commentaires SSE à ignorer côté client) compatible avec tous les modèles ; GET /generation?id= pour récupérer a posteriori tokens et coût réel d'une génération (cost, cost_details, détails cache/raisonnement).
Application dans Immbot AI : un seul client LLM dans le backend (compatible SDK OpenAI pointé sur OpenRouter) ; streaming SSE relayé jusqu'au navigateur ; job asynchrone qui interroge /generation pour journaliser le coût réel de chaque requête par module (chat, quiz, flashcards) et par étudiant pseudonymisé.

# 9.2 OpenRouter Models API (catalogue de modèles)

Organisme : OpenRouter (documentation officielle)
Date : consultée août 2026 (400+ modèles)
URL : https://openrouter.ai/docs/guides/overview/models
Principe retenu : GET /models retourne un JSON standardisé par modèle : tarification prompt/complétion, longueur de contexte, architecture et modalités d'entrée/sortie, paramètres supportés ; filtrage possible par modalités de sortie ; champ supports_streaming par endpoint. Les paramètres non supportés par un fournisseur sont ignorés silencieusement.
Application dans Immbot AI : synchronisation périodique du catalogue /models en base pour choisir dynamiquement les modèles (et détecter hausses de prix/dépréciations) ; sélection par capacités déclarées (contexte suffisant pour le RAG, entrée image pour les figures des notes de cours) plutôt que par nom codé en dur.

# 9.3 Every Modality, One API (multimodal)

Organisme : OpenRouter (blogue officiel d'annonce)
Date : 2026
URL : https://openrouter.ai/blog/insights/every-modality-one-api/
Principe retenu : image, audio, embeddings et transcription passent par la même base URL ; la plupart des entrées multimodales passent par /chat/completions, avec endpoints dédiés /images, /audio/speech, /audio/transcriptions, /embeddings ; les embeddings ne streament pas.
Application dans Immbot AI : possibilité d'utiliser OpenRouter aussi pour les embeddings du pipeline RAG et, plus tard, la lecture d'images (tableaux de calcul, plans, photos de propriétés dans les notes de cours) sans second fournisseur.

# 9.4 Tarification OpenRouter (pass-through)

Organisme : OpenRouter (modèle tarifaire officiel, synthèses 2026)
Date : 2026
URL : https://openrouter.ai/models (comparateurs : https://costgoat.com/pricing/openrouter)
Principe retenu : prix au jeton fixés par les fournisseurs et répercutés au coût direct (plus frais de plateforme sur les crédits) ; routage, failover et streaming inclus ; les prix par modèle figurent dans la réponse /models, ce qui permet une estimation de coût avant l'appel.
Application dans Immbot AI : routage par tâche pour maîtriser le budget : modèle économique (classe « mini/flash ») pour génération de flashcards, corrections QCM et vérification d'ancrage ; modèle de pointe uniquement pour le tutorat socratique et la correction de réponses ouvertes ; plafond de dépense par étudiant/mois calculé depuis les prix du catalogue, avec repli automatique (fallback) sur un modèle moins coûteux.

# Synthèse des décisions pour Immbot AI

Décisions de conception concrètes dérivées de la recherche ci-dessus :

Citations serveur, jamais LLM — les références sont construites côté serveur à partir des chunks réellement récupérés (ID + offsets, patron Anthropic Citations), affichées en puces cliquables ouvrant le passage surligné dans le document du cours (patron NotebookLM). (Thèmes 1, 6)
Vérification d'ancrage + abstention — post-vérification span-level de chaque réponse ; si la preuve est insuffisante, le chat répond « ce point n'est pas couvert dans le matériel du cours » avec suggestions de reformulation, au lieu d'extrapoler. (Thème 1)
Jeu d'évaluation RAG maison — 50–100 Q/R annotées sur le contenu des deux cours (protocole inspiré de RAGTruth), ré-exécuté à chaque changement de modèle, prompt ou découpage. (Thème 1)
Tuteur « une étape à la fois » (patron PS2 Pal/Harvard) — jamais la solution complète d'emblée, tentative de l'étudiant exigée avant chaque indice ; pas de bouton « donne-moi la réponse » ; deux modes affichés : Tuteur et Socratique. (Thème 2)
Tuteur calibré par l'état de maîtrise — le prompt du tuteur reçoit le niveau BKT/Elo de l'étudiant sur la notion en cours pour poser des questions dans la zone proximale de développement. (Thèmes 2, 4)
FSRS (et non SM-2) pour les flashcards — bibliothèque officielle ts-fsrs, paramètres par défaut, rétention désirée 0,9 (réglage simple 0,8/0,9/0,95 exposé), historique complet des révisions conservé pour optimisation ultérieure par étudiant. (Thème 3)
Double moteur de maîtrise — Elo par composante de connaissance pour choisir la prochaine question (difficulté optimale, auto-calibration des items), BKT pour statuer sur la maîtrise (seuil P ≥ 0,95, règle d'arrêt bayésienne : 3–10 questions). (Thème 4)
Découpage des deux cours en 20–40 composantes de connaissance chacun — ossature commune du suivi de maîtrise, de la carte conceptuelle (couleur des nœuds), des plans d'étude et du tableau de bord professeur. (Thèmes 4, 5)
Récupération espacée et interleaving partout — les quiz mélangent systématiquement des questions de modules antérieurs et alternent les méthodes d'évaluation immobilière ; chaque session commence par un mini-quiz de récupération, jamais par de la relecture. (Thème 5)
Feedback formatif élaboré — chaque question de quiz/flashcard porte une explication ancrée dans le corpus (avec citation), pas un simple correct/incorrect ; distracteurs construits sur les erreurs typiques du domaine. (Thèmes 1, 5)
Validation professeur du contenu généré — file d'approbation (approuver/corriger/rejeter) dans le tableau de bord pour toute question ou flashcard générée par LLM avant publication. (Thèmes 5, 8)
Tableau de bord professeur actionnable — 3 à 5 signaux prioritaires (notions faibles de la cohorte, étudiants à risque, questions fréquentes au chat), agrégé et pseudonymisé par défaut ; co-conçu avec le professeur. (Thèmes 6, 7)
Conformité Loi 25 dès la V1 — EFVP documentée, consentement explicite, minimisation, transparence sur le calcul des scores de maîtrise (traitement automatisé), politique de rétention/purge, et pseudonymisation systématique de toute requête envoyée aux API LLM externes (aucun renseignement identifiant hors Québec). (Thème 7)
Intégrité par le design, pas par la détection — l'outil fait pratiquer et n'écrit pas de travaux ; garde-fous par contexte : tutorat complet en mode étude, indices seulement sur exercices, zéro aide IA en mode examen blanc ; divulgation d'usage exportable ; pas de détecteur d'IA. (Thèmes 2, 8)
OpenRouter comme passerelle LLM unique — client compatible OpenAI, streaming SSE de bout en bout, catalogue GET /models synchronisé pour la sélection dynamique par capacités et prix, routage par tâche (modèle économique pour flashcards/QCM/vérification, modèle de pointe pour tutorat et réponses ouvertes), suivi du coût réel via /generation et plafond budgétaire par étudiant avec repli automatique. (Thème 9)

Document produit pour la phase de conception d'Immbot AI. Les URL ont été relevées lors de la recherche du 4 août 2026 ; vérifier la disponibilité des pages au moment de l'implémentation.