# Stratégie de science de l'apprentissage — Immbot AI

Chaque fonctionnalité pédagogique d'Immbot AI applique un principe validé par la recherche
(références détaillées dans docs/web-research.md).

## 1. Pratique de récupération (retrieval practice)
Se tester bat relire (Roediger & Karpicke). → Flashcards, quiz et examens blancs sont au cœur du
produit ; les résumés incluent des « questions d'auto-vérification » ; le mode Tuteur termine ses
explications par une question de vérification.

## 2. Répétition espacée — algorithme SM-2 (documenté)
Choix : **SM-2** (SuperMemo-2), avec intervalles initiaux 1 j / 6 j puis facteur de facilité
EF ∈ [1,3 ; 2,5+] ajusté par la qualité de rappel auto-évaluée (Encore / Difficile / Bien / Facile,
mappée sur q = 2/3/4/5). Justification : transparent, éprouvé, implémentable sans données
d'entraînement — FSRS est supérieur avec un large historique par utilisateur, mais exige un
optimiseur et des données que la v1 n'a pas ; le schéma stocke l'historique complet des révisions,
ce qui permettra une migration FSRS sans perte.

## 3. Espacement et entrelacement (spacing & interleaving)
Le plan d'étude répartit chaque notion sur plusieurs séances (jamais un seul bloc massif) et
**entrelace** les thèmes (ex. terrain + coûts indirects le même jour) plutôt que de bloquer par
chapitre — meilleur transfert pour les tâches de discrimination (choisir la bonne méthode, classer
une dépréciation), exactement les compétences visées par ces cours.

## 4. Maîtrise progressive (mastery learning) — score composite
La maîtrise d'un concept n'est pas une moyenne de notes. Score ∈ [0,1] combinant :
exactitude pondérée par **difficulté** de l'item · **récence** (décroissance exponentielle,
demi-vie 14 jours) · **autonomie** (réponse sans indice > avec indices) · **type de tâche**
(examen blanc > quiz > flashcard) · **confiance déclarée** (bien calibrée = bonus léger) ·
consistance sur items similaires. Présenté explicitement comme **estimation** (« maîtrise
estimée »), avec 4 paliers : À découvrir < 0,3 ≤ En construction < 0,6 ≤ Solide < 0,85 ≤ Maîtrisé.
Inspiré de Bayesian Knowledge Tracing simplifié : chaque observation met à jour le score par
lissage exponentiel dont le pas dépend de la force de l'évidence.

## 5. Quiz adaptatifs
Démarrage au niveau estimé du concept ; ± un cran de difficulté selon les 2 dernières réponses
(escalier, robuste et explicable) ; ciblage : 60 % faiblesses / 25 % consolidation / 15 % découverte ;
distracteurs construits sur les **erreurs fréquentes documentées du cours** (double comptage,
âge chronologique vs effectif, service de la dette dans le RNE…) ; après une erreur : explication +
question de consolidation similaire.

## 6. Rétroaction formative
Rétroaction immédiate, spécifique, orientée processus (pas seulement « bonne/mauvaise réponse ») :
le mode « Corrige ma réponse » suit une grille — raisonnement → concepts → formule → calcul →
omissions → structure — et donne des **indices progressifs** avant la solution (fading).

## 7. Effet de génération et tutorat socratique
Le mode Socratique fait produire l'étudiant avant de donner la réponse (génération > réception).
Politique d'intégrité : pour une question détectée « de type devoir », le comportement par défaut
configurable est indices d'abord.

## 8. Charge cognitive
Explications par étapes courtes ; exemples travaillés (worked examples) avant les problèmes libres
pour les notions nouvelles ; la carte des concepts rend les préalables explicites pour éviter
d'étudier une notion sans ses fondations.

## 9. Métacognition
Confiance déclarée avant correction (calibration) ; cahier d'erreurs avec statut géré par l'étudiant
(comprise / à revoir / maîtrisée) ; tableau de progression honnête (estimations, pas de fausses
certitudes) ; recommandations toujours **justifiées** (« pourquoi cette activité maintenant »).

## 10. Motivation durable (gamification sobre)
Séries de jours d'étude, jalons de maîtrise, badges académiques sobres (« Ventilation maîtrisée »),
objectifs hebdomadaires choisis par l'étudiant. Aucune mécanique de pression sociale, aucun
classement public, aucune récompense variable manipulatrice.

---

**Note d'arbitrage (post-recherche Web)** : la recherche (docs/web-research.md) recommande FSRS à
terme. Décision v1 : SM-2, car transparent et sans dépendance, avec `review_log` complet conservé —
la migration FSRS (ts-fsrs) est possible sans perte de données et documentée comme évolution v2.
Même logique pour Elo+BKT : la v1 utilise l'escalier adaptatif + score composite décrits ci-dessus,
plus simples à expliquer aux étudiants, avec les événements bruts (`mastery_events`) conservés.