Répondre avec des documents
Répondre avec des extraits de documents. Vérifier si la réponse s’appuie bien sur eux.
Un modèle peut utiliser des documents pour répondre.
Le RAG ajoute une recherche de documents. Ici, le modèle reçoit des extraits de programmes scolaires. Compare sa réponse avec et sans ces extraits.
Note pour l'enseignant
Idée-clé : vérifier les documents retrouvés, puis vérifier que la réponse leur est fidèle. Le RAG peut réduire certaines erreurs, sans toutes les supprimer.
La base : des programmes scolaires indexés avec un modèle d’embeddings sur Albert. Ces représentations numériques servent à chercher des passages proches de la question.
En classe : ne pas annoncer quelle réponse sera meilleure. Examiner la pertinence, la date et la suffisance des extraits, puis les deux réponses.
Avec des 2nde : trois angles qui rendent l'outil concret — interroger le programme de leur année (« on doit vraiment apprendre ça ? »), éclairer le choix des spécialités en interrogeant les programmes de 1re, et le défi « question piège » hors programme, qui fait toucher du doigt l'invention. Lien direct avec la SNT (moteurs de recherche, données) et le vocabulaire du cadre d'usage de l'IA.
Le système cherche des passages proches de la question. Choisis une question pour voir un exemple de classement.
Extraits et scores fictifs pour le jeu. Un score de proximité n’est pas une probabilité de vérité. L’autre onglet interroge la base documentaire du service ; sa couverture peut être incomplète.
Des nombres pour rapprocher les textes
Un modèle transforme le texte en une liste de nombres : un vecteur. Il peut rapprocher deux formulations de sens voisin. Il peut aussi se tromper.
Le RAG en 3 étapes
- Chercher — retrouver dans la base les extraits les plus proches du sens de la question.
- Fournir — glisser ces extraits dans la consigne donnée à l'IA.
- Rédiger — l'IA écrit à partir de ces extraits, et peut donc citer ses sources.
Cette architecture, dite Retrieval-Augmented Generation, a été formalisée par Lewis et al. (NeurIPS 2020) — sources en bas de page.
Pose une question. Le même modèle répond sans documents, puis avec les extraits retrouvés.
Sans recherche — sans extraits ajoutés
Avec recherche — RAG
Ce que l'IA a reçu avant de répondre
Le score indique une proximité calculée, pas une probabilité que l’extrait soit vrai ou utile. Lis les extraits pour vérifier.
Trois défis
- Vérifier le prof : poser une question sur le programme de l'année (« on doit vraiment apprendre ça ? ») et confronter la réponse aux extraits officiels.
- Éclairer l'orientation : interroger les programmes des spécialités de 1re (« qu'étudie-t-on vraiment en spécialité SVT ? ») avant de choisir.
- La question piège : poser une question hors programme (« Que dit le programme sur le permis de conduire ? »). Sans recherche, l'IA invente-t-elle ? Avec, que fait-elle quand elle ne trouve rien ?
À retenir
Des sources peuvent aider le modèle. Mais une source fiable peut être mal comprise ou mal citée. Vérifie le lien entre la réponse et les extraits.
Références
- Éduscol — MEN (2025). Programmes scolaires officiels — la base documentaire interrogée par la recherche
- DINUM / Etalab (2025). Albert, l'IA de l'État français — génération (Mistral) et vecteurs de sens (embeddings BAAI/bge-m3)
- Lewis, P. et al. (2020). Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (NeurIPS) — article de recherche
- CSEN — GT8 « Développer l'esprit critique » (2025). Fiabilité des sources et qualité des preuves — compétences réinvesties dans la lecture des extraits