🎬 VIDÉO DÉMO

Système de Tutorat Adaptatif Multimodal

Script + Plan de Tournage — 5 à 7 minutes

📋 VUE D'ENSEMBLE

🎯 Objectif Présenter le système à ton encadreur en montrant les fonctionnalités

clés et la cohérence technique

⏱ Durée cible 5 à 7 minutes

🎤 Format Screen recording + voix off en direct

👤 Audience Encadreur de mémoire (profil technique/académique)

🔑 Message clé Le système est complet, déployé, fonctionnel — IA multimodale +

pédagogie adaptive + BKT
📐 STRUCTURE DE LA VIDÉO
La vidéo est découpée en 6 séquences, chacune avec un objectif précis. Respecte l'ordre — il suit
la logique de la soutenance.

# Séquence Durée Ce que ça prouve

1 Introduction & Architecture ~30 sec Vision globale du système

2 Parcours apprenant complet ~2 min L'expérience adaptative en action
3 Analyse multimodale en direct ~1 min 30 Le cœur de l'innovation (IA embarquée)
4 Tuteur conversationnel (LLM) ~45 sec L'intelligence pédagogique
5 Interface enseignant & BKT ~45 sec La boucle pédagogique complète
6 Conclusion & perspectives ~30 sec Maturité du projet
🎬 PLAN DE TOURNAGE DÉTAILLÉ
Pour chaque séquence : ce que tu affiches à l'écran + ce que tu dis exactement. Le script est
calibré pour être naturel, pas récité.

Séquence 1 — Introduction & Architecture (0:00 → 0:30)

Écran à préparer
→ Ouvre l'application sur la page d'accueil / landing page
→ Prépare un onglet avec le schéma d'architecture (ou le README du projet)

⏱ Temps 🎬 Ce que tu montres 🎤 Ce que tu dis (script)

0:00 – 0:10 Page d'accueil de l'application (Netlify) "Bonjour. Je vais vous présenter notre
système de tutorat adaptatif basé sur
l'analyse multimodale de l'engagement.
L'application est déployée en production
— je vais vous en faire une
démonstration live."
0:10 – 0:25 Schéma architecture ou résumé technique "Le système combine un frontend React
du mémoire déployé sur Netlify, un backend FastAPI
sur Render, une base Supabase, et trois
modèles IA embarqués côté navigateur :
FaceMesh pour la vision, EfficientNet
pour les émotions, et AudioResNet pour
la reconnaissance vocale."
0:25 – 0:30 Retour à l'app, connexion avec un compte "Je me connecte maintenant avec un
apprenant test compte apprenant pour vous montrer le
parcours complet."

Séquence 2 — Parcours apprenant complet (0:30 → 2:30)

Écran à préparer
→ Connecté en tant qu'apprenant test
→ Navigue vers une UA (Unité d'Apprentissage) pas encore commencée
→ Active le mode son sur ton ordinateur — on doit entendre Alisha parler

⏱ Temps 🎬 Ce que tu montres 🎤 Ce que tu dis (script)

0:30 – 0:50 Dashboard apprenant — timeline des "Voici le tableau de bord. Les UAs sont
modules organisées de façon linéaire selon le
référentiel APC camerounais. Le
déblocage est séquentiel : l'apprenant
ne peut accéder à une UA que s'il a
maîtrisé la précédente, selon son score
BKT."
0:50 – 1:10 Lancer un tutoriel — Alisha apparaît, intro "Je lance un tutoriel. L'avatar Alisha
en TTS entre en mode 'welcome' et présente
l'UA en synthèse vocale. Elle a 10 états
⏱ Temps 🎬 Ce que tu montres 🎤 Ce que tu dis (script)

visuels et s'adapte selon le feedback

pédagogique."
1:10 – 1:40 Phase ressources — contenu affiché "Le contenu s'adapte au niveau de
selon le niveau l'apprenant déterminé par le BKT. Un
apprenant niveau 1 voit toutes les
ressources ; niveau 3, il passe
directement aux exercices."
1:40 – 2:10 Répondre à un exercice QCM — bonne "Les exercices sont triés du plus facile
réponse au plus difficile par le BKT. Bonne
réponse : animation flip, confettis, son
montant. On voit le streak
s'incrémenter."
2:10 – 2:30 Répondre incorrectement — "Mauvaise réponse. Si l'apprenant
déclenchement tuteur IA accumule deux erreurs consécutives
avec un BKT inférieur à 40%, le tuteur
IA se déclenche automatiquement pour
expliquer l'erreur en langage naturel."
Séquence 3 — Analyse multimodale en direct (2:30 → 4:00)

Écran à préparer
→ Ouvre les DevTools → Console, ou affiche l'overlay d'engagement si disponible
→ Autorise la caméra et le micro dans le navigateur
→ Assure-toi d'être bien éclairé pour que FaceMesh détecte ton visage

⏱ Temps 🎬 Ce que tu montres 🎤 Ce que tu dis (script)

2:30 – 2:50 Activer la session — caméra ON, "Pendant la session, trois modalités
FaceMesh visible sur le visage s'analysent en parallèle. La modalité
visuelle utilise MediaPipe FaceMesh —
468 landmarks faciaux — couplé à
EfficientNet-B0 entraîné sur des visages
africains avec 89,9% de précision."
2:50 – 3:15 Montrer les métriques : EAR, yaw/pitch, "Le système calcule l'EAR — le ratio
état émotionnel d'aspect des yeux pour détecter la
somnolence — l'orientation de la tête via
yaw et pitch, et classe l'état affectif :
concentré, confus, distrait, excité..."
3:15 – 3:40 Parler une commande vocale — ex: dire "Côté audio, un VAD maison détecte la
'aide' ou 'répéter' parole active. Et AudioResNet V4
reconnaît 7 mots-clés en temps réel. Je
dis le mot 'aide'... [dire 'aide' à voix
haute] ...et l'interface réagit sans toucher
l'écran."
3:40 – 4:00 Montrer le log d'interactions dans le "Toutes ces données sont fusionnées en
dashboard ou la console un score d'engagement composite —
facial, audio, comportemental — et
loggées dans la table progressions. Ce
sont les données d'entraînement du
futur modèle LSTM DKT-E."

Séquence 4 — Tuteur conversationnel LLM (4:00 → 4:45)

Écran à préparer
→ Provoque une mauvaise réponse pour déclencher le tuteur
→ OU clique sur 'Demander une explication' après une erreur

⏱ Temps 🎬 Ce que tu montres 🎤 Ce que tu dis (script)

4:00 – 4:20 Mauvaise réponse — bouton 'Demander "Le tuteur conversationnel utilise Claude
une explication' — réponse LLM s'affiche Haiku 4.5 en priorité. Il connaît le niveau
de l'apprenant, l'énoncé, les options, la
bonne réponse et les objectifs
d'apprentissage. Il répond en français
simple, en 4 à 6 phrases."
4:20 – 4:45 Montrer la cascade de fallback dans le "Si Claude Haiku est indisponible, le
code ou les logs système bascule automatiquement sur
Groq avec LLaMA 3.3 70B, puis sur une
instance Ollama locale, et enfin sur une
⏱ Temps 🎬 Ce que tu montres 🎤 Ce que tu dis (script)

explication statique. La résilience est

totale."

Séquence 5 — Interface enseignant & BKT (4:45 → 5:30)

Écran à préparer
→ Connecte-toi avec un compte enseignant test
→ Navigue vers le tableau de bord BKT et la liste des apprenants

⏱ Temps 🎬 Ce que tu montres 🎤 Ce que tu dis (script)

4:45 – 5:05 Dashboard enseignant — tableau BKT "L'enseignant voit en temps réel la
des compétences de la classe probabilité de maîtrise de chaque
compétence pour chaque apprenant. Le
BKT est mis à jour après chaque
interaction. Il peut ainsi cibler ses
interventions."
5:05 – 5:20 Interface de création de cours / correction "Il crée aussi le contenu via l'admin —
de copies modules, UAs, exercices. Et pour les
épreuves, Claude Sonnet 4.6 corrige les
copies papier photographiées via vision
multimodale."
5:20 – 5:30 Lancer un cours live — code à 6 "Enfin, le mode classe virtuelle
caractères généré synchrone permet à l'enseignant de
piloter les slides en temps réel via
WebSocket, de lancer des quiz inline et
de voir les statistiques de la classe
instantanément."
Séquence 6 — Conclusion & perspectives (5:30 → 6:00)

Écran à préparer
→ Reviens sur la page d'accueil ou le résumé technique
→ Ou un schéma montrant la boucle complète : Apprenant → Engagement → BKT → Adaptation

⏱ Temps 🎬 Ce que tu montres 🎤 Ce que tu dis (script)

5:30 – 5:50 Vue synthétique de l'architecture ou "Pour résumer : le système collecte

schéma de la boucle adaptative l'engagement en temps réel via trois
modalités, alimente le BKT pour adapter
le contenu, et utilise des LLMs pour la
génération d'explications et la correction.
Tout est déployé et fonctionnel."
5:50 – 6:00 Écran final ou landing page "La perspective immédiate est
l'entraînement du modèle LSTM DKT-E
sur les données collectées, pour prédire
la maîtrise future en intégrant
l'engagement comme variable
prédictive. Merci."
✅ CHECKLIST AVANT L'ENREGISTREMENT

Technique
• Résolution d'écran : 1920×1080 minimum (pas de mise à l'échelle)
• Outil d'enregistrement prêt : OBS Studio, Loom, ou QuickTime (Mac)
• Microphone testé — voix claire, pas d'écho
• Application ouverte et chargée dans le navigateur (pas de temps de chargement pendant la
démo)
• Comptes test prêts : 1 apprenant, 1 enseignant, avec données déjà en base
• Caméra autorisée dans le navigateur pour la démo multimodale
• Notifications système désactivées (mode Ne pas déranger)

Contenu
• Au moins une UA avec des exercices variés (QCM + Vrai/Faux + réponse libre)
• Un apprenant test avec un BKT déjà calculé sur quelques compétences
• Une épreuve corrigée visible dans l'interface enseignant
• Les logs d'interactions visibles (console ou overlay)

Présentation
• Parle lentement et clairement — laisse 1 seconde de silence avant chaque séquence
• Ne lis pas le script mot pour mot — connais-le assez pour le paraphraser naturellement
• Si quelque chose plante : reste calme, dis "le backend Render peut avoir un cold start de
quelques secondes" et attends
• Zoom sur les zones importantes avec Ctrl+Roulette ou l'outil de zoom de ton OS

💡 CONSEIL FINAL
Fais un run complet à blanc avant l'enregistrement définitif.
Chronométre-toi : si tu dépasses 7 minutes, raccourcis les séquences 4 et 5.
Le plus important : montre que le système marche en vrai — c'est ça qui impressionne un encadreur.

Bonne vidéo ! 🎬