Aller au contenu
Base de connaissances

Présentation d'Askalot

Askalot est le système d’exploitation de la recherche (Research Operating System) dont les questionnaires sont vérifiés mathématiquement. Une seule plateforme accompagne le chercheur tout au long du cycle de vie — idéation → conception → campagne → collecte → analyse de la qualité des données —, coordonnée par un article de recherche central que chaque agent IA lit et enrichit. Une preuve mathématique formelle confirme que la logique du questionnaire est saine avant la mise sur le terrain ; l’étape d’analyse mesure et défend ensuite le jeu de données obtenu au lieu de simplement l’exporter.

  • Établissements universitaires : universités et centres de recherche menant des travaux scientifiques
  • Instituts d’études de marché : entreprises qui réalisent des projets de recherche
  • Administrations publiques : recherche sur les politiques publiques et mesure de l’opinion
  • ONG et groupes de réflexion : organisations de recherche et de plaidoyer fondées sur les données probantes
Rôle Responsabilité
Concepteur de questionnaires Crée dans Armiger des instruments d’enquête à la logique et au parcours corrects
Responsable de terrain Coordonne dans Targetor les campagnes de collecte et la sélection des participants
Enquêteur Mène dans SirWay des entretiens en face à face ou par téléphone et saisit les réponses pour le compte des répondants
Répondant Répond aux enquêtes via un lien magique ou avec l’aide d’un enquêteur
Analyste de données Traite et exporte dans Balansor les données d’enquête collectées

QML (Questionnaire Markup Language) est un langage dédié fondé sur YAML, conçu spécifiquement pour la génération de questionnaires assistée par l’IA. QML repose sur une syntaxe déclarative dotée d’une sémantique mathématique : l’IA se concentre sur le contenu des questions, tandis que les solveurs SMT se chargent de la validation logique.

Les outils d’IA actuels peinent à générer des enquêtes complexes, car les grands modèles de langage subissent une charge cognitive écrasante lorsqu’ils doivent à la fois :

  • formuler des questions qui ont du sens
  • suivre les dépendances conditionnelles entre les questions
  • garantir la cohérence logique sur tous les chemins
  • maintenir l’ordre et l’enchaînement corrects des questions
  • éviter les contradictions et les impasses inaccessibles

QML résout ce problème en séparant les responsabilités : l’IA génère les questions, SMT valide la logique.

  • Syntaxe déclarative : les questions sont définies par des préconditions et des postconditions, et non par un déroulé séquentiel
  • Sémantique mathématique : chaque construction QML a une signification mathématique formelle, vérifiée par Z3
  • Séparation des responsabilités : l’IA génère des questions pertinentes, tandis que les solveurs SMT assurent la cohérence logique
  • Format lisible par un humain : YAML, avec une navigation fondée sur des diagrammes, rend les questionnaires accessibles aux non-programmeurs

Cette séparation dispense l’IA de suivre les dépendances conditionnelles complexes, la cohérence logique et l’ordre du parcours : elle peut se consacrer entièrement à la formulation de questions pertinentes, tandis que la validation mathématique prend en charge la complexité.

Consultez Syntaxe QML pour la documentation détaillée.

Askalot fournit chaque question d’une enquête sous la forme d’un document JSON universel prêt à être affiché, ce qui facilite son intégration dans n’importe quelle application. Un questionnaire est le modèle vérifié ; une enquête est la session d’un répondant qui le parcourt. Le format de présentation décrit toujours la question suivante d’une enquête en cours, calculée à partir des réponses précédentes du répondant. Chaque étape contient toutes les informations nécessaires pour afficher la question :

  • Intitulé et texte : l’intitulé de la question, accompagné d’un texte descriptif facultatif
  • Spécification du contrôle de saisie : le type de contrôle (texte, boutons radio, cases à cocher, liste déroulante, curseur, interrupteur) et sa configuration
  • Options prêtes à afficher : les options de réponse valides, extraites à l’avance du contrôle — des codes de réponse entiers associés à leurs libellés
  • Validation côté serveur : les réponses sont vérifiées par rapport aux postconditions QML lors de leur envoi — une réponse refusée renvoie le message d’aide de la question

Cette représentation JSON rend l’intégration très simple :

  1. Aucun composant d’interface imposé : les applications utilisent les composants de leur propre framework
  2. Aucun CSS personnalisé requis : le style s’accorde avec le design existant de votre application
  3. Cohérence de marque : les questions adoptent naturellement l’apparence de votre application
  4. Libre choix du framework : fonctionne avec React, Vue, Angular, du JavaScript natif ou toute autre technologie front-end

Cette approche permet à toute application d’afficher des enquêtes avec ses composants natifs, tout en conservant la validation logique complète du moteur QML. Consultez Format de présentation des enquêtes pour la référence complète du format et de la boucle de parcours.

Les quatre services forment un flux de travail intégré, coordonné par l’article de recherche :

ArmigerIdéation et conception<<Article + QML>>TargetorConstruire la campagneSirWayConduire l'enquête<<JSON>>BalansorAnalyse de la qualité des données<<Parquet>>
  1. Idéation et conception dans Armiger : l’IA ingère les documents sources et les objectifs exprimés en langage naturel, rédige l’article de recherche, puis génère un questionnaire QML ancré dans l’article ; SMT en valide la cohérence logique
  2. Campagne dans Targetor : importez le public cible, configurez les paramètres démographiques et la stratégie d’échantillonnage en cohérence avec l’article, puis lancez la campagne
  3. Collecte dans SirWay : les répondants suivent le parcours vérifié lors de la publication, avec une navigation dynamique ; des agents persona peuvent simuler des réponses pour les tests
  4. Analyse de la qualité des données dans Balansor : calez l’échantillon pour corriger le biais d’échantillonnage, évaluez la qualité des réponses (straightlining, répondants trop rapides, α de Cronbach) et mesurez la représentativité ; l’agent Analyste lit l’article pour interpréter les résultats au regard des objectifs de recherche initiaux

Tous les services partagent un système d’authentification commun, un référentiel de données commun et un article de recherche commun : le flux de travail est ainsi cohérent, et non un relais entre des outils disjoints.

Votre parcours de recherche sur la page d'accueil de Roundtable

Le parcours de recherche de Roundtable pour un projet de démonstration : chaque étape, des objectifs inscrits dans l’article de recherche au chapitre de l’article rédigé à partir des données mesurées, avec un lien vers le service où elle se déroule.

  • Assistance de l’IA : générez des questionnaires à partir de descriptions en langage naturel
  • Prévention des erreurs : la validation mathématique détecte automatiquement les failles logiques
  • Aucun suivi manuel des dépendances : le système gère l’ordre des questions et la logique conditionnelle
  • Sérénité : vous avez la certitude que les enquêtes déployées sont logiquement saines
  • Une expérience fluide : les questions suivent un parcours dont la logique a été vérifiée avant le terrain
  • Des questions pertinentes : seules s’affichent les questions qui correspondent à leur situation
  • Aucune question inaccessible : une question que personne ne pourrait atteindre est détectée avant la mise sur le terrain
  • Une adaptation dynamique : l’enquête s’adapte aux réponses précédentes
  • Des données de qualité : la validation logique garantit la cohérence des réponses
  • Des échantillons représentatifs : Targetor permet d’équilibrer l’échantillon selon des critères démographiques
  • Une correction statistique : Balansor corrige le biais d’échantillonnage
  • Des formats standard : export vers les outils d’analyse habituels

Les plateformes d’enquête traditionnelles obligent les concepteurs à s’assurer manuellement que :

  • les questions apparaissent dans le bon ordre
  • la logique conditionnelle ne crée pas de contradictions
  • toutes les questions sont accessibles
  • les règles de validation sont compatibles entre elles

Askalot automatise tout cela grâce à la vérification mathématique. Voici un exemple de questionnaire simple :

q_age: Quel âge avez-vous ?q_consent: Acceptez-vous de participer ?q_children: Combien d'enfants avez-vous ?q_household: Combien de personnes vivent dans votre foyer ?q_end: Merci de votre participation !q_age.outcome >= 18q_household.outcome > 1q_children.outcome < q_household.outcome

Le solveur SMT vérifie automatiquement :

  1. L’atteignabilité : nœuds verts (toujours atteignables, ALWAYS), nœuds jaunes (CONDITIONAL, selon les préconditions)
  2. Les préconditions : les nœuds arrondis indiquent quand les questions s’affichent (par exemple, le consentement uniquement si l’âge est ≥ 18)
  3. Les postconditions : les nœuds hexagonaux valident les réponses (par exemple, nombre d’enfants < taille du foyer)
  4. La cohérence : toutes les contraintes sont simultanément satisfiables

Tout cela se fait instantanément pendant la conception dans Armiger, et non après le déploiement, lorsque des répondants déroutés découvrent les problèmes.