Accessibilité: fichier audio

1. Théorie

Introduction : RAG face à l’ère du long contexte

Depuis que les modèles de langage comme GPT-4o ou Gemini 1.5 Pro sont capables de traiter des fenêtres de contexte d’un million de tokens, beaucoup se sont empressés d’annoncer la fin du Retrieval-Augmented Generation (RAG). Pourquoi, en effet, se fatiguer à construire une mécanique d’extraction et d’injection d’informations si l’on peut “tout donner au modèle” d’un seul bloc ? Cette vision est séduisante, mais elle repose sur une illusion de simplicité.

Car dans les usages réels – en particulier en éducation, que ce soit pour un enseignant qui prépare ses cours, un étudiant en sciences de l’éducation qui révise un corpus théorique ou un formateur qui conçoit un dispositif pédagogique – trois obstacles apparaissent immédiatement : le coût, la latence et le bruit contextuel. Plus la fenêtre est large, plus l’appel coûte cher, et plus la génération est lente. Mais surtout, la multiplication des tokens fait émerger un phénomène bien documenté, le Lost in the Middle : les informations situées au milieu du prompt sont oubliées ou mal pondérées. Comme dans une salle des professeurs où tout le monde parle à la fois, vous retenez ce qui a été dit au début et à la fin, mais le reste devient indistinct.

Le rôle du RAG n’est donc pas mort : il s’est transformé. Il n’est plus seulement une rustine technique pour contourner les limites de contexte, mais une discipline d’optimisation à part entière. Il s’agit désormais de réduire les coûts, d’accélérer la génération et surtout de cibler l’information utile avec une précision chirurgicale.

---

Levier n°1 : Le knowledge engineering, ou l’art de préparer ses sources

La première étape pour qu’un RAG soit efficace n’est pas algorithmique mais documentaire : c’est le knowledge engineering. Découper un document en segments exploitables, sans qu’ils perdent leur sens, relève plus de l’édition que du calcul. Un enseignant sait déjà que ses élèves retiennent mieux une fiche claire qu’un manuel touffu : la même logique s’applique aux modèles de langage.

Deux techniques dominent. La première, le Parent-Child Chunking, consiste à relier chaque idée principale à ses détails. Dans une fiche EPS par exemple, le “parent” pourrait être la compétence « CA4 – Conduire et maîtriser un affrontement collectif », tandis que les “child” regrouperaient critères de réussite, variables didactiques et exemples d’exercices. Ainsi, le modèle ne récupère jamais un critère isolé, mais toujours accompagné de son contexte.

La seconde, le Sentence Window Retrieval, exploite le principe des fenêtres glissantes : lorsqu’un mot-clé correspond à une phrase, on fournit aussi les phrases avant et après. Cela évite d’extraire un morceau tronqué. Si la requête est « feedback formatif », le chunk inclura également la phrase qui définit l’évaluation formative et celle qui donne un exemple.

Le formatage est ici déterminant. Un texte brut de 30 pages sera difficile à découper intelligemment. En revanche, un document balisé en Markdown, JSON ou YAML devient un ensemble de micro-fiches. Chaque titre ou champ agit comme une frontière sémantique claire. Dans un contexte éducatif, on peut imaginer transformer une progression annuelle en JSON : chaque compétence, chaque objectif et chaque critère sont encodés comme des champs. Le modèle ne reçoit alors que les segments pertinents, immédiatement compréhensibles.

---

Encadré pratique – Préparation de documents

Avant

Manuel PDF de 200 pages déposé tel quel dans le RAG. Résultat : le modèle récupère des phrases isolées, parfois sans lien direct avec la question posée.

Après

Même manuel transformé en fiches JSON :

{
  "competence": "CA4",
  "objectif": "Coopérer pour progresser collectivement vers une cible",
  "criteres": ["Passes en mouvement", "Lecture des portes ouvertes"],
  "variables": ["Dimensions du terrain", "Nombre de défenseurs"]
}

Résultat : le modèle renvoie toujours des extraits complets, contextualisés et immédiatement exploitables par l’enseignant ou l’étudiant.

---

Levier n°2 : Hybrider pour mieux chercher

La recherche purement sémantique par vecteurs est performante, mais elle trébuche sur les termes rares : un nom propre, une abréviation scientifique, un code. À l’inverse, la recherche lexicale traditionnelle (type BM25) reconnaît ces termes, mais perd la vue d’ensemble. La solution, c’est la combinaison des deux : le RAG hybride.

Dans sa version avancée, cette hybridation passe par la fusion de classements, en particulier l’algorithme de Reciprocal Rank Fusion (RRF). Chaque moteur (sémantique et lexical) produit son classement, puis un score est attribué en fonction de la position. Les résultats sont fusionnés, ce qui permet de retenir les documents pertinents à la fois sur le plan du sens et sur celui des mots-clés.

Dans un environnement sans pipeline complexe, il est possible de simuler ce processus par du prompt engineering. On demande au modèle de générer plusieurs reformulations de la même requête : une requête générale, une requête focalisée sur les mots-clés, une requête intermédiaire. On effectue trois recherches, puis on fournit les résultats au modèle en l’invitant explicitement à donner plus de poids aux informations qui apparaissent dans plusieurs listes.

C’est comme un conseil de classe : si le professeur principal, le CPE et le professeur d’EPS signalent tous une difficulté, on la considère comme sérieuse. Si un seul la mentionne, on relativise.

---

Encadré pratique – Requêtes hybrides

Avant

Prompt de recherche : « feedback formatif EPS collège ». Le modèle échoue à récupérer des travaux sur “évaluation formative” car l’expression n’est pas identique.

Après

Prompt modifié :
“Génère trois variantes de la requête utilisateur :

1. générale,
2. mots-clés exacts,
3. synonymes proches.
   Combine ensuite les résultats en priorisant ceux qui apparaissent plusieurs fois.”
   Résultat : le modèle ramène des extraits pertinents de recherches académiques, de textes officiels et de témoignages enseignants, sans en oublier une partie.

---

Levier n°3 : Guider l’agent par le prompt engineering

Le RAG ne se joue pas seulement dans la récupération, mais aussi dans la manière dont on oriente l’agent. Le prompt engineering avancé permet d’obtenir un comportement discipliné. Trois techniques méritent ici l’attention.

La première est le Self-Reflect, ou auto-critique. Le modèle doit vérifier lui-même la suffisance du contexte et signaler les contradictions. Si les données sont lacunaires, il doit dire “je ne peux pas répondre” plutôt que d’inventer. Cela peut paraître contre-intuitif, mais c’est un gain de fiabilité considérable.

La deuxième est la Query Decomposition. Lorsqu’une question est trop complexe, mieux vaut la scinder en sous-questions. Un étudiant qui demande “Comment intégrer l’IA en EPS tout en respectant la RGPD et en favorisant l’évaluation formative ?” sera mieux servi si l’agent traite d’abord la question RGPD, puis la question pédagogique, avant de fusionner.

La troisième est la gestion des RAG Tokens, c’est-à-dire l’obligation faite au modèle de condenser les sources avant de répondre. On peut imposer une structure YAML dans le prompt : d’abord un résumé des sources, ensuite une synthèse, enfin une évaluation de confiance. Le modèle ne “brûle” plus des milliers de tokens hors sujet, il apprend à compresser avant de raisonner.

---

Encadré pratique – Structuration par YAML

Avant

Prompt classique : “Réponds à partir des documents fournis.” Résultat : réponse longue, parfois redondante, sans indication de fiabilité.

Après

Prompt structuré :

reponse:
  resume_sources: "Résumer en 5 lignes le contexte fourni"
  synthese: "Rédiger la réponse"
  confiance: "Attribuer un score sur 10"

Résultat : une réponse concise, justifiée par un résumé préalable, et assortie d’un niveau de confiance exploitable par l’enseignant ou l’étudiant.

---

Levier n°4 : Intégrer le web sans se perdre

L’augmentation par le web (Web Augmentation) est séduisante : elle apporte de la fraîcheur aux données. Mais elle introduit aussi du bruit, car toutes les sources ne se valent pas. Un forum non modéré ou un billet de blog douteux peut contaminer le raisonnement.

La parade, c’est le Source Gating. Le RAG interne, constitué de documents validés, doit rester la vérité primaire. Le web n’intervient que si nécessaire, et toujours selon une hiérarchie stricte : white list des domaines de confiance, black list des sites à éviter. On peut l’indiquer directement dans le prompt. Dans un usage éducatif, cela revient à privilégier les sites officiels (Eduscol, AEEPS, HAL, revues académiques) et à ignorer les sources douteuses.

---

Encadré pratique – Filtrage des sources

Avant

Recherche web libre. Le modèle cite un article de blog sans fiabilité, à côté d’un texte académique, sans distinction.

Après

Prompt modifié :
“Utilise d’abord les documents internes. Si tu dois chercher sur le web, limite-toi aux sites officiels (.gouv, .edu, HAL, Eduscol). Ignore les forums et réseaux sociaux.”
Résultat : la réponse s’appuie sur Eduscol et un article HAL, sans bruit parasite.

---

Levier n°5 : Construire la robustesse et l’anti-hallucination

Un système RAG fiable doit intégrer un agent critique interne. Cela passe par deux mécanismes : le Contradiction Check et le Confidence Scoring.

Le premier consiste à demander au modèle de comparer les sources. Si un document dit que la réforme du lycée date de 2019 et un autre de 2020, il doit signaler la contradiction et trancher en fonction de critères objectifs : date de publication, autorité de la source, cohérence avec le corpus interne.

Le second repose sur l’auto-évaluation. Après avoir répondu, le modèle attribue un score de confiance. Si ce score est faible, il peut demander un regain d’information ou indiquer explicitement qu’il ne sait pas. Pour un enseignant, c’est précieux : la réponse de l’IA n’est plus une boîte noire, mais un contenu assorti d’un degré de fiabilité.

---

Encadré pratique – Contrôle qualité

Avant

Réponse de l’IA : “La réforme date de 2020.” Aucune indication sur la contradiction avec une autre source.

Après

Réponse modifiée :
“Deux sources se contredisent : l’une mentionne 2019, l’autre 2020. La plus récente (Journal officiel) indique 2019. Confiance : 8/10.”
Résultat : une réponse explicite, critique, et assortie d’un niveau de confiance exploitable.

---

Conclusion et perspectives

Le RAG est donc loin d’être dépassé. Il s’est réinventé comme une discipline d’optimisation, centrée sur quatre leviers : la préparation documentaire, l’hybridation des recherches, le guidage par le prompt et la robustesse anti-hallucination. Ces leviers, combinés, dessinent une agentivité modulaire : le modèle choisit dynamiquement la meilleure stratégie selon la requête, plutôt que d’avaler aveuglément des millions de tokens.

Dans le champ éducatif, cette approche a un double intérêt. Elle permet aux enseignants d’interroger l’IA avec des réponses plus fiables, aux étudiants de développer un esprit critique face aux résultats, et aux formateurs de transmettre de véritables compétences numériques avancées. L’avenir du RAG n’est pas la démesure des contextes, mais l’intelligence de la sélection et du guidage.

En d’autres termes, l’avenir du RAG, c’est moins, mais mieux.

---

2. Cas d’étude : Construire un projet EPS avec un RAG optimisé

Ce scénario pas à pas montre comment un enseignant ou un formateur peut utiliser un système RAG avancé pour concevoir, documenter et ajuster un projet EPS. J’y intègre les axes du projet Pasteur (santé, autonomie, coopération, ambition) et les éléments d’auto-évaluation (points de vigilance, innovations, RGPD, savoir-nager).

---

Étape 1 : Définir l’objectif pédagogique et la question initiale

Le point de départ est toujours une question claire. L’équipe EPS veut rédiger une partie du projet sur la consolidation de l’endurance et la santé (axe 1).

Prompt naïf (avant)

“Écris un projet EPS sur l’endurance.”

Problème : trop vague → le modèle invente ou reste générique.

Prompt optimisé (après)

“À partir du projet EPS 2025 du Collège Pasteur (Saint-Rémy), rédige une section détaillée sur l’axe ‘Santé et condition physique’. Utilise les constats (sédentarité post-COVID, hétérogénéité, besoin de routines d’échauffement). Structure la réponse en : objectifs généraux, objectifs opérationnels, indicateurs, leviers pédagogiques.”

Résultat attendu : le RAG ramène uniquement les extraits du projet et de l’auto-évaluation en lien avec l’endurance et la santé, sans bruit extérieur.

---

Étape 2 : Optimiser le knowledge engineering

L’enseignant n’injecte pas tout le projet EPS (50 pages) mais prépare des chunks structurés. Chaque axe du projet est encodé comme une fiche JSON. Exemple :

{
  "axe": "Santé et condition physique",
  "objectifs": [
    "Élever le niveau d’endurance",
    "Installer des routines d’échauffement autonome"
  ],
  "indicateurs": ["paliers VMA", "protocoles d’échauffement validés"],
  "leviers": ["biathlon", "demi-fond", "carnet santé EPS"]
}

Grâce à ce formatage, la récupération est ciblée. L’enseignant n’a plus à chercher manuellement : le modèle retrouve la fiche correspondant à l’axe 1.

---

Étape 3 : Hybrider les recherches

Supposons qu’un professeur veuille comparer ce projet avec des pratiques académiques plus larges (Eduscol, circulaires). La recherche purement sémantique “endurance EPS collège” pourrait manquer certains termes comme “VMA” ou “demi-fond”.

Prompt hybride (après)

“Génère trois variantes de la requête :

1. recherche générale (‘endurance EPS santé collège’),
2. recherche par mots-clés exacts (‘VMA Luc-Léger demi-fond’),
3. recherche par synonymes (‘condition physique aérobie adolescents’).
   Combine les résultats en donnant priorité aux informations présentes dans au moins deux requêtes.”

Cette hybridation permet de faire apparaître à la fois les extraits internes du projet Pasteur et les textes nationaux, sans perdre des notions clés.

---

Étape 4 : Guider la production avec du prompt engineering avancé

Une fois les chunks récupérés, on impose une structure.

Avant

“Rédige une synthèse sur la santé en EPS.”
→ Réponse longue, parfois confuse.

Après

reponse:
  resume_sources: "En 10 lignes, résumer les constats du projet Pasteur sur la santé"
  synthese: "Rédiger une proposition opérationnelle pour l’axe santé"
  confiance: "Donner un score de confiance sur 10"

Le modèle est obligé de compresser, puis de rédiger, puis de s’auto-évaluer. Résultat : un texte clair, condensé, et assorti d’un degré de fiabilité.

---

Étape 5 : Ajouter la dimension web avec filtrage

Imaginons que l’équipe EPS souhaite actualiser ses données sur le taux d’activité physique recommandé par l’OMS. Plutôt que de laisser l’IA fouiller tout le web, on précise :

Prompt web filtré

“Si l’information sur les recommandations de l’OMS n’apparaît pas dans le projet Pasteur, effectue une recherche web uniquement sur les domaines officiels (.who.int, .gouv.fr, .edu). Ignore les blogs et forums.”

L’agent ramène alors un extrait fiable de l’OMS (60 minutes d’activité physique modérée à vigoureuse par jour pour les adolescents), à intégrer dans le projet.

---

Étape 6 : Contrôler la robustesse

Lorsqu’une contradiction apparaît (exemple : taux de réussite du savoir-nager ≈ 98 % dans le projet, ≈ 2 % de non-nageurs restants dans l’auto-évaluation), le modèle doit la signaler.

Prompt critique

“Compare les données du projet EPS et de l’auto-évaluation Pasteur sur le savoir-nager. S’il existe une contradiction, indique-la, tranche en donnant la source la plus récente et attribue un score de confiance.”

Résultat : l’agent indique que le projet affiche un objectif ≥ 98 % et que l’auto-évaluation estime ≈ 2 % de non-nageurs. Les deux données sont cohérentes (objectif atteint), confiance 9/10.

---

Étape 7 : Construire la section finale du projet

À ce stade, l’enseignant peut demander au RAG de générer la version prête à insérer dans le projet EPS.

Prompt final

“À partir des extraits du projet Pasteur (axe santé), des constats (sédentarité, endurance faible), des recommandations OMS et des indicateurs internes (VMA, échauffement autonome), rédige une section complète pour le projet EPS. Structure en : Constat – Objectifs – Indicateurs – Leviers pédagogiques – Modalités d’évaluation. Mentionne le score de confiance final.”

Le résultat est un texte opérationnel, directement intégrable dans le projet officiel.

---

Conclusion du cas d’étude

Ce scénario illustre comment un enseignant peut passer d’une requête naïve à une production experte grâce au RAG optimisé :

• en préparant ses documents sources (knowledge engineering),
• en combinant recherches internes et externes (hybridation),
• en guidant le modèle par des structures précises (prompt engineering avancé),
• et en exigeant des garde-fous (anti-hallucination).

Loin d’être un gadget technique, le RAG devient un véritable assistant méthodologique pour piloter et enrichir un projet EPS : il aide à croiser les diagnostics locaux, les cadres nationaux et les indicateurs mesurables, tout en réduisant le bruit et les coûts.

---

3. Réponses obtenues

Je vais rédiger la version du projet EPS Pasteur, comme si elle avait été produite par le processus RAG optimisé pas à pas (knowledge engineering + hybridation + prompt structuré + robustesse).
Le texte est rédigé pour être directement intégré dans le document cadre du projet EPS (ton institutionnel, clair, opérationnel).

---

Axe 1 – Santé et condition physique pour tous

(section produite avec méthode RAG optimisée)

Constat

Les constats issus de l’auto-évaluation et du diagnostic partagé soulignent une hétérogénéité marquée de la condition physique, avec un déficit d’endurance chez une part significative des élèves (sédentarité accentuée post-COVID). L’appétence pour l’effort prolongé reste fragile, notamment au cycle 4, où les progrès sont lents sans feedback explicite. Les élèves expriment le besoin d’activités ludiques pour soutenir leur engagement, tandis que l’équipe EPS constate l’importance de consolider des routines stables (échauffement autonome, suivi de l’effort, carnet santé). Les recommandations internationales (OMS, 2020) fixent comme repère 60 minutes d’activité physique modérée à soutenue par jour pour les adolescents.

Objectifs généraux

• Élever le niveau d’endurance et d’engagement dans l’effort en favorisant une pratique régulière et progressive.
• Développer les connaissances liées à la santé, notamment la gestion de l’allure, l’importance de l’échauffement et la prévention des blessures.
• Instaurer des routines d’échauffement autonome et de suivi personnalisé, transférables au-delà de l’EPS.

Objectifs opérationnels

• 100 % des élèves de 6e réalisent un échauffement structuré et adapté dès le premier trimestre.
• 80 % des élèves de 3e conduisent un échauffement autonome contextualisé à l’APSA pratiquée.
• +10 % d’élèves atteignent, en 12 mois, un palier VMA supérieur lors du test de Luc-Léger.
• Maintien du taux de réussite ≥ 98 % au savoir-nager scolaire (ASNS), élément clé de la santé et de la sécurité.

Indicateurs de réussite

• Résultats des tests VMA par cohorte.
• Protocoles d’échauffement validés en classe et en évaluation.
• Statistiques d’assiduité aux cycles demi-fond, biathlon et renforcement musculaire.
• Taux de réussite ASNS et suivi des non-nageurs (groupes renforcés en 6e).

Leviers pédagogiques et dispositifs

• Biathlon, demi-fond et course d’orientation comme supports privilégiés pour travailler l’endurance de manière ludique et progressive.
• Renforcement musculaire (circuits, gainage, auto-charge) intégré dans les cycles de lutte et de musculation, avec suivi individualisé.
• Carnet santé EPS (papier ou numérique) permettant aux élèves de fixer leurs objectifs, d’enregistrer leurs résultats (VMA, échauffement, ressenti) et de suivre leurs progrès.
• Vidéo-feedback pour l’échauffement et la posture, favorisant l’auto-évaluation et la correction immédiate.
• Défis olympiques internes (parcours, relais, épreuves combinées) pour motiver et fédérer autour d’une dynamique collective.

Modalités d’évaluation

• Utilisation de grilles communes à 4 niveaux, lisibles par les élèves, incluant des indicateurs observables (allure tenue, posture, autonomie de l’échauffement).
• Intégration des résultats de tests (Luc-Léger, biathlon) comme outils de suivi longitudinal, et non comme jugements figés.
• Débriefings rapides en fin de séance pour renforcer la métacognition : “ce que j’ai réussi / ce que je dois retravailler”.
• Valorisation des progrès (paliers franchis, régularité d’engagement) plutôt que du seul niveau absolu.

Score de confiance (auto-évaluation RAG)

9/10 : cohérence forte entre les constats locaux, les objectifs fixés par l’équipe EPS Pasteur, et les repères internationaux. Les données sur le savoir-nager et la VMA proviennent de documents validés localement, complétés par les recommandations officielles de l’OMS.

---

Axe 2 – Méthodes, autonomie et apprentissages

Constat

Les constats montrent une autonomie fragile, en particulier au cycle 4. Les élèves utilisent encore peu les fiches et outils mis à disposition, peinent à s’engager dans des tâches complexes et de longue durée, et manquent de repères méthodologiques pour analyser leurs performances. Pourtant, leur motivation à agir et leur goût pour les défis constituent des leviers puissants. Le numérique (vidéo-feedback, carnets EPS) est identifié comme un catalyseur pour l’auto-évaluation et la progression.

Objectifs généraux

• Outiller les élèves pour qu’ils deviennent capables d’observer, analyser et réguler leurs apprentissages.
• Développer l’autonomie méthodologique grâce à des supports clairs, des critères lisibles et une pratique régulière de l’auto-évaluation.
• Favoriser la métacognition : comprendre ce qui a été réussi, ce qui reste à améliorer, et comment progresser.

Objectifs opérationnels

• 100 % des classes disposent de fiches d’observation avec critères explicites pour chaque APSA.
• 75 % des élèves utilisent au moins une trace numérique ou papier (photo, vidéo, feuille de match) par cycle pour justifier leurs choix et analyser leurs performances.
• Généralisation du carnet EPS (papier/numérique) comme outil de suivi personnel.

Indicateurs de réussite

• Taux d’utilisation des carnets et fiches par les élèves.
• Qualité des comptes rendus (oraux ou écrits).
• Progression des élèves sur les critères explicités par cycle.

Leviers pédagogiques et dispositifs

• Grilles 4 niveaux pour rendre visibles les attentes et permettre l’auto-positionnement.
• Vidéo-feedback en acrosport/gym et en sports collectifs pour appuyer l’analyse technique.
• Rôles sociaux (observateur, arbitre, coach) intégrés dans toutes les APSA pour structurer l’analyse.
• Exposés flash d’une minute où un élève restitue un critère clé au groupe.

Modalités d’évaluation

• Évaluations communes reposant sur des indicateurs observables, discutés et appropriés par les élèves.
• Bilans rapides en fin de séance (“critère + action correctrice pour la prochaine fois”).
• Auto-évaluations guidées et croisement avec l’évaluation de l’enseignant.

Score de confiance (auto-évaluation RAG)

9/10 : cohérence forte entre constats locaux (autonomie fragile, besoin de supports) et axes du projet Pasteur (structurer l’auto-évaluation et l’usage du numérique).

---

Axe 3 – Coopération, citoyenneté et climat scolaire

Constat

Les cycles 4 révèlent une fragilité sur le plan du climat de classe : bavardages, conflits verbaux, difficultés de respect des règles. Pourtant, les élèves apprécient la coopération et la prise de responsabilités quand elles sont explicites. Les temps forts (tournois internes, cross, RAID, Action contre la faim) fédèrent et créent de l’adhésion. La formation de jeunes officiels UNSS est un levier identifié pour responsabiliser et valoriser.

Objectifs généraux

• Stabiliser les rôles sociaux et responsabiliser les élèves dans leur engagement collectif.
• Favoriser la coopération et le respect de la règle comme conditions d’un climat scolaire positif.
• Reconnaître et valoriser les comportements responsables dans et hors EPS.

Objectifs opérationnels

• Systématiser l’arbitrage et la co-observation dans toutes les APSA.
• Mettre en place des chartes de match et organiser des tournois élèves en cycle 4.
• Former un minimum de 10 jeunes officiels certifiés par an.

Indicateurs de réussite

• Nombre de jeunes officiels certifiés et actifs.
• Diminution du nombre d’incidents disciplinaires en EPS et à l’AS.
• Évaluations spécifiques des rôles (arbitre, observateur, coach).

Leviers pédagogiques et dispositifs

• Tutorat par les pairs, notamment pour les dispositifs ULIS/SEGPA.
• Rôles tournants permettant à chaque élève d’expérimenter plusieurs responsabilités.
• Temps de debrief citoyen après des rencontres ou tournois pour discuter du respect des règles et de la coopération.

Modalités d’évaluation

• Observation des comportements en situation réelle (tournoi, match, rôle arbitre).
• Grilles d’évaluation incluant un volet “coopération/citoyenneté”.
• Valorisation des comportements responsables dans le bulletin et les parcours éducatifs (citoyen, avenir).

Score de confiance (auto-évaluation RAG)

8,5/10 : alignement fort avec le projet Pasteur, croisement cohérent entre constats (climat à consolider) et dispositifs déjà en place (UNSS, JO, tournois internes).

---

Axe 4 – Ambition, engagement et réussite

Constat

Le Collège Pasteur dispose d’une forte tradition d’AS, d’une section sportive judo et d’événements fédérateurs. Les élèves sont motivés par les défis collectifs et la valorisation de leurs progrès. Le taux de licenciés UNSS est déjà élevé (~30 %), mais l’ambition est de l’augmenter tout en gardant une offre inclusive.

Objectifs généraux

• Valoriser la progression individuelle et collective par des dispositifs motivants et inclusifs.
• Renforcer l’engagement dans l’AS, les compétitions et les projets fédérateurs.
• Développer une culture de l’ambition mesurée : réussir à son niveau, progresser, s’investir.

Objectifs opérationnels

• Augmenter de 15 % le nombre de licenciés UNSS en 3 ans.
• Maintenir et développer les filières compétitives (judo, handball, gymnastique, tennis de table).
• Organiser des valorisations trimestrielles (site EPS, panneaux, “coups de projecteur”).

Indicateurs de réussite

• Nombre et taux de licenciés UNSS.
• Résultats aux compétitions et championnats.
• Taux de participation aux temps forts internes (cross, RAID, olympisme).

Leviers pédagogiques et dispositifs

• Événements internes (semaine de l’olympisme, défis, cross, tournois).
• Communication positive autour des réussites (panneaux, site internet, lettres familles).
• Partenariats clubs (judo, escalade, handball) pour élargir les perspectives de pratique.

Modalités d’évaluation

• Bilan annuel des effectifs et taux de licenciés.
• Suivi des résultats UNSS et de la participation aux projets.
• Témoignages d’élèves valorisés lors des bilans.

Score de confiance (auto-évaluation RAG)

9/10 : cohérence entre les constats (motivation forte, tradition AS), les axes stratégiques du projet (ambition mesurée, valorisation des progrès) et les indicateurs opérationnels définis par l’équipe Pasteur.

---