PDF, Word, scans, tableaux, formules : ce que nos tests d’import nous ont appris

Avant d’ouvrir l’import de cours aux familles, nous avions besoin de documents qui ne se comportent pas tous gentiment. Un PDF parfaitement propre aurait validé le parcours le plus facile. Il ne nous aurait presque rien appris sur les fichiers qui arriveront réellement dans Scolibree.

Nous avons donc constitué un jeu de tests volontairement disparate : texte en allemand, cours d’anglais en PDF natif, documents Markdown en anglais et en espagnol, fichier Word structuré en SVT, formules de mathématiques, unités de physique, cours d’histoire scanné et version dégradée du même scan. Nous y avons ajouté un fichier vide et un faux PDF dont l’extension ne correspond pas au contenu.

L’objectif n’était pas de fabriquer une démonstration flatteuse. Il était de découvrir où la conversion cesse d’être évidente.

Import de cours : le format ne dit pas tout sur le contenu

« PDF » paraît être une information précise. Pour un système d’import, elle ne suffit pas.

Un premier PDF peut contenir du vrai texte, avec des caractères sélectionnables et une structure relativement claire. Un deuxième peut afficher exactement la même chose à l’écran tout en étant composé uniquement d’images. Dans ce cas, il faut d’abord reconnaître les caractères avant de reconstruire la leçon. Un troisième peut mélanger texte natif et pages scannées.

Cette différence est invisible pour beaucoup d’utilisateurs. Elle explique pourtant pourquoi deux documents portant la même extension ne produisent pas le même résultat.

Nos fichiers de physique et d’anglais en PDF natif servent à vérifier l’extraction du texte et le maintien d’une structure de base. Le cours d’histoire scanné force le parcours à passer par la reconnaissance de caractères. Sa version dégradée ajoute une inclinaison et un fond ligné afin de provoquer une situation qui doit appeler une vérification plus attentive.

Le premier enseignement est donc assez simple : accepter les PDF ne signifie pas appliquer le même traitement à tous les PDF.

Le document Word conserve des intentions que le texte brut ne connaît pas

Le fichier DOCX de SVT teste autre chose. Dans Word, un titre peut être un véritable niveau de structure ou simplement une ligne mise en gras avec une grande police. À l’œil, la différence est parfois minime. Pour une conversion, elle est considérable.

Lorsque l’auteur utilise les styles de titre, de vraies listes et des tableaux simples, le document porte des indications utiles sur son organisation. Lorsque toute la mise en page repose sur des tabulations, des zones de texte ou des retours à la ligne successifs, il faut deviner davantage.

Nous avions déjà rencontré ce problème avec Mammoth, utilisé pour convertir les fichiers DOCX vers notre format pivot Markdown. Les en-têtes et pieds de page peuvent remonter dans le contenu. Un titre visuellement évident n’est pas toujours identifié comme tel. Les tableaux demandent une attention particulière, car une mise en page acceptable dans Word peut devenir ambiguë une fois ramenée à une structure plus simple.

Ce constat nous a éloignés d’une promesse du type « Word est toujours mieux que PDF ». Un bon DOCX est précieux. Un DOCX construit comme une affiche peut être plus difficile à interpréter qu’un PDF natif propre.

Les langues étrangères révèlent les hypothèses cachées

Pourquoi tester l’allemand, l’anglais et l’espagnol alors que la plateforme s’adresse d’abord à des familles francophones ? Parce qu’un cours de langue contient naturellement du texte qui ne suit pas les habitudes du français.

Les accents, les caractères spécifiques, les apostrophes, les guillemets et les conventions typographiques changent. Un système qui corrige trop agressivement peut « réparer » un mot étranger qui était parfaitement juste. Un traitement pensé uniquement pour le français risque aussi de mal interpréter une liste bilingue ou de mélanger les deux colonnes.

Les fichiers en plusieurs langues nous servent donc moins à vérifier une traduction qu’à protéger le contenu original. L’import ne doit pas réécrire silencieusement la leçon. Il doit la restituer avec suffisamment de fidélité pour que l’utilisateur puisse la contrôler.

Les formules ont peu de tolérance pour l’à-peu-près

Une phrase supporte parfois une petite imperfection sans perdre son sens. Une formule beaucoup moins.

Dans nos cas de mathématiques et de physique, nous surveillons les fractions, puissances, indices, signes moins, symboles de multiplication et unités. La confusion entre la lettre « l », le chiffre « 1 » et un « I » majuscule peut sembler anodine dans un paragraphe. Elle ne l’est plus dans une expression scientifique.

Les unités ajoutent leur propre difficulté. « m », « m² », « m/s » et « ms » ne sont pas interchangeables. Une puissance replacée sur la ligne ou une barre de fraction perdue peut modifier la connaissance que l’enfant s’apprête à mémoriser.

Ce type de document justifie à lui seul l’existence de l’aperçu. Nous pouvons améliorer les transformations et signaler les zones incertaines. Nous ne devons pas demander à une famille de faire confiance à une formule qu’elle n’a jamais vue.

Les tableaux ne sont pas seulement du texte aligné

Un tableau contient deux informations à la fois : les mots présents dans les cellules et la relation créée par leur position. Extraire correctement tous les mots ne suffit pas si le contenu de la troisième colonne se retrouve associé à la deuxième.

Le problème se voit facilement avec un tableau de vocabulaire. Les traductions peuvent toutes être reconnues, mais une ligne décalée transforme la liste en série de fausses associations. En sciences, une unité placée sous le mauvais en-tête produit le même effet.

Nous avons donc choisi de ne pas évaluer la qualité de l’import uniquement au nombre de caractères retrouvés. La structure compte. L’ordre de lecture compte. La relation entre deux cellules compte.

La documentation d’Adobe sur la reconnaissance de texte dans les PDF scannés explique comment une image devient un texte modifiable. Pour un cours scolaire, cette transformation technique n’est toutefois que la première moitié du travail : il reste à vérifier le sens et l’organisation.

Un fichier vide doit échouer proprement

Les tests les moins spectaculaires sont parfois les plus utiles. Notre jeu contient un fichier texte vide. Il doit être refusé avec une explication compréhensible, sans consommer inutilement un import et sans laisser l’utilisateur attendre une conversion qui ne produira rien.

Nous testons également une extension falsifiée : un fichier nommé comme un PDF alors que son contenu ne correspond pas à ce format. Se fier uniquement aux trois lettres du nom exposerait la plateforme à des erreurs, voire à des fichiers malveillants. Le type réel doit être contrôlé.

Ces cas ne nourriront jamais une vidéo de lancement. Ils déterminent pourtant une partie importante de la confiance dans le produit. Un échec clair vaut mieux qu’un écran bloqué ou qu’un résultat incohérent.

Ce que l’aperçu protège réellement

Après ces tests, nous ne considérons pas l’aperçu comme une formalité ajoutée avant le bouton de validation. Il protège trois choses différentes.

D’abord, la fidélité au document. L’utilisateur peut comparer une date, une définition ou une formule. Ensuite, la structure de la leçon : les titres, l’ordre des paragraphes et les tableaux. Enfin, la décision pédagogique : un document peut être correctement converti tout en étant trop long ou mal découpé pour une séance de révision.

Cette dernière dimension ne peut pas être entièrement automatisée. Un chapitre de quatre-vingts pages peut être techniquement accepté et rester une mauvaise unité de travail. Une famille connaît mieux que le système le contrôle prévu, les consignes du professeur et les passages déjà étudiés.

Ce que nos tests ne prouvent pas encore

Un jeu de tests interne ne remplace pas la diversité des documents réels. Nous n’avons pas encore le volume d’utilisateurs nécessaire pour organiser une bêta large. Nous compensons par des cas volontairement différents et dégradés, mais nous ne prétendons pas avoir couvert toutes les pratiques de mise en page des enseignants.

Les premiers usages feront nécessairement apparaître de nouveaux cas : schémas annotés, documents en colonnes, photographies prises dans de mauvaises conditions, fichiers exportés depuis des logiciels que nous n’avons pas testés. La bonne réponse ne sera pas de promettre que tout fonctionne déjà. Elle sera de mesurer les échecs, comprendre leur origine et améliorer les transformations sans masquer les limites.

C’est aussi la raison pour laquelle les utilisateurs Freemium disposent de cinq essais. La qualité d’un import se juge mieux avec son propre cours qu’avec un document de démonstration. Les modalités complètes figurent sur la page des tarifs.

Notre conclusion, à ce stade, tient en une phrase : le format donne une indication, jamais une garantie. Le document source, la qualité de sa construction et la vérification finale restent déterminants.

Et même lorsqu’un fichier est parfaitement converti, il reste un support : notre chronique sur la différence entre relire un PDF et apprendre une leçon explique pourquoi la mémorisation commence réellement lorsque la réponse n’est plus affichée.

Testez avec le document que vous utilisez vraiment.

Commencez par une leçon courte, comparez l’aperçu avec l’original et signalez-nous les passages qui résistent.

Essayer l’import de cours

Jaime, fondateur de Scolibree.