G_FALC :
« L’Humain

au centre du numérique »

G_FALC : une approche hybride fondée sur l’IA générative pour la transcription des documents

français en FALC

FALC, IA, LLM, TLAN, RAG, ontologie, base de connaissances,
handicap cognitif, transcription automatique

FALC, IA, LLM, TLAN, RAG, ontologie, base de connaissances,
handicap cognitif, transcription automatique

Contexte et problématique

Enjeu : Faciliter l’accès à l’information pour les personnes en situation
de handicap cognitif via une transcription automatisée en FALC 
(Facile À Lire et à Comprendre).

Enjeu :
Faciliter l’accès à l’information pour les personnes en situation
de handicap cognitif via une transcription automatisée en FALC 
(Facile À Lire et à Comprendre).

Problème : Comment combiner LLMs, RAG, PE, ontologie et base de connaissances pour générer des transcriptions FALC
précises et adaptées ?

Problème :
Comment combiner LLMs, RAG, PE, Ontologie et Base de Connaissances pour générer des transcriptions FALC
précises et adaptées ?

Objectifs

Principal

Développer G_FALC
(modèle hybride IA pour la génération de FALC).

Secondaires

1. Construire une ontologie basée sur le CECRL et une BC lexicale.


2. Adapter les technologies IA (LLM + RAG + PE) aux règles du FALC.

Technologies clés

Outils
TLAN, LLMs, RAG, Prompt Engineering, Fine-Tuning, bases de connaissances,

ontologies.

Méthodologie
Recherche-action participative : collaboration avec ESAT
et experts FALC.

Résultats attendus

Modèle G-FALC
transcription automatique
en FALC.

Métriques d’évaluation
précision, lisibilité.

Public cible

Bénéficiaires :

Personnes en situation de handicap cognitif.

ESAT spécialisés en transcription.

Éthique et données

Enjeux :

Co-création avec professionnels de santé et utilisateurs finaux.

Anonymat & consentement des données personnelles.

Protection des données, RGPD.

Planification (3 ans)

Phase 1 : Exploration des besoins en transcription
FALC + état de l’art.

Phase 2 : Analyse théorique et technique
(Ontologie, RAG-LLM …).

Phase 3 : Construction de la base de connaissances lexicales.

Phase 4 : Développement du modèle G-FALC.

Perspectives

Outil open-source pour la communauté FALC.

Amélioration continue via recherche-action.

Financement & ressources

Financement : Thèse de doctorat (3 ans).

Lieux/Matériel : Labo ISEP, ateliers Unapei.

Indicateurs de succès

Qualité : Précision des transcriptions.

Gain de temps : Réduction du temps de transcription manuelle.

Satisfaction : Retours des utilisateurs finaux (ESAT, personnes en situation de handicap

cognitif).

Porteurs & partenaires

Porteurs

A. Kheirbek
Isep

P. FENAUX
Unapei

Partenaires membres

ICP :
éthique, philosophie.

Isep :
expertise IA, méthodologie, prototypage.

Unapei :
expérience terrain, ESAT, Établissements et Services d’Aide par le Travail.

Partenaires externes

A. Yessad
(LIP6/Sorbonne Université)

F. Bouchet
(LIP6/Sorbonne Université)

Retrouvez-nous sur: www.isep.fr

contact@cnv-tech.org

06 13 42 65 49

© Consortium Numérique et Vulnérabilités Inc. 2025

Contacter le CNV :

contact@cnv-tech.org

06 13 42 65 49

© Consortium Numérique et Vulnérabilités Inc. 2025

Contacter le CNV :