Recherche & Production scientifique

Head of Research Team AI4U · Mémoires · Partenariats · Veille

Head of Research Team AI4U · Esprit Tech · depuis 2023

AI4U — Artificial Intelligence 4 University

Direction d’une équipe de recherche dédiée aux applications de l’intelligence artificielle dans l’enseignement supérieur.

Axes de recherche :

• Pédagogie augmentée par l’IA et la GenAI
• Génération automatique de contenus pédagogiques
• Évaluation augmentée par l’IA
• LLMs, Transformers et NLP appliqués à l’enseignement
• Computer Vision pour l’analyse de productions étudiantes
• Outils de personnalisation de l’apprentissage

HUU Task Force AI Team · Honoris United University · depuis 2024

Representative of ESB

Représentation d’ESB au sein de la Task Force AI du réseau Honoris United University (11 institutions, 10 pays). Coordination inter-institutions sur les enjeux IA stratégiques.

Mémoire de Master (2010)

Equidistribution of Eigenvalues of Hecke Operators Applied to Modular Forms

Faculty of Sciences of Tunis — Master’s Degree in Fundamental Mathematics, Number Theory. Honors: Very Good.

Étude asymptotique des valeurs propres des opérateurs de Hecke agissant sur les formes modulaires, dans la lignée des travaux sur les conjectures de Sato-Tate.

Domaines de recherche

Mathématiques pures

• Théorie des nombres
• Formes modulaires, opérateurs de Hecke
• Arithmétique et mathématiques discrètes

Mathématiques appliquées & Data Science

• Recherche opérationnelle, optimisation
• Modélisation stochastique
• Machine Learning, Deep Learning
• NLP, Transformers, LLM
• Generative AI, Computer Vision
• Séries temporelles, ARIMA/SARIMA
• Actuariat, mouvement Brownien, Monte Carlo
• Portfolio Optimization

Écoles d’été et formation continue à la recherche

CIMPA 2019 · Été 2019

Science des données pour l’ingénierie et la technologie

Centre International de Mathématiques Pures et Appliquées.

IHEC SUMMER SCHOOL · Été 2018

Data Science for Finance — IHEC Carthage.

Partenariats internationaux

Jems Group · 2024 — présent

Partenariat industriel pour le programme Alternance Business Analytics oriented Generative AI. Co-Responsable du programme.

Université de Montpellier · 2019–2020

Accord de partenariat (master MIND, licence Mathématique-Informatique). Réunion avec M. Ali Ganoun.

SUP’DE COM Lyon · Programme ERASMUS

Extension du partenariat aux licences (auparavant limité aux masters).

Honoris United University (HUU) · depuis 2024

Réseau de 11 institutions d’enseignement supérieur sur 10 pays — Task Force AI.

Formations dispensées (AI Instructor)

En tant qu’AI Instructor au Training of Trainers Departement (depuis 2023), sessions sur :

• Artificial Intelligence — fondamentaux
• Machine Learning — algorithmes supervisés / non supervisés
• Deep Learning — DNN, CNN, RNN, attention
• Data Analysis — pipelines complets
• NLP — Natural Language Processing
• Transformers — architectures attention
• LLM — Large Language Models

Reviewing & expertise

Reviewer · WEITA 2026 — Workshop on Education, ICT and AI

17 avril 2026, ESPRIT (Tunis). Évaluation d’oral presentations et de posters soumis au workshop (4 dimensions : pertinence, originalité, rigueur, impact). Distinctions personnelles obtenues : 1er prix oral (OP-06, équipe Kammoun/Abidi/Ben Brik) et 2e prix oral (OP-09, Ben Brik solo, ESB-Learning).

Jurys de PFE / Masters / Mémoires · depuis 2017

621 encadrements et participations à jurys cumulés à ESB (PFE LMAD, masters MDSI/MKD/MBA/GAMMA, séminaires). Voir page Encadrements.

Veille technologique

Voir Certifications — 16 certifications obtenues (Spécialisation Deep Learning Coursera, Udemy data science, pédagogie).

Publications

Article de revue scientifique — en proof (2026)

IJQSS 2026 — What Makes a University Sustainable in the Eyes of its Core Community? Sustainability Expectation–Perception Gap

Auteurs : S. Tebessi, I. Dimassi, A. Ben Brik.

Revue : International Journal of Quality and Service Sciences (IJQSS), Emerald Publishing — indexé Scopus et Web of Science. Manuscript ID : IJQSS-02-2026-0065. Statut : Proof revision (acceptée, en production).

Premier livrable du Working Group #2 — University Sustainability Performance Index (USPI) (cycle 09/2025 – 03/2027, cible 8 publications).

Communications dans des conférences internationales

AfricaTek 2025 — Best Paper Award

Evaluation of Large Language Models in Simulating Real-world Engineering Scenarios and Decision Making: A Comparative Study of ChatGPT-4o, Gemini, and Perplexity

Auteurs : F. Kamoun (ESPRIT, ORCID 0000-0002-3740-1452), F. Iqbal (Zayed University, UAE, ORCID 0000-0001-9081-3598), H. Abidi, A. Ben Brik. Données suppl. : figshare DOI 10.6084/m9.figshare.28735043.v1.

CDIO 2024 — 20^th International CDIO Conference (ESPRIT, 10-13/06/2024)

ChatGPT as a Co-pilot for Assessment Design Refinement: An Exploratory Study

Auteurs : F. Kamoun, A. Ben Brik, I. Rebhi, S. Besbes, H. Abidi, A. Baghdadi, R. Ammar (ESPRIT School of Engineering + ESPRIT School of Business).

WEITA 2026 — Workshop on Education, ICT and AI (ESPRIT, 17/04/2026)

• Oral OP-06 (1^er prix) — Designing AI-Augmented Assessment Ecosystems — F. Kammoun, H. Abidi, A. Ben Brik
• Oral OP-09 (2^e prix) — Intelligent Learning and Assessment Ecosystems (ESB-Learning) — A. Ben Brik (solo)
• Poster POS-17 — RecruScore : Multi-Agent AI Pipeline
• Poster POS-28 — Breaking Language Barriers with Inclusive AI
• Reviewer au comité de relecture scientifique

Communications soumises — IEEE CIFEr 2026

IEEE CIFEr 2026 (Paper #166) — Reproducibility-First Multi-Component Forecasting for Illiquid Equity Markets: Baselines, Ablations, and a Documented Discrepancy on the Tunisian Stock Exchange

Auteur : A. Ben Brik.

Conférence : IEEE Computational Intelligence in Financial Engineering and Economics 2026 (CIFEr 2026 track), IEEE Computational Intelligence Society. Statut : Submission created (mai 2026).

Pipeline reproducibility-first combinant Temporal Fusion Transformer (TFT), XGBoost (fondamentaux), sentiment NLP financier, Graph Attention Networks et interprétation SHAP — appliqué à la Bourse de Tunis (BVMT) : 68 titres, 2016–2025, 116 626 enregistrements. Résultat clé : TFT v3 atteint 51.79 % directional accuracy (IC 95 % [50.43, 53.08]) et révèle une discordance documentée vs baselines classiques.

IEEE CIFEr 2026 (Paper #130) — Unsupervised Behavioral Anomaly Detection on Prepaid-Card Transactions: A Six-Detector Two-Family Ensemble with Domain-Informed Features

Auteurs : R. Ayed (primary), A. Ben Brik.

Conférence : IEEE CIFEr 2026 (track CIFEr2026). Statut : Submission created (mai 2026).

Framework non supervisé combinant Family A (Isolation Forest, FeedForward Autoencoder) et Family B (LSTM Autoencoder, TranAD, Anomaly Transformer, TFT-residual). Évaluation sur 1 590 251 transactions réelles, 3.27 % de user-days suspects détectés, 94 % d’analyst-load reduction. Déployé comme outil Flask decision-support.

Mémoires académiques

Master’s Thesis — Equidistribution of Eigenvalues of Hecke Operators Applied to Modular Forms (2010)

Faculty of Sciences of Tunis — Master’s Degree in Fundamental Mathematics, Number Theory. Honors : Very Good. Théorie des nombres, formes modulaires, conjectures de Sato-Tate.

Axes de recherche actifs (papiers en préparation 2026–2028)

• Détection de fraude — cartes prépayées Pluxee → soumis à IEEE CIFEr 2026 (Paper #130)
• Modélisation BVMT — Bourse de Tunis → soumis à IEEE CIFEr 2026 (Paper #166)
• Centipede Game — théorie des jeux comportementaux
• Mean Field Games appliqués aux LLMs pédagogiques (extension ESB-Learning)
• Indice de durabilité universitaire hybride SEM + AHP + IA (avec Ichraf et Sana)

Bibliographie BibTeX

Source : data/publications.bib.

Projet phare : ESB-Learning — Plateforme Agentic AI

ESB-Learning — Apprentissage adaptatif augmenté par l’IA

Plateforme d’apprentissage adaptatif de nouvelle génération, conçue, développée et déployée pour Esprit School of Business. Elle se distingue des LMS classiques (Moodle, Blackboard) par une architecture nativement Agentic AI : cinq agents autonomes raisonnent, planifient, appellent des outils et s’auto-corrigent pour piloter l’expérience pédagogique de bout en bout.

Chiffres-clés

Composants IA	Agents autonomes	Outils MCP	Langages code	Lignes (Py+TS)
37	5	30+	6	~50 000

Stack technique

• LLMs : Google Gemini 2.5-Flash / 2.5-Pro / 2.0+ Vision (multimodal)
• Framework agents : LangGraph (StateGraph, ReAct), LangChain
• NLP local : TunBERT (BERT-base 768 dim, dialecte tunisien)
• RAG hybride : SentenceTransformer + ChromaDB + BM25 + indexation YouTube native
• Sandbox code : Piston (Python, SQL, R, Java, C, C++)
• Outils structurés : protocole MCP (Model Context Protocol, Anthropic, fin 2024)
• Backend / Frontend : Flask + SQLAlchemy / Next.js 14 + TypeScript + shadcn/ui

Les cinq agents autonomes

Agent	Pattern	Capacités	Rôle pédagogique
Assistant	ReAct	9 outils + skills modulaires	Chatbot pédagogique trilingue (FR / EN / dialecte tunisien), entrée et sortie vocales.
Coach	StateGraph 4 nœuds	Bloom, lacunes, plan d’étude	Analyse de performance, détection des lacunes, plan d’étude personnalisé.
Exam Analyzer	StateGraph async 10 étapes	11 outils MCP, Gemini Flash + Pro	Analyse pédagogique d’examen : classification AA + Bloom, génération LaTeX, feedback, méta-évaluation.
TP Création	StateGraph 5 nœuds	8 outils MCP	Génération automatique d’énoncés de TP alignés AA, solution de référence, critères.
TP Correction	StateGraph 2 nœuds	Sandbox Piston + LLM	Correction automatique sémantique des soumissions, note + justification.

Apports R&D différenciants

• Architecture nativement Agentic AI (vs IA-augmentée) : les agents décident eux-mêmes des outils à enchaîner ; l’humain valide en bout de chaîne.
• Pipeline d’analyse d’examen en 10 étapes orchestrées par un StateGraph asynchrone — pratique encore rare en production dans les outils éducatifs.
• Triple-LLM coordonné (Gemini 2.5-Flash pour le débit, 2.5-Pro pour le raisonnement profond, 2.0+ Vision pour vidéo/image) avec stratégie de sélection adaptée à chaque tâche.
• RAG hybride quadruple : CAG sur résumés + ChromaDB vectoriel + BM25 lexical + YouTube natif.
• TunBERT intégré comme agent de pré-traitement pour le dialecte tunisien : NLP en langue sous-dotée, problématique de recherche peu explorée dans les LMS commerciaux.
• Protocole MCP adopté précocement (standard ouvert publié par Anthropic fin 2024) — interopérabilité native avec l’écosystème IA moderne.
• Méta-cognition : l’Exam Analyzer évalue lui-même la qualité de la proposition d’examen qu’il a générée.

Contributions personnelles

ESB-Learning est conçu et développé par un développeur unique (le porteur).

• Conception architecturale globale (patterns, SkillManager central, stratégie multi-LLM, stratégie RAG hybride).
• Développement des cinq agents autonomes (~3 700 lignes de Python).
• Conception des plus de 30 outils MCP avec schémas JSON et tests unitaires.
• Intégration TunBERT (lazy-loading, embeddings d’ancrage, singleton thread-safe).
• Frontend Next.js 14 : espaces Étudiant / Enseignant / Administrateur, widget assistant vocal.
• Audit interne du système Agentic AI (rapport d’avril 2026, score B+ 7/10).

Calendrier de déploiement

Phase	Description
Juin 2026 — Pilote	Déploiement hébergé avec CI/CD (DevOps) et MLOps pour les modèles IA. Test sur la classe Master Business Analytics (~50 étudiants). Recueil systématique de feedbacks via surveys.
Septembre 2026 — Lancement officiel	Déploiement progressif par formation, validation à chaque palier.
Cible finale	Charge supportée : 3 000 étudiants et 300 enseignants.

Gouvernance, modération et conformité

• Pilotage technique : assuré par le porteur ; rapports d’utilisation et de performances transmis régulièrement à un comité institutionnel formé par la Direction Générale, la Direction des Études et la Direction Administrative et Financière.
• Modération humaine : assurée par le porteur. Aucune production des agents IA n’est diffusée sans validation pédagogique.
• Feedback utilisateurs : enquêtes prêtes dès la phase de test, communication régulière des résultats au comité.
• Conformité légale : respect des règles applicables (protection des données, sécurité, droit du numérique).
• Propriété intellectuelle : 100 % au porteur. Déploiement strictement limité à ESB à ce stade ; toute commercialisation éventuelle relèvera des règles fixées par la direction.
• Production scientifique envisagée : plusieurs articles, auteur unique à ce stade.
• Modèle économique : rapport détaillé des coûts (API LLM, hébergement, maintenance) en cours de préparation.

Note

La description détaillée — pipelines complets de chaque agent, couche de prompt engineering par strate, besoins fonctionnels par acteur — est fournie dans le Livrable 1 Production RDI (annexe ESB-Learning).

Projet RDI 2026–2028 — Continuité d’ESB-Learning

Le projet RDI 2026–2028 prolonge directement les travaux engagés sur ESB-Learning et l’inscrit dans une trajectoire scientifique cohérente articulée autour de trois axes complémentaires.

Axe 1 — Consolidation et valorisation scientifique d’ESB-Learning

Renforcement de l’autonomie des agents (self-reflection, mémoire longue, planification multi-tours), industrialisation de la plateforme (montée en charge à 3 000 étudiants et 300 enseignants), publication des résultats scientifiques.

Axe 2 — NLP en langue sous-dotée et inclusivité linguistique

Extension du modèle TunBERT à l’arabe standard et aux dialectes maghrébins ; expérimentation de modèles ouverts (Llama 3, Mistral) en complément de Gemini, pour des raisons de souveraineté et de coûts.

Axe 3 — Pédagogie augmentée par l’IA générative

Capsules génératives, simulateurs LLM pour les enseignements quantitatifs (statistique, optimisation, séries temporelles), évaluation automatisée à l’échelle, instrumentation des Acquis d’Apprentissage.

Plan de travail (résumé)

Période	Étape clé
T1 2026 (juin–août)	Pilote Master BA + CI/CD + MLOps + premiers surveys
T2 2026 (sept–nov)	Lancement officiel + rapport de coûts
T3 2026 (déc–fév 2027)	Renforcement autonomie agents + protocole évaluation comparative
T4 2026 (mars–mai 2027)	1er article scientifique + rapport d’impact intermédiaire
T1 2027 (juin–août)	Extension TunBERT arabe + benchmark Llama/Mistral
T2 2027 (sept–nov)	Montée en charge cible + cadre de conformité
T3 2027 (déc–fév 2028)	Capsules génératives + simulateurs LLM
T4 2027 (mars–mai 2028)	2e article scientifique + bilan général

Productions attendues

• 2 à 3 articles scientifiques (auteur unique à ce stade) — Agentic AI multi-agents en éducation, intégration TunBERT, méta-cognition d’agent évaluateur.
• Versions successives d’ESB-Learning + bibliothèque de capsules génératives.
• Encadrements RDI : sujets de PFE et de Mémoires de Master adossés au projet.
• Rapports institutionnels réguliers transmis au comité de la direction.

À ce stade, le projet est conduit sans partenariat externe formalisé ; des collaborations académiques ou industrielles pourront être envisagées en 2026–2028, selon les règles fixées par la direction de l’établissement.