Shelkid & l'écosystème SOS Écrans

L'écosystème

Shelkid n'est qu'une pièce. Autour, une suite d'outils gratuits couvrant la prévention, la protection et l'orientation — pour l'enfant, le parent et l'éducateur.

Shelkid en profondeur — un moteur à plusieurs cerveaux

Pendant que l'enfant écrit, Shelkid analyse sur le téléphone (le texte ne part jamais sur un serveur), en 5 à 9 millisecondes par message, en combinant des cerveaux complémentaires :

• Des règles de vigilance — pour le danger qui s'exprime ouvertement (déjà en place).
• Une intelligence artificielle entraînée sur des milliers d'exemples — pour la nuance : grooming, harcèlement sans insulte (intégrée).
• L'analyse de la répétition dans le temps — pour le harcèlement qui s'installe (en développement).

Constat important : aucun cerveau seul ne suffit. Le modèle d'IA peut manquer une phrase explicite que les règles, elles, captent. La combinaison retient toujours le niveau le plus prudent. Un humain décide toujours.

L'ampleur du travail

Ces résultats ne sortent pas d'un essai unique. Ils reposent sur un travail d'entraînement et de mesure mené en continu.

Ce que nous faisons du signal — nous rendons la main à l'enfant

Détecter ne suffit pas. La plupart des outils s'arrêtent à une alerte envoyée au parent. Nous avons conçu autre chose : une réponse constructive qui respecte l'enfant et lui rend le contrôle. À notre connaissance, personne ne le fait — et c'est, pour nous, le cœur du projet.

Quand un signal apparaît, plutôt que de dénoncer l'enfant ou de le surveiller, Shelkid peut lui proposer (s'il le veut) un petit moment qui l'aide à mettre des mots, à reconnaître ce qui se joue, et surtout à trouver son plus petit geste possible. Le but n'est pas de diagnostiquer ni de moraliser : c'est d'outiller l'enfant, et de garder la porte du 3018 ouverte à côté de lui.

Notre place dans le paysage — ce que nous couvrons, ce que nous ne couvrons pas

Pour situer Shelkid honnêtement : voici en quoi il se distingue des outils existants, et — tout aussi clairement — ce qu'il ne couvre pas.

C'est là où le harcèlement se passe vraiment — Snapchat, TikTok, WhatsApp, Instagram — que tout se joue. Voici, face à face, ce que chaque solution fait sur ce terrain. (✓ = oui · ~ = partiel · — = non)

Pourquoi Android d'abord, et la limite de l'iPhone. Sur Android, Shelkid peut analyser le texte tapé, sur l'appareil, légalement. Sur iPhone, le « bac à sable » d'Apple interdit structurellement à toute application tierce de lire le contenu textuel circulant dans les autres apps (iMessage, WhatsApp, Instagram, TikTok) : une analyse du harcèlement y est impossible — non par retard de notre part, mais par architecture du système.

Mais nous n'abandonnons pas l'iPhone. Nous y avons développé un navigateur sécurisé, et il reste possible de limiter ou bloquer des applications via l'API officielle d'Apple (Temps d'écran / FamilyControls). Sur iPhone, nous agissons donc sur le contenant (bloquer, filtrer), jamais sur le contenu des messages — et nous le disons clairement, sans surpromesse. C'est pourquoi nous concentrons l'effort de détection sur Android, où vivent ~69 % des 12-17 ans (Arcep/CREDOC, Baromètre du numérique 2024), proportion plus forte encore dans les milieux modestes — là où le besoin est le plus criant.

Les résultats clés — d'abord la réalité déployée

Commençons par le seul chiffre qui engage un enfant aujourd'hui : ce qui est réellement intégré dans l'application (ligne Kotlin Android), mesuré sur le mega-corpus du 30 mai (1 250 conversations annotées).

Quatre approches testées pour le signal subtil

Pourcentage de signaux subtils correctement détectés, pour chaque approche (banc Test B). La référence de départ est à 20 %.

Taux de fausses alertes (faux positifs)

Sur des conversations parfaitement ordinaires, à quelle fréquence le moteur signale-t-il à tort ? À gauche en l'état ; à droite après réglage des seuils.

La calibration : resserrer sans sacrifier l'essentiel

À mesure qu'on resserre les seuils (de gauche à droite), les fausses alertes chutent. Sur ce banc synthétique, le danger grave reste repéré à chaque seuil (le 100 % traduit la séparabilité du jeu synthétique, pas une performance terrain). Seule la sensibilité au signal subtil diminue un peu.

Comparaison des moteurs candidats (E5 vs double cerveau)

Deux moteurs étaient envisageables. Comparés sur le taux de fausses alertes (plus bas = meilleur).

L'histoire des expériences (journal de bord)

L'historique honnête, étape par étape : ce qu'on a gagné, ce qu'on a cru gagner, ce qu'on a « perdu » en regardant la vérité — et ce qui est réellement intégré aujourd'hui.

L'étage du temps — avant / après

La crise et le grooming restent en alarme immédiate. Le harcèlement isolé devient un murmure (alarme s'il se répète). Mesuré sur le lot 4 (sans fuite, 50 conversations). Sur ce lot, les fausses alarmes passent de 44 % à 0 sur 50 — un échantillon trop petit pour affirmer un taux nul — et les cas graves restent tous repérés. Note : les taux de fausses alarmes cités dans ce journal (étage du temps, temps-v2, couches, seuil) portent chacun sur un lot différent — synthétique pur ici, réel mixte ailleurs ; ils ne se comparent pas directement.

Le chemin dans le temps — réussites, reculs, leçons

L'histoire, étape par étape (récit, pas une courbe de performance : les points venaient de jeux de test différents et ne se comparent pas chiffre à chiffre) :

• Départ (22–25 mai) — premières mesures fragiles, on cherche encore le bon moteur.
• Le saut (25 mai) — le « double cerveau » (sens + structure) débloque la détection.
• On croit gagner gros (26 mai matin) — chiffres flatteurs… mais réglés sur les données de test (optimiste).
• La vérité, sans tricher (26 mai après-midi) — sur un lot jamais vu (sans fuite), les fausses alarmes remontent : ça pique, mais c'est honnête.
• On gagne vraiment (26 mai soir) — l'étage du temps fait redescendre les fausses alarmes sans sacrifier les cas graves.
• → Prochaine étape — la validation sur corpus humain, qui reste à faire. C'est là que nous cherchons un partenaire.

Couverture par risque — ce que le cerveau actuel repère

Chaque barre = un risque. Vert = repéré, nommé & intégré. Bleu = nommé & mesuré en interne sur données synthétiques (non certifié sur corpus humain), déploiement après validation des relais par les pros : Shelkid repère des contenus à risque (incitation pro-ana, pression aux drogues, radicalisation) pour orienter vers un relais — sans poser de diagnostic ni qualifier un état de santé. Orange = repéré, déjà servi par un voisin (sextorsion→grooming, détresse-ami→crise). Mesuré sur lots inédits synthétiques.

⚠️ « Repéré » ne veut pas dire « précis » : le banal déclenche aussi beaucoup (voir plus bas) — c'est l'étage du temps qui le ramène à un murmure. Données synthétiques, indicatif.

Détection par danger — deux régimes de lecture

Part des situations de chaque type que le moteur fait passer en alarme. « Adultes légitimes » = part correctement épargnée (test anti-faux-positif). Bascule entre le lot sans fuite et les juges (optimiste).

⚠️ Lots synthétiques (lot 4 / juges) : un 100 traduit la séparabilité du jeu synthétique, pas une performance terrain. À reconfirmer sur corpus humain.

Combien de données faut-il ? — la courbe d'apprentissage

On ré-entraîne le juge sur des tailles croissantes, mesuré sur le lot 4 (jamais vu). Verdict : repérer un danger plafonne dès ~250 exemples (le gros modèle fait le travail). Les fausses alarmes, elles, restent l'affamé — la donnée seule ne les règle pas (d'où l'étage du temps).

⚠️ Test synthétique issu du même pipeline que l'entraînement : le plateau quasi parfait reflète la facilité de séparation des données générées, pas la performance sur de vrais adolescents. C'est exactement pourquoi le corpus humain reste indispensable.

La guerre du banal — chaque conversation normale apprise fait baisser les fausses alarmes

On a généré 511 conversations banales variées (vannes entre potes, exclamations dramatiques anodines…) et mesuré l'effet sur le lot 4. Fausses alarmes 56 % → 19 % (÷3), grooming et crise restent captés à chaque fois sur ce banc synthétique. Ça plafonne vers 19 % → l'étage du temps finit le travail (→ 0 %). Le banal est l'affamé, mais il cède.

Les mécanismes du grooming — ce que disent les données

Sur 1 581 conversations de grooming (synthétiques), les situations se regroupent en quelques mécanismes récurrents (et non en milliers de cas uniques) — regroupement thématique indicatif. C'est ce qui rend la « dentelle » des messages possible.

La mécanique sur plusieurs jours — voir le danger monter sans alarmer une amitié

L'intuition d'Emmanuel : un enfant qui « passe à l'acte » a souvent été chambré plusieurs jours d'affilée, sur plusieurs canaux. L'étage du temps v2 garde une mémoire de 3 jours et pèse chaque signal par sa gravité : un danger qui s'installe finit par franchir le seuil, alors qu'une amitié qui se vanne tous les jours reste sous le radar. Mesuré sur 70 scénarios sur 3 à 10 jours générés exprès (dont 25 « pièges » sains).

Config retenue : mémoire 3 jours, seuil 2.0. En simulation, l'étage du temps v2 capte la grande majorité des dangers qui s'installent et manque encore les cas les plus lents — direction prouvée en simulation, non chiffrable tant qu'elle n'est pas testée sur corpus humain. Sur le sain, les fausses alarmes restent rares (3 cas sur 25) — toutes des « mauvaises passes » (tristesse passagère) qui ne donnent qu'un murmure doux, jamais une alarme dure. Le chambrage amical : 0 cas sur 15. ⚠️ Données synthétiques (générées par IA), petits lots : direction prouvée, pas encore certifiée sur corpus humain. Module candidat (temps-v2.js), pas encore déployé. Réf. sim_temps_v3.py.

Les 4 couches d'écoute — le silence et la dissonance (données d'Emmanuel · sans fuite)

On a découvert deux angles morts (l'enfant qui se tait, la détresse masquée sous l'humour) et on les a comblés sans baisser le seuil — en ajoutant des signaux nouveaux : le silence (la parole qui s'effondre), puis la dissonance (ton léger collé à un contenu lourd). Dangers captés 58 % → 72 % → 83 %, fausses alarmes 3 % sur corpus synthétique · 22,5 % sur corpus réel mixte (voir comparaison des 3 moteurs ci-dessous).

Mesuré sur 71 scénarios synthétiques (retrait silencieux 0/8 → 6/8 ; détresse masquée 6/14 → 11/14). Modules candidats (capteur-silence.js, capteur-dissonance.js, moteur-couches.js), non branchés sur le déployé. Direction prouvée, pas certifiée.

Pourquoi on ne baisse PAS le seuil

La tentation, pour attraper plus, serait d'abaisser le seuil d'alerte. Mais c'est crier au loup : à seuil 1.0 on capte 93 % des dangers… au prix de 67 % de fausses alarmes (2 enfants sur 3 qui vont bien seraient signalés). On garde donc le seuil, et on attrape plus en ajoutant des signaux, jamais en baissant la barre.

Le bon réglage (seuil 2.0) tient les fausses alarmes à 3 % sur corpus synthétique. Sur corpus réel mixte (slang ado authentique) : 22,5 %, en cours de réduction.

Comparaison des 3 moteurs — état réel mesuré (30 mai 2026, 17h)

Sur 1 250 conversations annotées (mega-corpus 30/05), 3 moteurs mesurés indépendamment. C'est l'état le plus brut de ce qui existe — y compris ce qui ship réellement aux parents.

* extension JS = corpus partiel 176 cas. À re-mesurer sur le mega-corpus. Avant publication grand public : nous prévoyons une étape d'annotation hors-ligne d'un corpus d'entraînement (un LLM, Claude Haiku en API, étiquette des données publiques — Van Hee, Jigsaw, eRisk), jamais sur l'appareil ni sur les messages réels d'un enfant ; puis un fine-tune dédié sur ~500 000 cas humains publics. Objectif : rappel ≥ 85 %, FP ≤ 12 %.

Ce que nous voulons vraiment mesurer : le résultat humain

Un système peut être techniquement parfait — détection juste, zéro fausse alerte — et pourtant humainement mauvais : si le parent réagit mal, si l'enfant se ferme, si la relation se dégrade. Le rappel et la précision ne disent rien de cela.

Nous pensons que la vraie mesure de Shelkid n'est pas une métrique d'intelligence artificielle, mais une mesure humaine :

• Une discussion parent-enfant s'est-elle ouverte ?
• L'enfant s'est-il senti écouté, et non surveillé ?
• Une demande d'aide a-t-elle abouti — une orientation vers un adulte de confiance, vers le 3018 ?

Nous ne savons pas encore mesurer cela seuls. C'est exactement ce que votre expertise permettrait de construire avec nous : placer l'enfant — et non la performance — au centre de l'évaluation.

Le socle scientifique complet

On ne part pas d'une intuition isolée. L'outil est aligné sur la littérature internationale sur le harcèlement dans le temps : c'est elle qui établit que la répétition et la pente qui monte font la gravité. Toutes les sources ci-dessous ont été vérifiées sur l'original ; les chiffres non confirmés ont été écartés. Nous indiquons la source à chaque fois — et son statut (établi, ou encore à valider).

① L'ampleur du problème (sources françaises)

• ≈ 18 % des jeunes déclarent avoir été cyberharcelés ; 37 % du harcèlement et/ou cyberharcèlement — INSEE Références 2025 / DEPP, et l'étude e-Enfance/3018 – Caisse d'Épargne – Audirep (mai 2025).
• 25 % des 6-18 ans victimes ont déjà pensé au suicide ou à l'automutilation (39 % des filles) — e-Enfance / Caisse d'Épargne, 2025. Le suicide est la 2ᵉ cause de décès des 15-24 ans (Santé publique France, 2023). Chiffres maniés avec sobriété.
• Le lien cyber-victimation → idéation suicidaire est confirmé par méta-analyses (European Child & Adolescent Psychiatry, 2022).

② Le lien harcèlement → suicide (méta-analyses & cohortes longitudinales)

③ Les trajectoires — « la pente qui monte »

• Rudolph et al. (2011) — la victimisation croissante a un effet propre, indépendant du niveau initial.
• Ettekal et al. (2022) — les trajectoires décroissantes récupèrent → intervenir tôt.
• Barker et al. (2008) — trajectoire croissante + double rôle = plus d'automutilation.
• Nylund et al. (2007) ; Finkelhor et al. (2007) — polyvictimisation : la dose fait le poison.

④ Le harcèlement, un phénomène de groupe (fondement de notre pédagogie)

• Christina Salmivalli — « Bullying as a group process » (1996) et le Participant Role Questionnaire (Salmivalli & Voeten, 2004) : chacun tient un rôle (meneur, renforçateur, témoin, défenseur). D'où notre signature : placer le témoin au centre.
• KiVa (Kärnä et al.) — l'un des programmes anti-harcèlement les mieux validés par essais contrôlés ; nous citons aussi, honnêtement, le RCT gallois (2020) sans effet significatif sur le critère principal.
• DABSS (Sargioti et al., 2022, programme FUSE) et Olweus (définition fondatrice, OBVQ) — pour la logique de nos échelles d'auto-évaluation.

⑤ Le cadre français du (cyber)harcèlement

• Catherine Blaya (La cyberviolence, PUF 2025 ; EU Kids Online France) — cyberviolence, « absence de répit » école↔écran. Et Éric Debarbieux (climat scolaire, UNICEF 2011). Statut honnête : ils n'ont pas été sollicités à ce jour ; ce ne sont pas des cautions. Travaux que nous lisons et souhaitons soumettre à leur regard critique. Voir aussi Catheline (PUF) ; Galand (2017).
• Dataset CyberAgressionAdo (Ollagnier, Cabrio, Villata & Blaya, LREC 2022) — notre corpus de validation en français.

⑥ Détection des signaux faibles (grooming, manipulation)

• Appui sur Street et al. (2024), les travaux d'O'Connell et le BF-PSR Framework (Université de São Paulo). Statut honnête : ces motifs ne sont pas encore validés sur un corpus français annoté — couche en développement.

⑦ Recommandations officielles & déontologie

• HAS — protocole « sentinelle / acteur non clinicien » (écoute + orientation) : la place exacte de Shelkid.
• OMS — soutient la prévention « par plateformes numériques » et l'IA de détection « tant que l'humain reste au centre ». Voir aussi OMS-HBSC 2024.
• USPSTF / NICE — mettent en garde contre le dépistage et la prédiction du risque. Shelkid n'est ni un dépistage, ni un prédicteur, ni un substitut clinique — un déclencheur d'écoute et d'orientation, non diagnostique.
• Institutionnel : CDC / StopBullying ; UNESCO 2019 ; UNICEF ; eSafety (AU) ; Éducation nationale / programme pHARe ; Santé publique France (Enabee).

Sources complètes & revue de presse : Sources scientifiques & revue de presse. Démarche, méthode & éthique : Note méthodologique. Revue hiérarchisée par niveau de preuve : REVUE-360-HARCELEMENT-DANS-LE-TEMPS-27mai.md (dossier interne). Cette base est citée à l'identique dans nos courriers et nos restitutions.

Éthique & cadre juridique

• Sans finalité médicale, sans diagnostic — finalité déclarée posée par écrit. Shelkid oriente, il ne dit jamais « cet enfant va mal ».
• Sur l'appareil — le texte des messages n'est pas envoyé sur un serveur (privacy by design). Aucune donnée d'un mineur réel n'est traitée à ce jour ; le traitement est 100 % local ; l'AIPD sera finalisée AVANT tout test impliquant une vraie famille.
• La mémoire « dans le temps » (analyse de la répétition) — la dimension temporelle observe l'évolution sur quelques jours. Cette mémoire reste locale au téléphone, courte, et conçue pour ne garder aucun contenu identifiant d'un tiers (l'interlocuteur de l'enfant). Son chiffrement, sa durée exacte et le sort des messages de tiers sont précisément des points que l'AIPD doit verrouiller avant tout test réel — nous ne les présentons pas comme acquis.
• Consentement parental + assentiment de l'enfant — documents rédigés ; aucune surveillance cachée. Traitement local = minimisation ; l'association est responsable de traitement ; base légale = consentement parental + assentiment du mineur.
• Humain dans la boucle — l'outil suggère, l'humain décide.

Ce qu'il reste — et pourquoi un partenaire

Le signal subtil ne progressera qu'avec davantage de vraie donnée d'adolescents. Nous nous appuyons sur un corpus humain réel annoté (CyberAgressionAdo : 5 608 messages sur 36 conversations d'ados, annoté par 3 experts), complété d'un banc de test de 157 conversations — mais c'est encore étroit (4 thèmes, situations de jeu de rôle) et surtout pauvre en signal subtil, là où nous en aurions le plus besoin. Il en faut beaucoup plus, divers et équilibrés. La preuve sur de vrais téléphones, le paramétrage des seuils (à co-construire avec des professionnels) et le cadre juridique restent aussi à faire. Tout converge vers un test terrain encadré — que nous n'avons pas les moyens de financer seuls.