evidoria

← Retour à la liste

Bonne pratique Importée

VyCla — Un Chatbot PNL sur WhatsApp Réduit le Temps de Réponse aux Inscriptions de 11 Heures à 75 Secondes à l'Université de Nariño, en Colombie

Colombie · Pasto · Voir le profil de Colombie

Preuves: Observationnel / avant-après Top 89% 27/100 · Demandez à Evidence Copilot à propos de cette pratique

Le service des admissions de l'université de Nariño a créé VyCla, un chatbot WhatsApp pour les questions d'inscription en licence ; lors d'une évaluation contrôlée avec 122 utilisateurs et 462 demandes résolues, le temps de réponse moyen a chuté de 99,81 %, passant de 666 à 1,25 minute.

666.04 minutes
Temps de réponse moyen (référence manuelle)
1.25 minutes
Temps de réponse moyen (avec VyCla)
99.81 %
Réduction du temps de réponse moyen
99 %
Précision du modèle
4.23 out of 5
Score moyen de satisfaction des utilisateurs
462 inquiries
Demandes résolues lors de la phase d'évaluation

Détails

Maturité
Pilote
Promoteur
Universidad de Nariño — Oficina de Control, Registro Académico y Admisiones (OCARA)
Période
2025-2026
Mots-clés
higher education, university admissions, natural language processing, chatbot

Contexte

À l'Universidad de Nariño, en Colombie, le bureau de Contrôle, des Dossiers académiques et des Admissions (OCARA) traitait manuellement les questions d'inscription et d'admission de premier cycle, avec un temps de réponse moyen que l'étude a ensuite mesuré à 666,04 minutes — plus de onze heures — par question, mettant à rude épreuve une petite équipe lors des périodes de pointe d'inscription.

Objectifs

L'équipe de l'université s'est fixé pour objectif de réduire les temps de réponse et d'améliorer l'expérience des étudiants et candidats pour les questions d'inscription et d'admission, à l'aide d'un chatbot de traitement du langage naturel sur WhatsApp.

Activités

L'équipe a construit VyCla, un chatbot de traitement du langage naturel intégré à WhatsApp, en utilisant un processus agile Scrum réparti sur cinq sprints et une pile technique Node.js, Python (Flask, NLTK) et PostgreSQL. Le modèle sous-jacent de classification des intentions a été entraîné sur 13 996 phrases couvrant 21 intentions liées aux questions courantes d'inscription et d'admission. Une phase de diagnostic initiale a interrogé 4 membres du personnel universitaire, 105 étudiants inscrits et 45 candidats potentiels.

Résultats

Lors de la phase d'évaluation, 122 utilisateurs ont interagi avec VyCla, générant 462 demandes résolues ; l'étude a rapporté une précision du modèle de 99 %, un score moyen de satisfaction des utilisateurs de 4,23 sur 5, un score moyen de recommandation de 4,07 sur 5, et un temps de réponse moyen de 1,25 minute, soit une réduction de 99,81 % par rapport à la référence manuelle. Les travaux ont été publiés dans la revue à comité de lecture Revista Colombiana de Tecnologías de Avanzada (Vol. 1, n° 47, 2026).

Conclusions

La référence de comparaison (666 minutes) reflète le propre processus manuel antérieur de l'OCARA plutôt qu'un étalon externe, et l'échantillon d'évaluation (122 utilisateurs) ne représente qu'une fraction du vivier complet de candidats de l'université ; les chiffres rapportés décrivent donc un pilote réussi plutôt qu'un déploiement pleinement mis à l'échelle et audité de façon indépendante. Les auteurs présentent l'extension à d'autres processus administratifs comme un travail futur, non encore démontré.

Mise en œuvre
Coût indicatif
Faible (< 50 k€) — Built in-house with an open-source stack (Node.js, Python/Flask/NLTK, PostgreSQL); no separate budget figure published.
Délai jusqu’aux résultats
Court (< 1 an) — Developed across five agile sprints; evaluation and publication reported in 2025-2026 (Revista Colombiana de Tecnologías de Avanzada, Vol.1 No.47).
Personnel et compétences
Universidad de Nariño's Office of Control, Academic Records and Admissions (OCARA) development team

Conditions de réussite

  • Agile Scrum process across five sprints
  • Diagnostic phase surveying staff, enrolled students and prospective applicants to map real information needs before build
  • Intent-classification model trained on a large phrase set (13,996 phrases, 21 intents)
  • Deployment over WhatsApp, a widely-used low-bandwidth channel in Colombia

Modes d’échec courants

  • Baseline comparison is against the office's own prior manual process, not an external benchmark
  • Evaluation sample (122 users) is a fraction of the university's full applicant pool
  • No equity or regional breakdown of users reported

Où cela s’applique

Type de gouvernance
public university administrative office
Échelle
single university admissions office
Niveau de revenu
upper-middle-income

Habituellement financé par

Own resources / municipal budget

Pistes de financement indicatives pour des pratiques de ce type — vérifiez toujours les appels en cours et les règles d'éligibilité de chaque programme.

Vous portez cette pratique ? Revendiquez-la — les porteurs vérifiés obtiennent un contact public sur la page et peuvent proposer des corrections.

Sources de données

D'où proviennent les informations de cette pratique, et quand.

Pratiques similaires qui pourraient vous être utiles