Le système que nous développons intègre un ensemble limité de fonctions pédagogiques, ce qui restreint ses performances globales. Les développements futurs pourraient introduire des formes plus variées d’interactions en classe, inspirées par les pratiques éducatives existantes, et intégrer des technologies supplémentaires pour enrichir l’expérience pédagogique.
Par exemple, la génération augmentée par recherche (RAG – Retrieval-Augmented Generation ) pourrait être utilisée pour améliorer la précision des connaissances transmises, tandis que la génération de questions et le suivi des connaissances (knowledge tracing ) pourraient permettre une personnalisation accrue des réponses fournies par les agents intelligents.
2. Méthodologie expérimentale
En raison de contraintes liées aux coûts et au temps, nos expériences ont été menées avec une portée limitée : peu de cours, de modèles, de quiz et d’utilisateurs impliqués. Une évaluation plus complète du cadre expérimental sera publiée prochainement à destination des chercheurs en éducation et en intelligence artificielle.
Nous avons recruté plus de 400 étudiants universitaires issus de diverses spécialités pour notre système d’apprentissage en ligne, dont 118 ont terminé tous les chapitres (77 avec TAGI, 41 avec HSU). En outre, 48 autres étudiants ont participé à l’étude comparative portant uniquement sur le premier chapitre du cours.
Afin de garantir une bonne qualité des données obtenues lors de l’analyse comparative, les participants ont été sélectionnés selon des critères rigoureux. Ils ont passé un test court après le cours, visant à vérifier s’ils avaient utilisé le système et s’ils se souvenaient des concepts de base abordés. Les données provenant des participants ayant obtenu moins de 50 % ont été exclues.
Les participants ont été informés que le contenu du cours était généré par IA et que leurs données d'interaction ne seraient utilisées qu'à des fins de recherche. Tous ont reçu une compensation supérieure au salaire horaire moyen national.
3. Travaux antérieurs – LLMs appliqués à la simulation humaine
Récemment, les grands modèles linguistiques (LLMs) ont connu des avancées significatives dans divers domaines du traitement du langage naturel (NLP). Ces modèles, grâce à leur vaste connaissance paramétrée et à leurs capacités explicatives, sont désormais utilisés dans de nombreux domaines tels que l’éducation, la médecine, les jeux ou encore la chimie.
Ils offrent des possibilités techniques innovantes pour l’éducation basée sur des systèmes multi-agents et suscitent un intérêt croissant concernant les phénomènes émergents qu’ils peuvent produire.
4. Grands modèles linguistiques dans l’éducation
Les LLMs disposent de compétences linguistiques élevées, de capacités explicatives et de connaissances intégrées, ce qui a conduit de nombreuses études à explorer leur application dans les services éducatifs.
Outre leur utilisation dans des tâches spécifiques liées à l’éducation (Hu et al., 2024 ; Li et al., 2024d), plusieurs recherches explorent leur capacité à remplacer certains aspects du processus d’enseignement :
- En incarnant des élèves pour former des enseignants (Lee et al., 2023 ; Markel et al., 2023),
- Ou bien en jouant le rôle d’instructeurs pour dispenser des cours aux apprenants (Tu et al., 2023 ; Sonkar et al., 2023 ; Khan Academy, 2024 ; Chen et al., 2023).
Yue et al. (2024) ont notamment exploré l’utilisation de multiples agents étudiants pour soutenir les discussions entre pairs, bien que ces travaux n’aient pas encore inclus d'utilisateurs réels.
5. SimClass – Présentation du cadre simulé
Objectifs de conception
Le cadre expérimental baptisé SimClass est conçu autour de deux préoccupations majeures :
- Comment garantir que la simulation couvre les comportements pédagogiques essentiels ?
- Comment structurer les interactions entre les agents pour reproduire fidèlement un environnement de classe ?
À partir de ces principes, nous avons mis en place plusieurs rôles dans la salle de classe, contrôlés par des agents, et modélisé un processus pédagogique simulé.
6. Rôles pédagogiques simulés
Agent Enseignant
Role : Autorité principale chargée de transmettre les connaissances. Fonctions : Présenter des contenus pédagogiques, répondre aux questions des apprenants, animer la discussion.
Agent-Assistant pédagogique
Role : Soutien logistique et pédagogique. Fonctions : Compléter les informations données, participer aux échanges, maintenir la continuité pédagogique.
Agents camarades
Role : Simuler des interactions entre pairs. Fonctions : Poser des questions, proposer des idées, stimuler la participation des autres.
7. Modèle de gestion des interactions
Un agent manager , inspiré de frameworks comme AutoGen (Wu et al., 2023) et MathVC (Yue et al., 2024), supervise les interactions. Cet agent reçoit l’état courant de la classe, analyse la situation et décide de l’action suivante à entreprendre.
Formellement, la tâche de cet agent peut être définie comme suit :
L : St → (at, ft)
oùStest l’état de la classe au tempst,atl’action choisie parmi un ensemble d’actions possiblesA, etftune fonction spécifique associée à cette action.
8. Résultats expérimentaux
Les tests effectués montrent que la présence des agents camarades a un impact positif sur la participation des utilisateurs. En effet, lorsqu’on retire ces agents, la longueur moyenne des interventions des utilisateurs diminue significativement :
Ces résultats indiquent que la simulation de camarades encourage les apprenants à s’exprimer davantage.
9. Perspectives futures
De futures recherches pourraient inclure l’intégration de nouvelles méthodes telles que :
- La génération augmentée par recherche (RAG) pour améliorer la précision des réponses,
- Le suivi des connaissances (Knowledge Tracing) pour adapter les parcours pédagogiques,
- Des interfaces multimodales pour enrichir l’interaction.
Nous espérons que ces travaux contribueront à développer davantage les recherches sur les systèmes éducatifs fondés sur les LLMs, tant pour les chercheurs en IA que pour les praticiens de l’éducation.