Résumé
Ce programme de recherche financé par le Conseil de recherches en sciences naturelles et en génie du Canada (CRSNG) vise à optimiser l'usage de l'intelligence artificielle générative (IAG) en contexte éducatif, en tenant compte à la fois des besoins des enseignants et de ceux des apprenants. Les grands modèles de langage (LLM) n'ont pas été conçus pour l'éducation, mais ils montrent un potentiel réel pour soutenir l'apprentissage. Ils possèdent des connaissances sans pour autant disposer des compétences pédagogiques nécessaires pour les transmettre efficacement, et soulèvent des enjeux de biais algorithmiques et d'accessibilité (Holmes et Miao, 2023 ; Kasneci et al., 2023).
Deux questions guident le programme. Comment développer un LLM orienté vers des objectifs pédagogiques, et comment un tel système peut-il contribuer à l'atteinte des objectifs d'apprentissage et à la réussite scolaire de manière inclusive ?
Objectifs
L'objectif à long terme est de concevoir des LLM pédagogiquement conscients (PA-LLM, pedagogically aware LLMs), optimisés pour l'apprentissage humain. Ces modèles doivent offrir des interactions adaptées à chaque apprenant, fondées sur des pratiques pédagogiques reconnues, tout en atténuant les biais et en améliorant l'accessibilité. Cinq objectifs à court terme structurent ce travail.
O1. Identifier les facteurs internes et externes qui influencent le processus d'apprentissage ainsi que leurs caractéristiques.
O2. Construire un modèle hybride de l'apprenant intégrant ces facteurs.
O3. Intégrer ce modèle à un LLM afin d'en améliorer la personnalisation.
O4. Proposer des méthodes pour intégrer efficacement les théories de l'apprentissage et les théories pédagogiques aux LLM.
O5. Concevoir un prototype éthique de PA-LLM.
Problématique
Depuis la théorie des deux sigmas de Bloom (1984), la recherche en intelligence artificielle appliquée à l'éducation cherche à reproduire les bénéfices de l'enseignement individualisé à travers les systèmes tutoriels intelligents et les jeux sérieux. Ces outils peinent toutefois à être adoptés en pratique, notamment en raison de difficultés liées à l'évaluation, à la transparence, à l'engagement et à la prise en compte des facteurs externes. L'arrivée massive des LLM, comme ChatGPT, amplifie ces enjeux. Capables de converser en langage naturel et de répondre à une grande variété de questions, ils ne sont pas pour autant optimisés pour la pédagogie ni pour favoriser le raisonnement au cœur de l'apprentissage.
La personnalisation actuelle des LLM repose surtout sur l'historique des échanges ou sur des informations fournies explicitement dans la requête (Woźniak et al., 2024). Elle ignore des caractéristiques plus riches de l'apprenant, comme le contexte, les croyances ou la motivation. Les approches existantes présentent aussi leurs limites, comme des requêtes trop longues et coûteuses, la perte d'information dans les méthodes par récupération (Salemi et al., 2024), la difficulté à traiter les nouveaux utilisateurs, ou encore le besoin de grandes quantités de rétroactions individuelles dans les approches par apprentissage par renforcement (Li et al., 2024). Par ailleurs, les modèles de l'apprenant construits uniquement à partir de données risquent de reproduire, voire d'amplifier, les biais présents dans ces données. À notre connaissance, aucune recherche n'a encore porté sur l'intégration d'un modèle de l'apprenant hybride et multifacette dans un LLM.
Fondements
Le programme s'appuie sur les travaux antérieurs de la chercheure en modélisation de l'apprenant et en intelligence artificielle hybride.
Modélisation holistique de l'apprenant. Ces travaux ont mené à des réseaux bayésiens conçus avec des experts pour modéliser les connaissances et prédire la performance en raisonnement logique, à des modèles combinant les états émotionnels captés en temps réel et le traçage des connaissances, ainsi qu'à des architectures neuronales multimodales intégrant émotions, performance et charge cognitive (mesurée par EEG). Une variante du deep knowledge tracing (Piech et al., 2015), appelée DKTm, a également été proposée pour mieux suivre les connaissances rares, pour lesquelles peu de données sont disponibles.
Fusion de connaissances expertes et de réseaux de neurones. Une architecture hybride inspirée du mécanisme d'attention permet à un réseau de neurones de tenir compte de connaissances préalables (réseau bayésien, documents d'experts) avant de faire une prédiction (Tato et Nkambou, 2022). Appliquée à la prédiction du raisonnement logique et du raisonnement sociomoral, cette approche neurosymbolique a été reconnue dans la littérature comme une contribution importante au traçage des connaissances (Hooshyar et al., 2024 ; Zanellati et al., 2024). Ces solutions sont intégrées aux plateformes Logic-Muse (système tutoriel intelligent pour l'apprentissage de la logique) et MorAlert (jeu sérieux sur le raisonnement sociomoral).
Retombées
La personnalisation des LLM est un champ encore peu exploré, au fort potentiel en informatique comme en éducation. En adaptant les dialogues aux caractéristiques de chaque apprenant, le programme contribuera à réduire les biais, à améliorer l'accessibilité et à transformer les pratiques pédagogiques. Les PA-LLM offriront aux enseignants un soutien plus précis auprès de leurs étudiants, et aux apprenants des environnements plus intuitifs, engageants et efficaces. Le recours à la connaissance experte plutôt qu'à de grands volumes de données d'entraînement réduit aussi l'empreinte environnementale de ces modèles.
Financement complémentaire
Ce projet bénéficie également d'un Supplément Tremplin vers la découverte du CRSNG (2025–2030), destiné à soutenir l'internationalisation et la collaboration autour de ce programme.
Références
Bloom, B. S. (1984). The 2 sigma problem: The search for methods of group instruction as effective as one-to-one tutoring. Educational Researcher, 13(6), 4–16.
Holmes, W. et Miao, F. (2023). Guidance for generative AI in education and research. UNESCO.
Hooshyar, D. et al. (2024). Augmenting deep neural networks with symbolic educational knowledge: Towards trustworthy and interpretable AI for education. Machine Learning and Knowledge Extraction, 6(1), 593–618.
Kasneci, E. et al. (2023). ChatGPT for good? On opportunities and challenges of large language models for education. Learning and Individual Differences, 103, 102274.
Li, X., Lipton, Z. C. et Leqi, L. (2024). Personalized language modeling from personalized human feedback. arXiv:2402.05133.
Piech, C. et al. (2015). Deep knowledge tracing. Advances in Neural Information Processing Systems, 28.
Salemi, A., Mysore, S., Bendersky, M. et Zamani, H. (2024). LaMP: When large language models meet personalization. Proceedings of the 62nd Annual Meeting of the Association for Computational Linguistics.
Tato, A. et Nkambou, R. (2022). Infusing expert knowledge into a deep neural network using attention mechanism for personalized learning environments. Frontiers in Artificial Intelligence, 5.
Woźniak, S. et al. (2024). Personalized large language models. arXiv:2402.09269.
Zanellati, A. et al. (2024). Hybrid models for knowledge tracing: A systematic literature review. IEEE Transactions on Learning Technologies, 17.