Adieu aux questions-réponses uniques : L'Université de Hong Kong ouvre le code source du tuteur IA DeepTutor v1.5, réalisant un fonctionnement en boucle de l'enseignement et des tests.

Selon la surveillance de Beating, lorsqu'un grand modèle sert de tuteur, il ne peut généralement que répondre « une question, une réponse », sans pouvoir suivre le raisonnement de l'étudiant ni ses erreurs pour un tutorat continu. Le Laboratoire d'Intelligence de Données de l'Université de Hong Kong (HKUDS) a ouvert le code du tuteur intelligent DeepTutor v1.5, intégrant six modules — Chat, Quiz, Recherche, Visualisation, Résolution de problèmes et Planification d'apprentissage (Mastery Path) — dans une même boucle de fonctionnement de l'agent. Cela signifie que lorsque l'étudiant change de tâche, le moteur en arrière-plan n'a pas besoin d'être interrompu ou réinitialisé, et le contexte d'apprentissage ainsi que la mémoire multi-résolution se synchronisent et se transmettent automatiquement.

Pour parvenir à un véritable enseignement adapté à chaque individu, DeepTutor introduit un mécanisme de « forêt de suivi », qui transforme les traces d'interaction en graphes multi-résolution, extrayant un profil d'étudiant virtuel évolutif. Cela permet à chaque conclusion pédagogique donnée par l'IA de remonter à travers les couches vers des preuves textuelles spécifiques ou des enregistrements d'erreurs.

Les évaluations montrent que DeepTutor peut améliorer en moyenne de 10,8 % les indicateurs d'enseignement personnalisé, et augmenter de 29,4 % la capacité de raisonnement général des grands modèles dominants. Cependant, le coût de dérangement de ce type d'enseignement proactif par rappel sur le long terme, ainsi que l'adaptation réelle des utilisateurs humains à la courbe d'oubli, nécessitent encore des études comportementales à long terme pour être validés.