Adeus às perguntas e respostas únicas: o tutor de IA de código aberto da Universidade de Hong Kong, DeepTutor v1.5, realiza operação em loop simultâneo de ensino e teste.

Segundo o monitoramento do Dongcha Beating, quando um grande modelo atua como tutor, geralmente só consegue responder "pergunta e resposta", sem conseguir acompanhar o raciocínio do aluno e seus erros para dar uma orientação contínua. O Laboratório de Inteligência de Dados da Universidade de Hong Kong (HKUDS) lançou como código aberto o agente tutor DeepTutor v1.5, que integra seis módulos — Chat, Quiz, Research, Visualize, Solve e Mastery Path — em um único ciclo fechado de operação do agente. Isso significa que, quando o aluno alterna entre tarefas, o motor de back-end não precisa ser interrompido ou reiniciado, e o contexto de aprendizado e a memória multirresolução são sincronizados e transferidos automaticamente.

Para alcançar uma verdadeira educação personalizada, o DeepTutor introduziu um mecanismo de rastreamento florestal, que converte as trajetórias de interação em grafos multirresolução, refinando perfis dinâmicos e evolutivos dos alunos virtuais. Isso permite que cada conclusão pedagógica gerada pela IA seja rastreada entre camadas até evidências textuais específicas ou registros de erros.

A avaliação mostra que o DeepTutor consegue melhorar os indicadores de ensino personalizado em média 10,8%, e aumentar a capacidade de raciocínio geral dos grandes modelos dominantes em 29,4%. No entanto, o custo de interrupção desse tipo de ensino proativo com lembretes em ciclos longos, bem como o efeito real de adaptação dos usuários humanos à curva de esquecimento, ainda precisam ser validados por estudos comportamentais de longo prazo.