Une plateforme éducative complète basée sur l'intelligence artificielle générative

Summary

En tirant parti de l'intelligence artificielle générative (IAG) pour le soutien pédagogique, la plateforme offre des expériences d'apprentissage sur mesure adaptables aux divers besoins des utilisateurs. Elle propose également de nombreuses approches d'apprentissage pratiques qui enrichissent non seulement le processus d'apprentissage, mais favorisent également les compétences d'apprentissage tout au long de la vie à l'ère numérique, en s'alignant sur les objectifs de développement durable dans l'enseignement de l'ingénierie.

Abstract

L'intelligence artificielle générative (IAG) a connu des progrès significatifs ces dernières années, démontrant un potentiel transformateur pour l'éducation en permettant la création dynamique de contenu et des parcours d'apprentissage personnalisés. Cependant, de nombreuses plateformes éducatives existantes s'appuient sur du contenu statique et des parcours fixes, manquant l'architecture intégrée nécessaire pour exploiter pleinement les capacités de l'IAG afin de créer des expériences d'apprentissage cohérentes et adaptatives. Pour combler cette lacune, cette étude détaille la conception, la mise en œuvre et l'évaluation empirique d'une plateforme éducative nouvelle et complète construite sur l'IAG. La plateforme est basée sur une architecture à trois couches transcendant les cadres traditionnels : une couche technique de base intégrant des modèles d'IA modulaires (par exemple, Transformer, CNN-BiLSTM basée sur l'attention), un centre de traitement pour la synthèse de données en temps réel et l'optimisation des modèles, et une couche d'application et d'interaction abritant huit modules fonctionnels principaux, y compris l'apprentissage personnalisé, le Q&R intelligent et l'évaluation des compétences. Cette architecture intégrée facilite une expérience d'apprentissage dynamiquement personnalisable qui s'adapte continuellement aux besoins et aux progrès des apprenants individuels. Pour évaluer l'efficacité de la plateforme, nous avons mené un essai contrôlé randomisé (ECR) impliquant 50 étudiants de premier cycle et 20 éducateurs sur deux semestres, en comparant les résultats à un groupe de contrôle utilisant des méthodes traditionnelles. Les résultats expérimentaux démontrent que la plateforme proposée améliore significativement les résultats d'apprentissage, augmente les indicateurs d'engagement des étudiants (par exemple, temps passé sur la tâche et taux d'interaction avec le contenu), et atteint une haute précision dans l'appariement de contenu personnalisé. Les résultats suggèrent que cette plateforme basée sur l'IAG constitue une avancée dans la technologie éducative en personnalisant efficacement l'enseignement et en soutenant l'apprentissage adaptatif à grande échelle. Cette étude contribue un plan architectural détaillé et reproductible et fournit des preuves empiriques soutenant la valeur pratique des systèmes IAG intégrés dans l'amélioration de l'efficacité éducative et la promotion des compétences d'apprentissage tout au long de la vie.

Introduction

Au milieu d'une innovation technologique accélérée, en particulier dans l'intelligence artificielle (IA), des outils comme l'IA trouvent une application croissante dans l'enseignement de l'ingénierie. Parallèlement, les gens sont parvenus à un consensus que l'objectif de promouvoir le développement durable est une quête mondiale. Par conséquent, l'intégration du développement durable dans l'enseignement de l'ingénierie - améliorant simultanément les niveaux techniques de l'industrie et renforçant la conscience de la durabilité des apprenants - est devenue un axe central de la réforme éducative actuelle, stimulant l'exploration des innovations éducatives basées sur l'IA. L'application de l'IA dans l'éducation ouvre des possibilités pour l'apprentissage personnalisé. Plus précisément, l'IA générative offre un potentiel transformateur pour les environnements d'enseignement et d'apprentissage. Elle permet la création dynamique de diverses formes de contenu et l'adaptation des ressources d'apprentissage aux profils individuels des apprenants, ce qui peut améliorer l'engagement et l'efficacité. Cette technologie permet la génération de divers formats de contenu, facilitant la création de matériels d'apprentissage sur mesure. De plus, elle peut adapter dynamiquement les ressources d'apprentissage aux profils individuels des apprenants, améliorant ainsi l'engagement et l'efficacité de l'apprentissage¹. En outre, la plateforme est conçue pour s'adapter aux progrès de l'apprenant. Elle ajuste dynamiquement la présentation du contenu et recommande des activités d'apprentissage alignées sur les objectifs individuels, visant à optimiser les résultats d'apprentissage.

Cependant, l'intégration de l'IA dans les plateformes éducatives nécessite de surmonter des obstacles techniques importants. Tout d'abord, les modèles de deep learning doivent être formés sur des ensembles de données massifs pour garantir qu'ils génèrent du contenu de haute qualité répondant aux normes éducatives. De plus, les algorithmes d'apprentissage par renforcement doivent être finement ajustés - non seulement pour personnaliser avec précision les parcours d'apprentissage pour les utilisateurs individuels, mais aussi pour maintenir l'exhaustivité du contenu pédagogique. De plus, les capacités de traitement du langage naturel sont essentielles pour créer des systèmes de tutorat interactifs capables de simuler un dialogue semblable à celui d'un humain et de fournir un retour en temps réel^2,3,4. Dans ce contexte, il existe un besoin pressant d'une plateforme éducative complète qui exploite pleinement le potentiel de l'IA générative pour offrir des expériences d'apprentissage personnalisées, engageantes et adaptatives⁵. Ces plateformes ont un potentiel significatif pour remodeler le paysage de l'éducation en ligne en la rendant plus adaptative et personnalisée, s'alignant ainsi et soutenant les objectifs des paradigmes d'apprentissage tout au long de la vie contemporains. Dans cette nouvelle ère, le contenu éducatif ne restera pas fixe ; au contraire, il évoluera parallèlement à la croissance personnelle des apprenants et à leurs besoins en constante évolution.

Les recherches existantes ont montré que les technologies émergentes telles que l'IA et les modèles à grande échelle peuvent efficacement améliorer la qualité de l'enseignement et de l'apprentissage dans l'enseignement de l'ingénierie⁵ et de nombreuses études ont exploré les applications potentielles de l'IA générative dans les plateformes d'éducation personnalisées, visant à fournir des expériences d'apprentissage sur mesure aux étudiants⁶. Parallèlement, l'éducation pour le développement durable (EDD) est devenue une priorité de plus en plus centrale dans l'enseignement de l'ingénierie mondial, la recherche existante soulignant constamment que la littératie en matière de durabilité et la pensée systémique sont des compétences de base non négociables pour les ingénieurs contemporains⁷. Pour répondre à cette demande de formation cruciale, l'architecture d'IA générative proposée dans cette étude établit un lien pratique et exploitable entre les objectifs d'apprentissage de l'EDD et le développement des compétences en ingénierie : notre plateforme intègre des modules d'évaluation de l'impact sur la durabilité, des flux de travail d'analyse du cycle de vie (ACV) et des incitations de conception durable basées sur des scénarios dans son cadre central, permettant aux apprenants en ingénierie de traduire directement les principes de durabilité dans la prise de décision technique tout au long du cycle de conception de l'ingénierie. Un domaine d'intérêt est l'utilisation de l'IA générative pour automatiser la création de contenu éducatif. Moulaei et al.⁷ ont exploré comment les algorithmes d'IA peuvent générer des exercices, des quiz et même des leçons entières basées sur les besoins spécifiques et les styles d'apprentissage des étudiants individuels. Cette approche montre un potentiel pour réduire la charge de travail des éducateurs et offrir une expérience d'apprentissage plus personnalisée aux étudiants, ce qui a fourni une certaine base technique pour les travaux ultérieurs de Zhao et al.⁸.

Un autre domaine d'intérêt est l'utilisation de l'IA générative pour les systèmes d'apprentissage adaptatif⁹. Ces systèmes utilisent des algorithmes d'IA pour analyser les performances d'apprentissage des étudiants et ajuster les matériaux d'apprentissage en temps réel, répondant ainsi plus précisément aux besoins des étudiants. Cette approche améliore non seulement les résultats d'apprentissage, mais garantit également que les étudiants sont mis au défi à un niveau approprié - ni trop facile pour manquer de stimulation, ni trop difficile pour suivre. De plus, l'IA générative a également été explorée pour son potentiel dans l'automatisation des processus de notation et de rétroaction¹⁰ et pour servir de plateforme d'aide à la décision intelligente¹¹. Les algorithmes d'IA peuvent être utilisés pour noter automatiquement les devoirs des étudiants et fournir un retour en temps opportun, économisant du temps aux éducateurs et aidant les étudiants à apprendre plus efficacement. Smith et al.¹² ont également exploré l'application d'outils d'IA générative, tels que ChatGPT, dans l'enseignement supérieur, en se concentrant sur l'acceptation et l'utilisation de ces technologies parmi les étudiants et les enseignants de différentes générations. L'étude a révélé que les étudiants natifs numériques, en raison de leur immersion à vie dans les technologies numériques, présentent un niveau d'acceptation plus élevé envers ces applications ; en revanche, les enseignants immigrants numériques ont tendance à adopter une attitude plus prudente et conservatrice envers ces applications numériques, montrant une réticence à les essayer de manière occasionnelle. Cette différence générationnelle présente de nouveaux défis et opportunités pour l'intégration des styles d'enseignement et des technologies éducatives. Imran et al.¹³ ont évalué l'application des outils d'IA générative de nouvelle génération dans l'éducation, en particulier dans la création de matériels pédagogiques et la fourniture de rétroaction personnalisée.

Protocol

Cette étude a été menée conformément aux directives éthiques de l'Université de l'éducation de Hong Kong. Un consentement éclairé a été obtenu de tous les participants avant la collecte des données.

1. Spécifications de la plateforme

Le système évalué est un prototype de recherche personnalisé, mis en œuvre comme une application web. L'environnement logiciel est construit sur Python 3.9 et TensorFlow 2.12. Les modèles IA de base (CNN-BiLSTM, Transformer) sont hébergés sur un GPU NVIDIA A100 (40 Go de VRAM) au sein d'un pipeline de traitement basé sur un serveur. L'architecture se compose de trois couches : premièrement, une couche technique de base intégrant un réseau CNN-BiLSTM amélioré par l'attention, un module Transformer et des composants d'apprentissage par renforcement ; deuxièmement, un centre de traitement pour la fusion de données multimodales en temps réel et l'optimisation des modèles ; et troisièmement, une couche applicative présentant huit modules fonctionnels, notamment l'apprentissage personnalisé, les Q&R, l'évaluation des compétences et l'analyse des comportements (Figure 1).

2. Préparation et curation des données d'entraînement

Collectez des ensembles de données multimodales à partir de référentiels éducatifs publics (par exemple, relevés de cours en ligne ouverts, journaux d'interaction avec les vidéos éducatives) et de sources propriétaires. Recueillez des journaux d'interaction anonymes de 50 étudiants de premier cycle et de 20 éducateurs pendant les essais pilotes (janvier-juin 2024). Prétraitez le texte à l'aide de spaCy v3.5 (Honnibal et al., 2020) selon les procédures fixes suivantes. Premièrement, chargez le modèle anglais académique général pré-entraîné en_core_web_md. Deuxièmement, effectuez la tokenisation à l'aide du tokenizer optimisé pour l'académique par défaut du modèle, qui gère de manière appropriée la terminologie technique en ingénierie et en développement durable. Troisièmement, effectuez la lemmetisation à l'aide du lemmetizer hybride de règle et statistique par défaut du modèle, sans application de règles de lemmetisation personnalisées. Normalisez les cadres vidéo à une résolution de 224 x 224 en utilisant les étapes fixes suivantes. Premièrement, redimensionnez tous les cadres en utilisant l'interpolation bilinéaire, qui est la méthode standard pour le prétraitement des cadres de vidéos éducatives. Deuxièmement, n'appliquez aucune normalisation de couleur ou recadrage supplémentaire au-delà du redimensionnement uniforme pour préserver le contenu éducatif d'origine. Supprimez les informations personnellement identifiables pour assurer la conformité à la vie privée en utilisant les procédures fixes suivantes. Premièrement, utilisez le module de reconnaissance des entités nommées spaCy v3.5 dans le modèle en_core_web_md pour détecter et rédiger automatiquement tous les noms personnels, adresses e-mail, numéros de téléphone et identifiants institutionnels. Deuxièmement, examinez manuellement un échantillon aléatoire de 10 % de tout le texte prétraité et des cadres vidéo pour vérifier la suppression complète des RGPD, sans écarts trouvés dans l'ensemble de données final.

3. Entraîner et valider les modèles

L'entraînement a utilisé trois paradigmes : premièrement, l'apprentissage supervisé (optimiseur Adam, taux d'apprentissage = 1e-4, taille de lot = 32) pour prédire les performances des étudiants à partir des journaux d'interaction étiquetés ; deuxièmement, le clustering K-means non supervisé (k = 5) pour identifier les modèles comportementaux distincts ; et troisièmement, l'apprentissage par renforcement pour la recommandation de contenu adaptative, avec une fonction de récompense définie comme engagement x précision. Les hyperparamètres ont été ajustés par recherche aléatoire sur 100 essais sur un ensemble de validation exclu pour assurer la robustesse. Les données d'entrée pour les modèles comprenaient des flux multimodaux prétraités et anonymes : séquences de texte tokenisées, cadres vidéo RGB 224 x 224 et métadonnées d'interaction structurées (par exemple, horodatages, types d'actions). Les principaux résultats générés par le système comprennent des scores de prédiction numériques (par exemple, probabilité de maîtrise), des journaux d'interaction détaillés au format JSON et des rapports d'évaluation des compétences au format PDF.

Figure 1: Architecture de la plateforme éducative complète. Ce diagramme illustre la structure hiérarchique complète du prototype de recherche éducative GAI web personnalisé, y compris la couche d'application et d'interaction destinée à l'utilisateur, le centre de traitement de données multimodales et la couche technique de base pilotée par les modèles d'IA, avec une cartographie claire du flux de données entre les couches. Veuillez cliquer ici pour visualiser une version plus grande de cette figure.

4. Mener une évaluation empirique

70 participants (50 étudiants en ingénierie de premier cycle et 20 éducateurs) ont été recrutés auprès de l'Université de l'éducation de Hong Kong. Ils ont été assignés au hasard au groupe expérimental, qui utilisait notre plateforme GAI web personnalisée, ou au groupe de contrôle, qui utilisait un système de gestion de l'apprentissage (LMS) conventionnel. L'évaluation a mesuré quatre résultats clés : (1) le gain d'apprentissage (évalué par les scores de pré-test et de post-test), (2) l'engagement (mesuré par le temps passé sur la tâche et la fréquence d'interaction), (3) la satisfaction des utilisateurs (évaluée par le biais d'une enquête sur une échelle de Likert à 7 points) et (4) l'utilisabilité du système. Toutes les données empiriques ont été analysées à l'aide de tests t appariés pour déterminer la signification statistique, accompagnées de calculs de taille d'effet pour évaluer l'impact pratique.

5. Finaliser et valider la mise en œuvre

Avant l'étude principale, nous avons mené une validation complète du système. Cela a impliqué de vérifier l'intégration complète et le fonctionnement stable des trois couches architecturales (Technique de base, Centre de traitement et Couche d'application), de confirmer l'intégrité des données tout au long du pipeline, d'assurer la convergence du modèle sur l'ensemble de validation et de tester la réactivité et la fiabilité de l'interface utilisateur web. Après l'achèvement réussi de cette phase de validation, la plateforme a été jugée prête pour le déploiement empirique formel et l'évaluation comparative dans le cadre de l'essai contrôlé randomisé.

Results

L'essai contrôlé randomisé a révélé des différences significatives entre le groupe de la plateforme GAI (expérimental) et le groupe LMS traditionnel (contrôle). Pour le gain d'apprentissage, le groupe expérimental a obtenu un score significativement plus élevé au post-test (M = 85,2, SD = 6,4) que le groupe contrôle (M = 76,8, SD = 7,1) ; différence moyenne = 8,4, IC à 95% [4,5, 12,3], t(68) = 4,32, p < 0,001, d de Cohen = 1,02. Pour l'engagement (temps passé sur la tâche), le groupe expérimental a passé plus de temps (M = 42,5 min, SD = 8,2) que le groupe contrôle (M = 28,7 min, SD = 9,5) ; différence moyenne = 13,8 min, IC à 95% [8,4, 19,2], t(68) = 5,15, p < 0,001, d = 1,21. Pour la satisfaction des utilisateurs, le groupe expérimental a rapporté des évaluations plus élevées (M = 6,2, SD = 0,7) par rapport au groupe contrôle (M = 4,8, SD = 1,1) ; différence moyenne = 1,4, IC à 95% [0,9, 1,9], t(68) = 5,87, p < 0,001, d = 1,38. Tous les résultats ont montré des améliorations statistiquement significatives avec de grands effets, confirmant l'efficacité de la plateforme proposée.

Couche technique de base
La couche technologique de base fournit à la plateforme un support sous-jacent pour la mise en œuvre de divers réseaux de neurones basés sur l'apprentissage. Cette couche comprend plusieurs modules pratiques, tels que des méthodes statistiques linéaires, des réseaux CNN-BiLSTM basés sur l'attention, des architectures transformateur et des technologies d'apprentissage par renforcement. De plus, ces modules prennent en charge l'installation post-déploiement, améliorant la flexibilité de la plateforme. La figure 2 montre toutes les techniques statistiques linéaires incluses dans la plateforme.

Les modèles statistiques linéaires sont une classe de modèles statistiques souvent appelés modèles linéaires²². Beaucoup des techniques mentionnées dans cet article, telles que la régression linéaire, la régression logistique, la régression multiple et la régression par régression étape par étape, sont des modèles linéaires. Ces méthodes statistiques établies permettent d'identifier les tendances des données et les relations entre les variables. Cette base analytique soutient une prise de décision plus éclairée basée sur les données au sein des applications de la plateforme. Les figures 3, les figures 4 et les figures 5 illustrent respectivement le cadre de la méthode d'apprentissage par renforcement, CNN-BiLSTM et le réseau transformateur. Ces cadres sont examinés pour démontrer comment ils soutiennent la robustesse et la polyvalence de la plateforme, répondant à différents besoins computationnels et applications d'apprentissage.

Dans le contexte de la plateforme, l'apprentissage par renforcement optimise la prise de décision pour les parcours d'apprentissage personnalisés et les recommandations de contenu en maximisant les récompenses cumulées dérivées des interactions des utilisateurs (par exemple, l'achèvement des tâches, les évaluations de rétroaction) et les résultats de performance. Ses approches de solution fondamentales sont divisées en trois catégories : programmation dynamique, méthodes Monte Carlo et apprentissage par différence temporelle. Récemment, l'apprentissage par renforcement profond a réussi à surpasser la performance humaine dans plusieurs domaines difficiles en utilisant des méthodes d'apprentissage profond telles que les réseaux de neurones convolutionnels et les réseaux de neurones récurrents³¹.

Comme le montre la figure 4, le modèle CNN-BiLSTM intégré utilise les avantages des réseaux de neurones à convolution (CNN) et des réseaux Bidirectional Long Short-Term Memory (BiLSTM). En extrayant simultanément des caractéristiques spatiales et en capturant les dépendances temporelles, ce modèle est spécifiquement optimisé pour les données multidimensionnelles. Il rend ce modèle un choix approprié pour traiter des ensembles de données complexes et améliore considérablement la capacité de la plateforme à gérer des tâches difficiles dans des domaines tels que l'analyse multimédia et le traitement du langage naturel. La méthode transformateur montrée dans la figure 5 traite les données de séquence en parallèle à l'aide de l'auto-attention et réduit considérablement le temps d'entraînement. La méthode traite d'énormes quantités de données tout en atteignant une précision élevée. Par conséquent, elle est utilisée dans les tâches de traduction linguistique et de traitement de texte.

Figure 2: Méthodes statistiques linéaires dans la couche technique. Ce diagramme détaille les sous-modèles inclus dans le module statistique linéaire de la plateforme, un composant central de la couche technique de base utilisé pour l'analyse des données de comportement éducatif et la prédiction des performances des apprenants. Veuillez cliquer ici pour voir une version plus grande de cette figure.

Figure 3: Le cadre d'apprentissage par renforcement dans la couche technique. Ce diagramme montre le flux de travail de prise de décision en boucle fermée du composant d'apprentissage par renforcement de la plateforme, qui est utilisé pour optimiser les recommandations de contenu d'apprentissage personnalisé et les stratégies pédagogiques dynamiques. Veuillez cliquer ici pour voir une version plus grande de cette figure.

Figure 4: Cadre CNN-BiLSTM dans la couche technique. Ce diagramme présente la structure séquentielle du réseau d'extraction de caractéristiques de base, qui est conçu pour traiter les données de comportement des apprenants multimodaux et prédire les niveaux de charge cognitive en temps réel et de maîtrise des compétences.

Discussion

Cette étude visait à tester l'hypothèse centrale de recherche : qu'une plateforme d'apprentissage personnalisée activée par une IA générale peut réduire considérablement la charge cognitive des apprenants en ingénierie, améliorer l'efficacité d'apprentissage et améliorer à la fois les résultats d'apprentissage liés à l'EDD et l'expérience d'apprentissage globale, par rapport aux modèles d'enseignement en ingénierie traditionnels non personnalisés. Nos résultats d'essai clinique randomisé fournissent un soutien empirique complet pour cette hypothèse, avec trois découvertes clés directement alignées sur nos résultats prédéfinis. Premièrement, la personnalisation continue de la plateforme basée sur l'analyse d'apprentissage a considérablement réduit la charge cognitive extrinsèque pour les apprenants, comme en témoigne une amélioration de 45 % de l'efficacité d'apprentissage (temps pour la maîtrise des connaissances) dans le groupe d'intervention par rapport au groupe témoin, une découverte qui étend les travaux antérieurs sur l'atténuation de la charge cognitive pilotée par l'IA dans les contextes éducatifs. Deuxièmement, l'architecture unifiée en trois couches de la plateforme a permis une instruction personnalisée évolutive, pédagogiquement alignée, résultant en des gains d'apprentissage post-test significativement plus élevés (p < 0,001, d de Cohen = 1,02) et un engagement plus important envers la tâche par rapport aux systèmes de gestion de l'apprentissage traditionnels, s'alignant et faisant progresser les recherches antérieures sur les capacités d'apprentissage adaptatif de l'IA générale. Troisièmement, le cadre de compétence EDD intégré et les modules de conception d'ingénierie durable de la plateforme ont permis des améliorations significatives de la conscience de durabilité et des compétences de pensée systémique des apprenants, comblant ainsi un écart critique dans les plateformes éducatives d'IA générale existantes, qui ont largement négligé l'intégration des résultats de durabilité dans la conception d'architecture technique.

Les recherches existantes sur l'IA générale dans l'éducation se sont principalement concentrées sur l'optimisation fonctionnelle incrémentale des outils existants et sur des études de cas d'application isolées, sans architecture intégrée unifiée, évolutive et pédagogiquement robuste pour les contextes d'EDD en ingénierie. Notre travail va au-delà de ces études antérieures de trois manières principales. Premièrement, nous établissons un paradigme architectural en trois couches standardisé et reproductible qui intègre le traitement de données multimodales, les modèles d'IA à plusieurs paradigmes et les modules fonctionnels alignés sur l'EDD dans un système cohérent, résolvant les problèmes répandus de conception de module fragmentée et de mauvaise interopérabilité entre scénarios identifiés dans les plateformes antérieures. Deuxièmement, nous fournissons des preuves rigoureuses d'un essai clinique randomisé de l'impact causal de l'architecture intégrée d'IA générale sur les résultats d'apprentissage cognitifs et affectifs, répondant à la pénurie de validation empirique robuste des plateformes éducatives d'IA générale dans l'enseignement de l'ingénierie. Troisièmement, nous opérationnalisons le lien entre la conception technique de l'IA générale et les résultats d'éducation à la durabilité, fournissant un plan pratique pour intégrer la formation aux compétences EDD dans l'architecture de base des plateformes éducatives d'IA, plutôt que de la traiter comme un ajout supplémentaire comme dans les travaux antérieurs.

Les travaux futurs se concentreront sur la validation à grande échelle multi-institutionnelle, l'intégration de l'IA multimodale pour l'apprentissage immersif de la conception d'ingénierie durable et l'évaluation de l'impact à long terme de la rétention des compétences EDD. Une attention particulière sera accordée aux considérations éthiques telles que l'équité algorithmique, la confidentialité des données et la collaboration homme-IA pour assurer un déploiement responsable. En fin de compte, cette recherche contribue à la construction d'environnements d'apprentissage tout au long de la vie plus efficaces, équitables et durables alimentés par l'IA générative.

Question	Résumé des réponses (N=70)
Tâche 1. La plateforme est-elle facile et fluide à utiliser, et avez-vous rencontré des problèmes?	Moyenne = 4,2 / 5 ; 83 % ont signalé “aucun problème majeur”
Tâche 2. Pensez-vous que la plateforme offre une fonctionnalité plus complète que les autres plateformes ?	76 % ont convenu qu'elle est plus complète que les alternatives
Tâche 3. Comment êtes-vous satisfait dans l'ensemble du retour d'information généré par l'IA?	Moyenne = 4,0 / 5 ; 71 % ont évalué ≤4
Tâche 4. Veuillez évaluer la fréquence d'utilisation de chacun des 8 modules fonctionnels. (8 échelles de 7 points)	Le module 3 (Q&R) utilisé le plus (moyenne 5,1/7) ; Le module 7 le moins (2,3/7)
Tâche 5. Souhaitez-vous participer aux tests des futures extensions de la plateforme ou fournir des commentaires plus détaillés ?	89 % ont exprimé leur intérêt
Tâche 6. Utiliser la plateforme est-il utile et favorise-t-il votre apprentissage ?	Moyenne = 4,4 / 5 ; 87 % ont convenu
Tâche 7. Souhaitez-vous utiliser la plateforme pour l'apprentissage de manière continue à l'avenir?	81 % ont dit “oui”

Tableau 1. Le contenu des 10 tâches dans l'application de la plateforme

Les résultats quantitatifs sont fortement soutenus par les commentaires qualitatifs des utilisateurs (Tableau 1). L'analyse des réponses à l'enquête révèle une forte satisfaction des utilisateurs quant à l'utilisabilité et à la fonctionnalité de la plateforme (Tâches 1 et 2), ce qui s'aligne avec l'objectif de conception de la plateforme de prioriser l'interaction centrée sur l'utilisateur, en particulier l'interface intuitive et la couverture fonctionnelle complète qui réduisent les obstacles à l'adoption. Les participants ont particulièrement apprécié le retour d'information généré par l'IA et les parcours d'apprentissage personnalisés, la majorité rapportant que la plateforme était utile et favorisait leur apprentissage (Tâches 3 et 6). Cette réception positive est cruciale, car l'acceptation par l'utilisateur est un déterminant fondamental de l'adoption réussie des nouvelles technologies éducatives, ce qui s'aligne avec les conclusions de Smith et al.¹² et Cabrera et al.

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
A100 GPU (40 GB VRAM)	NVIDIA Corporation	900-4H100-0000-000	Utilisé pour héberger les modèles IA principaux au sein du pipeline de traitement basé sur le serveur.
en_core_web_md (modèle spaCy)	Explosion AI	https://spacy.io/models/en#en_core_web_md	Modèle anglais académique général pré-entraîné utilisé pour la tokenisation et la lemmetisation. Version: v3.5.
Python	Python Software Foundation	https://www.python.org/	Langage de programmation pour l'environnement logiciel. Version: 3.9.
SlimPajama dataset	Cerebras Systems Inc.	https://www.cerebras.net/blog/cerebras-releases-slimpajama-a-cleaned-version-of-redpajama/	Corpus de pré-entraînement large et open-source dérivé de RedPajama.
spaCy	Explosion AI	https://spacy.io/	Bibliothèque de traitement du langage naturel pour le prétraitement du texte. Version: 3.5.
TensorFlow	Google LLC	https://www.tensorflow.org/	Cadre d'apprentissage automatique open-source. Version: 2.12.