Au-delà de l'enveloppe : ingénierie d'une véritable intelligence pédagogique par le traçage profond des connaissances

Synthèse : la crise du contexte à l'ère de l'IA générative

Le paysage des technologies éducatives traverse actuellement une crise paradoxale. Nous sommes inondés d'outils « intelligents », pourtant la véritable intelligence pédagogique reste rare. La rapide marchandisation des grands modèles de langage (LLM) a entraîné une prolifération de « tuteurs IA » — des applications qui ne sont souvent guère plus que de minces enveloppes logicielles autour d'API publiques, instruites via des invites système à « jouer le rôle d'un enseignant ». Si ces systèmes excellent dans le jeu de rôle linguistique, imitant le rythme et le vocabulaire d'un éducateur avec une fluidité déconcertante, ils échouent fondamentalement à la tâche centrale de l'éducation.

L'éducation n'est pas seulement la génération d'explications ; c'est la gestion de l'état cognitif d'un apprenant dans le temps. Un vrai enseignant ne se contente pas de répondre à une question ; il comprend pourquoi la question a été posée. Ils se souviennent qu'un élève a peiné sur les fractions la semaine dernière, et anticipent donc une difficulté avec les rapports aujourd'hui. Ils construisent un modèle mental de la maîtrise de l'apprenant — un « état cérébral » — qui persiste et évolue. Les LLM standard, en revanche, sont des moteurs de probabilité sans état. Ils souffrent d'oubli catastrophique dans le contexte de l'historique utilisateur à long terme, dépourvus d'une mémoire persistante de la trajectoire d'apprentissage unique de l'élève. Ils offrent un jeu de rôle, pas un mentorat.

Veriprajna opère avec la conviction que « l'apprentissage personnalisé » est devenu un vain slogan. La réalité d'une éducation par IA efficace réside dans le traçage profond des connaissances (DKT) . En déplaçant le focus architectural de la génération de texte vers le suivi d'état, en utilisant des réseaux de neurones récurrents (RNN) pour modéliser la dimensionnalité cachée de l'esprit humain, nous pouvons passer de la construction de chatbots à celle de mentors. Ce livre blanc expose la nécessité technique du DKT, l'architecture de l'« état cérébral », et le déploiement de systèmes neuro-symboliques qui maintiennent les apprenants dans la « zone de flux » — l'intersection optimale du défi et de la compétence où l'apprentissage profond se produit.

Partie I : Le sophisme du « tuteur IA » et le problème de l'enveloppe

1.1 L'illusion de compétence : pourquoi les chatbots ne sont pas des tuteurs

Le marché actuel est saturé d'applications « enveloppe » — des logiciels qui fournissent une interface utilisateur mais délèguent tout le traitement cognitif à des LLM tiers comme GPT-4 ou Claude. Ces modèles sont des moteurs probabilistes conçus pour prédire le jeton suivant dans une séquence à partir des données d'entraînement. ¹ Lorsqu'on lui demande de « jouer le rôle d'un tuteur de maths », le modèle génère une réponse qui est statistiquement susceptible de suivre la requête de l'utilisateur.

Cependant, ce processus est distinct du raisonnement pédagogique. Le modèle ne « connaît » pas l' élève ; il ne connaît que la fenêtre de contexte immédiate de la conversation en cours. Cette limitation se manifeste par plusieurs défaillances critiques :

1.​ Absence d'état et déficit de mémoire : Le parcours d'apprentissage d'un élève s'étend sur des mois ou des années, impliquant des milliers de micro-interactions. Les LLM standard fonctionnent avec des fenêtres de contexte limitées. Même si ces fenêtres s'élargissent, le coût et la latence du traitement de l'historique entier d'un élève pour chaque interaction unique sont prohibitifs pour un déploiement à l'échelle. ³ Par conséquent, le « tuteur IA » traite chaque session comme un événement semi-isolé. Il ne peut pas relier efficacement une conception erronée en algèbre d'il y a trois mois à un échec en calcul infinitésimal aujourd'hui, parce qu'il lui manque un modèle structuré et persistant de la maîtrise de l'apprenant. ⁵

2.​ L'hallucination de la pédagogie : La recherche indique que, si les LLM peuvent résoudre des problèmes simples, ils échouent fréquemment à diagnostiquer des conceptions erronées spécifiques. Ils sont sujets aux « hallucinations » — générer des explications plausibles mais factuellement incorrectes ou des chaînes de raisonnement. ⁶ Dans une étude des LLM en tutorat mathématique, les modèles fournissaient souvent des réponses finales correctes via des étapes intermédiaires incorrectes, ou à l'inverse, signalaient des étapes d'élève correctes comme incorrectes, semant la confusion chez l'apprenant. ⁸ Un élève novice n'a pas l'expertise pour distinguer une explication valide d'une hallucination confiante.

3.​ Jeu de rôle vs. stratégie : L'invite « jouer le rôle d'un enseignant » instruit le modèle sur le ton, non sur la stratégie . Elle simule la persona d'un éducateur — bienveillant, socratique, autoritaire — sans le modèle cognitif requis pour prendre des décisions stratégiques sur le séquençage du curriculum. ⁹ Il réagit à l'utilisateur plutôt que de le guider.

1.2 Le piège de l'enveloppe dans l'EdTech d'entreprise

Pour les fournisseurs EdTech d'entreprise et les services Formation et développement (L&D) d'entreprise, l'approche « enveloppe » présente un risque stratégique significatif. Les applications qui s'appuient entièrement sur des API publiques pour leur intelligence n'ont aucun fossé défensif. Si la valeur centrale d'un produit est une invite que n'importe qui peut répliquer, le produit est banalisé.

La vraie valeur à l'ère de l'IA n'est pas générée par l'interface de chat, mais par le modèle de données propriétaire qui se trouve en dessous. Un fournisseur de solutions « IA profonde » doit fonctionner comme un gestionnaire d'état . L'avantage concurrentiel réside dans la capacité à maintenir un « état caché » — un jumeau numérique haute dimension des connaissances de l'élève — qui dicte ce que le LLM doit dire. Cette distinction définit l'écart entre un chatbot, qui est un utilitaire, et un mentor, qui est un actif.

Partie II : La science du traçage profond des connaissances (DKT)

2.1 De l'inférence bayésienne à l'apprentissage profond

Pour comprendre l'avenir du mentorat par l'IA, nous devons examiner l'évolution du traçage des connaissances (KT) —la tâche d'apprentissage automatique consistant à modéliser les connaissances d'un élève dans le temps pour prédire la performance future. ¹⁰

Historiquement, ce champ a été dominé par le traçage bayésien des connaissances (BKT) . Le BKT modélise l'apprentissage comme un modèle de Markov caché (HMM), où les connaissances de l'élève sont représentées comme un ensemble de variables latentes binaires (Appris vs. Non appris). ¹¹ Si le BKT a été une technologie fondatrice, il souffre de rigidité :

●​ Hypothèse binaire : Il suppose qu'un élève « connaît » une compétence ou non, sans parvenir à capturer la maîtrise partielle ou les connaissances « rouillées ».

●​ Hypothèse d'indépendance : Il traite les concepts comme des silos indépendants. Il ne comprend pas intrinsèquement que la maîtrise de la « multiplication » est un prérequis de la « division » sauf si cela est explicitement codé en dur par des experts humains. ¹²

●​ Goulot d'étranglement d'annotation : Le BKT exige que chaque question soit étiquetée manuellement avec une « compétence » ou un « concept ». Cette correspondance est souvent ambiguë et laborieuse. ¹¹

Le traçage profond des connaissances (DKT) représente un changement de paradigme. Introduit dans une recherche fondatrice par Piech et al., le DKT utilise des réseaux de neurones récurrents (RNN) et des réseaux de mémoire à court et long terme (LSTM) pour modéliser l'apprentissage. ¹¹ Le DKT abandonne les contraintes binaires, étiquetées par des experts, du BKT au profit d'une représentation flexible, de haute dimension, qui apprend à partir des données brutes.

Tableau 1 : Analyse comparative des architectures de traçage des connaissances

Caractéristique	Traçage bayésien des connaissances (BKT)	Traçage profond des connaissances (DKT)
Représentation d'état	Binaire (0 ou 1) ; Connu / Inconnu	Continu Vecteur de haute dimension (p. ex., 200+ dimensions)
Dépendances entre concepts	Suppose l'indépendance (Silos)	Capture des dépendances latentes, non linéaires, complexes

Dynamique temporelle	Markov du premier ordre (Mémoire de l'étape précédente seulement)	Réponse impulsionnelle infinie (Mémoire à long terme via LSTM)
Exigence d'entrée	Exige l'étiquetage expert des « compétences » par question	Peut apprendre des structures de concepts latents à partir des journaux d'interaction bruts
Performance prédictive	AUC plus faible (aire sous la courbe)	AUC nettement plus élevée (p. ex., gain de 25 % sur le BKT)13
Adaptabilité	Structure rigide, fondée sur des règles	Flexible, fondée sur les données, « profonde » dans le temps

2.2 L'architecture de l'« état cérébral »

L'innovation centrale du DKT est l'usage du RNN pour maintenir un vecteur d'état caché ($h_t$) . Dans l'architecture Veriprajna, ce vecteur sert de proxy numérique de l'« état cérébral » de l'élève.

Contrairement à un carnet de notes qui enregistre la performance passée, le vecteur d'état caché est un modèle prédictif de la capacité actuelle. C'est un vecteur dense et continu qui évolue à chaque interaction.

●​ Entrée ($x_t$): L'élève tente un problème (p. ex., ID de question 502, Réponse : Incorrecte).

●​ Traitement : Le RNN met à jour l'état caché à partir de cette nouvelle information et de l' état précédent ($h_{t-1}$).

●​ Sortie ($y_t$): Le modèle génère un vecteur de probabilité prédisant la vraisemblance que l' élève réponde correctement à chaque autre question de la base de données. ¹⁴

Cette représentation continue permet au système d'encoder des nuances que les modèles binaires manquent :

1.​ Corrélations latentes : Le modèle apprend la structure du curriculum sans étiquetage humain. Si les élèves qui échouent à la question A tendent aussi à échouer à la question B, le modèle encode une dépendance entre elles dans l'état caché. Si un élève maîtrise A, la probabilité de maîtriser B augmente automatiquement dans le vecteur de prédiction. ¹⁰

2.​ Connaissances partielles : L'état peut représenter un élève à « 40 % de maîtrise » dans un sujet — peut-être qu'il comprend le concept mais commet des erreurs de calcul.

3.​ Courbes d'oubli : L'architecture LSTM est particulièrement adaptée pour modéliser la décroissance de la mémoire. Si un élève n'a pas pratiqué une compétence spécifique pendant une semaine, les valeurs de l'état caché associées à cette compétence dériveront, reflétant la « courbe d'oubli » naturelle observée en sciences cognitives. ¹⁵

2.3 L'avantage LSTM : résoudre le gradient évanescent

Les RNN standard peinent avec les dépendances à long terme à cause du problème du « gradient évanescent » — ils tendent à oublier l'information du passé lointain. L'éducation, toutefois, est un processus de long terme ; un concept appris en septembre reste pertinent en mai.

Veriprajna emploie des unités de mémoire à court et long terme (LSTM) pour résoudre cela. Les LSTM utilisent une structure cellulaire complexe avec des « portes » qui régulent le flux d'information :

●​ Porte d'oubli : Décide quelle information de l'état passé n'est plus pertinente (p. ex., les nombres spécifiques d'un problème de maths) et doit être écartée.

●​ Porte d'entrée : Décide quelle nouvelle information (p. ex., la maîtrise de la règle sous-jacente) doit être stockée dans l'état cellulaire à long terme.

●​ Porte de sortie : Détermine la prédiction actuelle à partir de l'état mis à jour. ¹³

Cette architecture permet à l'« état cérébral » d'agir comme une mémoire robuste et persistante, préservant les signaux critiques à travers des milliers d'interactions tout en filtrant le bruit.

Partie III : La pédagogie du flux et l'ajustement dynamique de la difficulté

3.1 Au-delà de l'exactitude : le mandat psychologique

L'utilité ultime du suivi de l'« état cérébral » n'est pas seulement la prédiction ; c'est l'intervention . La stratégie d'intervention la plus efficace en science de l'apprentissage est de maintenir l'élève dans la zone proximale de développement (ZPD), souvent appelée la « zone de flux ».

Le flux, un état défini par le psychologue Mihaly Csikszentmihalyi, se caractérise par une absorption complète dans une activité. Il ne se produit que lorsqu'il y a un équilibre optimal entre la difficulté du défi et la compétence du participant. ¹⁶

●​ Le canal de l'ennui : Si Compétence > Défi, l'élève se désengage.

●​ Le canal de l'anxiété : Si Défi > Compétence, l'élève se frustre et abandonne.

●​ Le canal de flux : Si Défi $\approx$ Compétence, l'élève est engagé, concentré et apprend.

3.2 Opérationnaliser le flux avec des vecteurs de probabilité

Dans une classe traditionnelle ou une application chatbot standard, identifier cette zone est une affaire de devinettes. Dans un système DKT, c'est une affaire de calcul.

Le vecteur de sortie $y_t$ du modèle DKT fournit la probabilité d'exactitude ($P_{correct}$) pour chaque exercice suivant potentiel. Nous pouvons mapper ces probabilités directement aux

états psychologiques de l'apprenant ¹⁸ :

●​ Zone de maîtrise / ennui ($P_{correct} > 0.75$): Le modèle prédit que l'élève a une forte vraisemblance de succès. Présenter ce contenu offre peu de valeur éducative et risque d' induire l'ennui.

●​ Zone de frustration / anxiété ($P_{correct} < 0.35$): Le modèle prédit que l'élève échouera probablement. Présenter ce contenu sans étayage risque d'induire l'anxiété et le désabonnement.

●​ La zone de flux ($0.40 \le P_{correct} \le 0.70$): C'est le point idéal. L'élève a environ 50-60 % de chances de succès. Cela implique qu'il possède les connaissances fondatrices pour tenter le problème mais doit exercer un effort cognitif pour réussir. Cela correspond à la définition de la ZPD par Vygotsky : l'écart entre ce qu'un apprenant peut faire seul et ce qu'il peut faire avec un guidage. ¹⁹

3.3 Algorithmes d'ajustement dynamique de la difficulté (DDA)

Veriprajna utilise l'« état cérébral » pour piloter l'ajustement dynamique de la difficulté (DDA) . Au lieu d'un curriculum linéaire où chaque utilisateur suit le même chemin, le modèle DKT agit comme un moteur de politique en temps réel.

La boucle de contrôle :

1.​ Interaction : L'élève répond à une question.

2.​ Mise à jour d'état : Le LSTM met à jour le vecteur caché $h_t$.

3.​ Anticipation prédictive : Le système calcule $P_{correct}$ pour toutes les questions candidates dans la base de données.

4.​ Politique de sélection : Le système filtre les questions où $P_{correct}$ tombe strictement dans la zone de flux (p. ex., $0.55$).

5.​ Livraison : Le mentor IA présente le problème au niveau de défi optimal.

Cela garantit que l'élève est perpétuellement maintenu dans un état d'engagement cognitif maximal. Si un élève peine, l'état caché s'ajuste, les probabilités se déplacent, et le système sert automatiquement un contenu de remédiation plus simple (étayage) pour reconstruire la confiance avant de revenir à la complexité. ²⁰

Partie IV : L'architecture neuro-symbolique : construire le mentor

Pour construire un système qui parle comme un enseignant et pense comme un data scientist, nous proposons une architecture neuro-symbolique . Cette approche hybride combine les capacités génératives des LLM (symbolique/linguistique) avec la précision de suivi d'état du DKT (connexionniste/neural).

4.1 La couche d'interface (la bouche)

Cette couche gère l'interaction en langage naturel. Elle est alimentée par un LLM affiné (p. ex., Llama 3 ou GPT-4o).

●​ Rôle : Analyser l'entrée utilisateur, générer des réponses conversationnelles, et formater les explications.

●​ Contrainte : Cette couche est sans état . Elle ne décide pas quoi enseigner ; elle décide seulement comment le dire.

4.2 La couche cognitive (le cerveau)

Cette couche abrite le modèle DKT (LSTM/RNN).

●​ Rôle : Traiter les journaux d'interaction $\{Question\_ID, Result, Time\}$. Mettre à jour le vecteur d' état caché.

●​ Sortie : L'« état de connaissances » et la matrice de probabilités du curriculum.

4.3 La couche de politique (le guide)

Cette couche agit comme le pont. Elle interprète le « cerveau » et instruit la « bouche ».

●​ Fonction : Elle interroge la couche cognitive pour identifier le prochain meilleur concept à enseigner (sur la base de l'optimisation du flux).

●​ Construction d'invite : Elle assemble dynamiquement l'invite système pour la couche d' interface.

○​ Exemple d'instruction : « L'élève est actuellement dans la zone de flux pour les 'équations quadratiques' ($P=0.6$). Présentez le problème #882. Ne révélez pas la réponse. Fournissez un indice lié à la 'factorisation' s'ils hésitent. »

Cette architecture atténue les hallucinations . En restreignant la portée du LLM à un exercice spécifique identifié par le modèle DKT vérifié, nous réduisons l'espace de recherche du modèle génératif, le forçant à rester ancré dans la stratégie pédagogique. ²¹

4.4 Gérer le « démarrage à froid »

Un défi courant en apprentissage profond est le « démarrage à froid » — comment modéliser un nouvel utilisateur sans historique. Veriprajna emploie des stratégies d'apprentissage par transfert :

1.​ Pré-entraînement : Le modèle DKT est pré-entraîné sur des données agrégées anonymisées provenant de milliers de traces d'apprentissage historiques. Cela établit un état cérébral de « référence ».

2.​ Initialisation par cluster : Les nouveaux utilisateurs sont assignés à un « cluster d'apprenants » sur la base d'une évaluation diagnostique initiale ou de métadonnées démographiques, ensemençant leur état caché avec le centroïde d'apprenants similaires. ²³

3.​ Convergence rapide : Le LSTM est conçu pour diverger rapidement de la référence générique vers un état personnalisé dès les 10-20 premières interactions.

Partie V : L'argument économique de l'IA profonde en éducation

Pour les décideurs en EdTech et en formation d'entreprise, le passage de l'IA enveloppe au DKT n'est pas seulement une mise à niveau technique ; c'est un levier fondamental de valeur métier.

5.1 ROI de la rétention et de l'engagement

Dans l'économie de l'abonnement, le désabonnement est la menace principale pour le revenu. Le désabonnement en éducation est largement émotionnel : il vient de l'ennui (le produit est trop facile) ou de l'anxiété (le produit est trop difficile). En implémentant le DKT pour maintenir mécaniquement les utilisateurs dans la zone de flux, les organisations peuvent impacter directement les métriques de rétention.

La recherche indique que le tutorat personnalisé et adaptatif peut doubler les résultats d'apprentissage (l'effet « 2 Sigma ») et augmenter significativement la durée de session. ²⁴ Augmenter la valeur vie client (LTV) moyenne en prolongeant la rétention utilisateur se traduit par des gains de revenu massifs qui dépassent de loin le coût computationnel de l'exécution des modèles DKT.

5.2 Efficacité dans le L&D d'entreprise

Dans les environnements d'entreprise, la formation est souvent un centre de coûts. La métrique de succès est le « délai de maîtrise ». Un cours vidéo unique pour tous est inefficace parce que les employés doivent rester devant du matériel qu'ils connaissent déjà.

●​ L'avantage DKT : Un système propulsé par DKT identifie la maîtrise instantanément ($P > 0.9$) et permet à l'employé de sauter le contenu redondant, en se concentrant seulement sur ses lacunes de connaissances. Cela peut réduire le temps total de formation de 40-50 %, permettant aux employés de retrouver plus vite leur productivité et générant des économies opérationnelles significatives. ²⁶

5.3 Différenciation stratégique : le fossé de données

À mesure que les LLM se marchandisent, la barrière à l'entrée pour construire un « tuteur de chat » chute près de zéro. Un concurrent peut répliquer une application enveloppe en un week-end.

●​ Le fossé DKT : Un système fondé sur le DKT construit un fossé défensif grâce à son modèle propriétaire du comportement des élèves. Plus les apprenants interagissent avec le système, plus le modèle DKT devient raffiné pour prédire les trajectoires d'apprentissage. Ce « volant d'inertie des données » crée un actif unique — les données agrégées d'« état cérébral » — que les concurrents ne peuvent pas cloner via une API. ⁵

Partie VI : Feuille de route d'implémentation

Passer d'un LMS ou chatbot standard à une solution d'IA profonde exige une approche structurée.

6.1 Phase 1 : Audit des données et infrastructure

●​ Collecte des données de trace : Passer de la journalisation des « scores de test » à celle des « traces d'interaction ». Chaque tentative, chaque demande d'indice, et chaque métrique de latence doit être capturée dans une base de données de séries temporelles.

●​ Anonymisation : Implémenter un hachage rigoureux des ID utilisateur pour assurer la conformité à la vie privée tout en maintenant l'intégrité des données séquentielles.

6.2 Phase 2 : Entraînement et validation du modèle

●​ Entraînement hors ligne : Entraîner le modèle LSTM sur des données historiques pour comparer la précision prédictive (AUC) aux méthodes existantes.

●​ Calibrage du flux : Analyser les journaux historiques pour déterminer les seuils de probabilité empiriques qui corrèlent avec l'abandon utilisateur, calibrant la « zone de flux » spécifiquement pour votre contenu.

6.3 Phase 3 : L'intégration neuro-symbolique

●​ Orchestration d'API : Déployer la couche de politique pour intercepter les messages utilisateur, interroger le modèle DKT et injecter du contexte dans l'invite LLM.

●​ Tests A/B : Déployer le « mentor IA » auprès d'un sous-ensemble d'utilisateurs, mesurant des métriques distinctes : gain d'apprentissage (pré-test vs. post-test) et engagement (durée de session).

Partie VII : Conclusion

La promesse de l'« apprentissage personnalisé » est longtemps restée inaccomplie, piégée dans les limites des systèmes fondés sur des règles et les slogans du marketing. L'arrivée de l'IA générative a offert un aperçu d'une solution, mais sans architecture cognitive, elle ne nous a donné que l'illusion d'un enseignant.

Le traçage des connaissances est la réalité. C'est l'épine dorsale mathématique requise pour transformer une interface conversationnelle en moteur pédagogique. En implémentant le traçage profond des connaissances, nous reconnaissons que l'apprentissage est un processus complexe, temporel et profondément humain qui ne peut pas être résolu par les seuls jetons de probabilité. Nous devons modéliser la peine, l'oubli, et la percée.

Nous devons construire des systèmes qui se souviennent que vous avez peiné sur les fractions la semaine dernière, afin qu'ils puissent vous aider avec les rapports aujourd'hui. Nous devons construire des systèmes qui respectent l'équilibre délicat de la zone de flux. Nous devons cesser de construire des chatbots et commencer à construire des mentors.

Veriprajna. Ne vous contentez pas de traiter du texte. Tracez les connaissances.

Annexe de données

Tableau 2 : L'impact économique de l'apprentissage adaptatif

Métrique	Apprentissage linéaire traditionnel	Apprentissage adaptatif propulsé par DKT	Impact métier
Taux d'achèvement	~15-20 % (MOOC/standard)	60-80 % (adaptatif)	LTV plus élevée et taux de renouvellement
Délai de maîtrise	Fixe (élevé)	Variable (optimisé)	Réduction de 40-50 % des coûts de formation24
Engagement	Passif Consommation	État de flux actif	Hausse quotidienne des utilisateurs actifs (DAU)
Scalabilité	Élevée (mais faible efficacité)	Élevée (avec une haute efficacité)	Résout le « 2 Sigma » de scalabilité Problème25

Tableau 3 : Interpréter le vecteur de probabilité DKT

Sortie hypothétique pour un élève (« Alex ») apprenant l'algèbre.

ID de concept	Nom du concept	Prédit P(Correct)	État Diagnostic	Action de politique
C_101	Addition d'entiers	0.99	Maîtrise (Ennui)	Sauter. Ne pas montrer.
C_205	Addition de fractions	0.35	Faiblesse (Anxiété)	Étayer. Fournir des indices ou une révision des prérequis.
C_301	Équations linéaires	0.62	Zone de flux	Enseigner. Présenter ce concept ensuite.
C_302	Éq. quadratiques	0.15	Non préparé	Verrouiller. le contenu

Ouvrages cités

1. Limitations of LLMs – ChatGPT in STEM Teaching: An introduction ..., consulté le 11 décembre 2025, https://ecampusontario.pressbooks.pub/llmtoolsforstemteachinginhighered/part/technical-limitations-of-llms/

2. Knowledge Integrity in Large Language Models: A State-of-The-Art Review MDPI, consulté le 11 décembre 2025, https://www.mdpi.com/2078-2489/16/12/1076

3. The Context Window Problem: Scaling Agents Beyond Token Limits - Factory.ai, consulté le 11 décembre 2025, https://factory.ai/news/context-window-problem

4. What is long context and why does it matter for AI? | Google Cloud Blog, consulté le 11 décembre 2025, https://cloud.google.com/transform/the-prompt-what-are-long-context-windows-and-why-do-they-mater t

5. LLM-KT: Aligning Large Language Models with Knowledge Tracing using a Plug-and-Play Instruction - arXiv, consulté le 11 décembre 2025, https://arxiv.org/html/2502.02945v1

6. 4 LLM Hallucination Examples and How to Reduce Them - Vellum AI, consulté le 11 décembre 2025, https://www.vellum.ai/blog/llm-hallucination-types-with-examples

7. Mitigating Hallucinations in LLMs for Community College Classrooms: Strategies to Ensure Reliable and Trustworthy AI-Powered Learning Tools - Faculty Focus, consulté le 11 décembre 2025, https://www.facultyfocus.com/articles/teaching-with-technology-articles/mitigating-hallucinations-in-llms-for-community-college-classrooms-strategies-to-ensure-reliable-and-trustworthy-ai-powered-learning-tools/

8. Beyond Final Answers: Evaluating Large Language Models for Math Tutoring arXiv, consulté le 11 décembre 2025, https://arxiv.org/html/2503.16460v1

9. Why AI chatbots make bad teachers - and how teachers can exploit that weakness - ZDNET, consulté le 11 décembre 2025, https://www.zdnet.com/article/why-ai-chatbots-make-bad-teachers-and-how-teachers-can-exploit-that-weakness/

10. Deep Knowledge Tracing - Stanford University, consulté le 11 décembre 2025, https://stanford.edu/~cpiech/bio/papers/deepKnowledgeTracing.pdf

11. Deep Knowledge Tracing, consulté le 11 décembre 2025, https://arxiv.org/abs/1506.05908

12. Deep Knowledge Tracing - NIPS papers, consulté le 11 décembre 2025, https://papers.nips.cc/paper/5654-deep-knowledge-tracing

13. [Quick Review] Deep Knowledge Tracing - Liner, consulté le 11 décembre 2025, https://liner.com/review/deep-knowledge-tracing

14. Deep Knowledge Tracing - Neural Dynamics and Computation Lab - Stanford University, consulté le 11 décembre 2025, https://ganguli-gang.stanford.edu/pdf/DeepKnowledgeTracing.pdf

15. Deep knowledge tracing with learning curves - PMC - NIH, consulté le 11 décembre 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC10097988/

16. Flow Theory – Design in Progress: A Collaborative Text on Learning Theories, consulté le 11 décembre 2025, https://isu.pressbooks.pub/thuf/chapter/ff low-theory-jennifer-uptmor/

17. Unlock Your Potential: Mastering the Mental Model of Flow State for Peak Performance - FunBlocks AI, consulté le 11 décembre 2025, https://www.funblocks.net/thinking-maters/classic-mental-models/ft low-state

18. The zone of proximal development (ZPD): The power of just right - NWEA, consulté le 11 décembre 2025, https://www.nwea.org/blog/2025/the-zone-of-proximal-development-zpd-the-power-of-just-right/

19. Zone of proximal development - Wikipedia, consulté le 11 décembre 2025, https://en.wikipedia.org/wiki/Zone_of_proximal_development

20. Revisiting Applicable and Comprehensive Knowledge Tracing in Large-Scale Data - arXiv, consulté le 11 décembre 2025, https://arxiv.org/html/2501.14256v1

21. TutorLLM: Customizing Learning Recommendations with Knowledge Tracing and Retrieval-Augmented Generation - ePrints Soton, consulté le 11 décembre 2025, https://eprints.soton.ac.uk/498281/1/RecSys_A_personalized_large_language_model_learning_recommender_tool_based_on_knowledge_tracing.pdf

22. Towards the Pedagogical Steering of Large Language Models for Tutoring: A Case Study with Modeling Productive Failure - ACL Anthology, consulté le 11 décembre 2025, https://aclanthology.org/2025.findings-acl.1348.pdf

23. Collaborative Learning Groupings Incorporating Deep Knowledge Tracing Optimization Strategies - MDPI, consulté le 11 décembre 2025, https://www.mdpi.com/2076-3417/15/5/2692

24. AI Tutoring vs. Traditional Tutoring: Key Differences - Dialzara, consulté le 11 décembre 2025, https://dialzara.com/blog/ai-tutoring-vs-traditional-tutoring-key-diferences f

25. Tutors of tomorrow? A new benchmark for evaluating LLMs - MBZUAI, consulté le 11 décembre 2025, https://mbzuai.ac.ae/news/tutors-of-tomorrow-a-new-benchmark-for-evaluating-llms/

26. How adaptive learning is reshaping corporate training - CYPHER Learning, consulté le 11 décembre 2025, https://www.cypherlearning.com/blog/business/how-adaptive-learning-is-reshaping-corporate-training

27. Delivering the ROI of Learning - Fulcrum Labs Infographic, consulté le 11 décembre 2025, https://www.fulcrumlabs.ai/blog/roi-learning-infographic/