Résumé Technique : Planification de Parcours d'Apprentissage Personnalisés par la Modélisation de l'État de l'Apprenant Pilotée par les Objectifs

1. Définition du Problème

La planification de parcours d'apprentissage personnalisés (PLPP - Personalized Learning Path Planning) cherche à concevoir des trajectoires d'apprentissage adaptatives qui s'alignent sur les objectifs individuels de l'apprenant. Bien que les méthodes traditionnelles (ex: filtrage collaboratif, graphes de connaissances) aient permis d'organiser des ressources hétérogènes, elles souffrent souvent de profils statiques et d'expériences fragmentées. À l'inverse, si les modèles de langage de grande taille (LLM) offrent une adaptation dynamique du contenu, ils peinent avec la planification à long terme. Les systèmes actuels basés sur les LLM reposent souvent sur des décisions à court terme et à étape unique, manquant de mécanismes pour représenter un développement soutenu de l'apprenant ou pour intégrer le feedback d'interactions éducatives authentiques.

Le document identifie deux défis fondamentaux :

1. Planifier des processus d'apprentissage à long terme : L'apprentissage est un processus multidimensionnel piloté par des objectifs. Les systèmes actuels ne parviennent pas à optimiser l'impact éducatif cumulé car ils manquent de mécanismes pour traduire des objectifs éducatifs abstraits en signaux de récompense calculables.
2. Comprendre la diversité des états de l'apprenant : Les états de l'apprenant évoluent continuellement. Les approches existantes manquent souvent de mécanismes explicites pour modéliser ces changements dynamiques (cognitifs et motivationnels) ou pour les intégrer à des ressources d'apprentissage hétérogènes afin de construire des parcours cohérents.

2. Méthodologie : Le Cadre Pxplore

Les auteurs proposent Pxplore, un cadre qui intègre un paradigme d'entraînement basé sur l'apprentissage par renforcement avec une architecture éducative pilotée par LLM.

2.1 Modélisation de l'État de l'Apprenant Pilotée par les Objectifs

Pour traiter la complexité des objectifs abstraits, Pxplore introduit un Modèle d'État de l'Apprenant ($s_t$) structuré, fondé sur les théories de la fixation d'objectifs et de l'accomplissement des buts (Goal-Setting and Achievement Goal Theories). L'état est représenté par un tuple :
$$s_t = (O_L^{(t)}, O_S^{(t)}, M_I^{(t)}, M_E^{(t)})$$
Où :

• $O_L$ et $O_S$ : Ensembles d'objectifs d'apprentissage à long terme et à court terme.
• $M_I$ et $M_E$ : Composantes motivationnelles implicites et explicites.

Chaque composante est un objet structuré contenant une description, une métrique, une preuve, un score de confiance et un indicateur de statut ([NON_ALIGNÉ] ou [ALIGNÉ]). Un LLM évaluateur ($F_{eval}$) agit comme une fonction de transition d'état, mettant à jour l'état en fonction des interactions de l'apprenant ($I_t$) en marquant les composantes comme alignées lorsque les métriques sont atteintes ou en introduisant de nouvelles composantes basées sur les preuves émergentes.

2.2 Fonction de Récompense Abstraite Automatisée

Pour guider l'apprentissage par renforcement, les auteurs définissent une fonction de récompense scalaire $R(s_t, k_{t+1})$ qui quantifie la progression vers les objectifs pédagogiques. La récompense est calculée comme la somme pondérée des composantes nouvellement alignées :
$$R(s_t, k_{t+1}) = \sum_{c \in C(s_{t+1})} w_c \cdot \text{conf}(s_{t+1}, c) \cdot [\phi(s_{t+1}, c) - \phi(s_t, c)]$$
Ici, $\phi$ est une fonction indicatrice (1 si aligné, 0 sinon). Le terme $[\phi(s_{t+1}, c) - \phi(s_t, c)]$ garantit que les récompenses ne sont données que pour les transitions qui changent le statut d'une composante de non-alignée à alignée, encourageant directement l'avancement des objectifs.

2.3 Entraînement de la Politique en Deux Étapes

La politique $\pi$ est entraînée selon un paradigme en deux étapes pour équilibrer la justesse locale et l'optimisation à long terme :

1. Ajustement Supervisé (SFT - Supervised Fine-Tuning) : Initialise la politique à l'aide d'un jeu de données d'actions préférées par des experts, dérivées de 300 sessions d'apprentissage réelles (14 584 tours d'interaction). Cela garantit que le modèle prend des décisions localement optimales et pédagogiquement valides.
2. Optimisation de Politique Relative au Groupe (GRPO - Group Relative Policy Optimization) : Affine la politique pour optimiser les récompenses cumulées à long terme. GRPO est choisi pour sa capacité à stabiliser l'apprentissage sous des distributions de récompenses hétérogènes en calculant des avantages relatifs au groupe, évitant ainsi les problèmes de variance courants dans le PPO standard.

2.4 Architecture Éducative Pilotée par LLM

La politique entraînée est déployée au sein d'une architecture en trois étapes :

• Pré-planification (Profilage et Récupération) : Un pipeline de profilage analyse les schémas comportementaux, l'intention sémantique et la dynamique d'interaction pour classer les apprenants en personas (ex: Momentum, Consolidateur, Explorateur, En difficulté). Un mécanisme de récupération hybride (BM25 + plongements denses) sélectionne un ensemble d'actions candidates.
• Planification : La politique $\pi_\theta$ évalue les candidats pour sélectionner l'action suivante optimale ($k^*_{t+1}$) maximisant la récompense cumulée attendue.
• Post-planification (Livraison Adaptative) : Un modèle de livraison génère des « ponts narratifs », transformant les actions discrètes en un contenu pédagogique cohérent qui adapte le ton et l'étayage (scaffolding) à l'état et au persona spécifiques de l'apprenant.

3. Contributions Clés

1. Paradigme d'Entraînement : Une intégration novatrice de la modélisation de l'état de l'apprenant pilotée par les objectifs avec l'optimisation par renforcement (SFT + GRPO) pour gérer des objectifs éducatifs abstraits et à long terme.
2. Architecture Système : Un système intégré permettant un déploiement en conditions réelles qui unifie le profilage en temps réel, la planification de parcours alignée sur les objectifs et la livraison de contenu adaptative.
3. Validation Empirique : Des expériences approfondies et des études utilisateurs démontrant l'utilité pratique du système pour produire des parcours d'apprentissage cohérents, personnalisés et pilotés par les objectifs.

4. Résultats Expérimentaux

Les auteurs ont évalué Pxplore selon trois dimensions :

• Évaluation du Paradigme d'Entraînement : Comparé à des LLM basés sur le prompt (GPT-4o, Qwen3, Llama3.1) et des bases de référence SFT uniquement. Pxplore (spécifiquement la variante Qwen3 affinée par GRPO) a obtenu le taux d'alignement pédagogique le plus élevé (65,47 %) et les scores de calcul de récompense les plus élevés, surpassant même des modèles propriétaires comme GPT-4o avec guidage au moment de l'inférence.
• Évaluation Modulaire :
  • Profilage : Pxplore a nettement surpassé les bases de référence en termes d'Interprétabilité et d'Explicabilité (+17,7 %) et d'Actionnabilité, les juges humains et les LLM confirmant sa capacité à construire des « chaînes de preuves » explicites reliant les comportements aux états.
  • Planification : Pxplore a obtenu une Précision@1 et un NDCG@k supérieurs par rapport aux bases de référence de type récupération seule et GPT-4o, montant une meilleure adéquation avec le jugement pédagogique expert.
  • Livraison : Le module de livraison adaptative a obtenu des scores nettement plus élevés en Attrait Motivationnel (+17,2 %) et en Personnalisation (+14,9 %) par rapport au contenu original, grâce à la génération de « ponts narratifs » contextuels.
• Étude Utilisateur en Conditions Réelles : Dans une étude contrôlée auprès de 22 étudiants de premier cycle, le groupe Pxplore a montré un gain de connaissances de 28,27 % (pré-test à post-test), significativement plus élevé que le groupe de contrôle basé sur la récupération. Subjectivement, les utilisateurs de Pxplore ont rapporté des scores plus élevés en Pertinence, Personnalisation, Motivation et Satisfaction.

5. Signification et Revendications

L'article affirme que Pxplore comble la lacune critique des IA éducatives actuelles : l'incapacité à modéliser une progression d'apprentissage soutenue et à long terme. En transformant des objectifs éducatifs abstraits en signaux de récompense calculables via un modèle d'état structuré, le cadre permet à l'apprentissage par renforcement d'optimiser l'impact pédagogique cumulé plutôt que des interactions isolées et immédiates.

Les auteurs soutiennent que leur approche dépasse l'organisation statique des ressources pour tendre vers un soutien à l'apprentissage adaptatif, piloté par les objectifs et pédagogiquement cohérent. Le déploiement réussi sur une plateforme réelle valide que la combinaison de la modélisation d'état structurée et de GRPO peut produire des parcours d'apprentissage qui sont non seulement techniquement optimisés, mais aussi pratiquement engageants et efficaces pour divers profils d'apprenants. Le travail est publié en open-source pour faciliter la recherche ultérieure dans le domaine de l'éducation personnalisée.