💻 computer science

TeamUp: Semantic Project Matching and Team Formation for Learning at Scale

L'article présente TeamUp, un système léger fondé sur des embeddings qui exploite le matching sémantique et des algorithmes de classement hybrides pour former automatiquement des équipes d'étudiants cognitivement diversifiées et les aligner sur des projets d'un niveau de difficulté approprié, améliorant ainsi considérablement la qualité de l'appariement, l'équité et les résultats d'apprentissage dans les cours à grande échelle basés sur des projets.

Auteurs originaux : Dhruv Gulwani, Basem Suleiman, Aditya Joshi, Sonit Singh

Publié 2026-05-06

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Dhruv Gulwani, Basem Suleiman, Aditya Joshi, Sonit Singh

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez un cours universitaire massif où 200 à 300 étudiants doivent être répartis en équipes pour travailler sur de grands projets finaux. Actuellement, organiser cela revient à essayer de trier à la main un énorme tas de chaussettes dépareillées, les yeux bandés. Les professeurs utilisent souvent des feuilles de calcul ou de simples sondages, ce qui entraîne trois grands problèmes :

Le mauvais ajustement : Certains étudiants se voient attribuer des projets bien trop difficiles (comme donner un manuel de calcul à un tout-petit), tandis que d'autres reçoivent des projets trop faciles (comme demander à un chef étoilé de préparer un sandwich).
Les équipes « clones » : Les étudiants choisissent souvent des amis ou des personnes qui leur ressemblent, créant des équipes où chacun possède exactement les mêmes forces et exactement les mêmes faiblesses.
L'avantage injuste : Les étudiants les plus confiants ou les plus « bruyants » s'emparent des projets les plus intéressants, laissant les autres avec moins d'opportunités.

L'article présente TeamUp, un système informatique intelligent conçu pour régler ce chaos. Considérez TeamUp non pas comme un robot qui prend le relais, mais comme un mariageur ultra-organisé et ultra-intelligent aidant les professeurs à prendre de meilleures décisions.

Voici comment cela fonctionne, en utilisant des analogies simples :

1. Le « Traducteur de CV » (Encodages sémantiques)

Au lieu de rechercher simplement des mots-clés comme « Python » ou « Conception », TeamUp lit l'ensemble du profil d'un étudiant (compétences, projets passés, CV) et la description d'un projet, puis les transforme en profils de « saveurs » invisibles.

L'analogie : Imaginez que chaque étudiant et chaque projet est un smoothie. Un étudiant qui aime la programmation et les données est un smoothie « Myrtille-Banane-Code ». Un projet nécessitant une analyse de données intensive est un smoothie « Myrtille-Banane-Données ».
Comment cela aide : Les anciens systèmes vérifient simplement si les deux contiennent des « myrtilles ». TeamUp goûte le smoothie entier pour voir si les saveurs correspondent réellement. Il comprend que « coder pour un site web » est différent de « coder pour un robot », même si les deux utilisent le même langage.

2. Le filtre « Boucle d'Or » (Alignement de la difficulté)

Le système utilise un concept appelé la « Zone de développement proximal ». C'est l'endroit idéal où une tâche est suffisamment stimulante pour vous faire progresser, mais pas si difficile que vous abandonnez.

L'analogie : Pensez-y comme à un jeu vidéo. Si vous êtes un joueur de niveau 1, le système ne vous jettera pas dans le combat contre le boss de niveau 50 (trop effrayant). Il ne vous laissera pas non plus combattre un slime de niveau 1 pour la centième fois (trop ennuyeux). Il trouve le défi de niveau 3 qui vous fait transpirer juste assez pour devenir plus fort.
Le résultat : Le système pénalise les correspondances trop éloignées, garantissant que les étudiants sont mis au défi sans être brisés.

3. Le constructeur d'équipes « Puzzle » (Complémentarité)

Lors de la formation des équipes, TeamUp ne regroupe pas simplement des personnes similaires. Il recherche des compétences complémentaires, comme des pièces de puzzle qui s'emboîtent pour former une image complète.

L'analogie : Si vous construisez une maison, vous ne voulez pas une équipe de cinq personnes qui sont toutes des experts en toiture. Vous avez besoin d'un couvreur, d'un plombier, d'un électricien et d'un architecte.
Comment cela aide : Le système calcule la « distance » entre les étudiants. Si deux étudiants sont trop similaires (comme deux couvreurs), il les éloigne l'un de l'autre. Il construit des équipes où chacun apporte quelque chose de différent à la table, créant un groupe plus fort et plus diversifié.

4. Le garde-fou « Équité »

Le système tente également de s'assurer que les « bons » projets (ceux que tout le monde veut) sont distribués équitablement, plutôt que d'être simplement accaparés par les premières personnes qui se connectent. Il équilibre la charge afin qu'aucun projet unique ne soit submergé tandis que d'autres restent vides.

Qu'ont-ils testé ?

Les auteurs n'ont pas encore testé cela sur de vrais étudiants. Au lieu de cela, ils ont mené une simulation (une « expérience virtuelle ») utilisant 250 profils d'étudiants fictifs et 60 projets fictifs.

Les résultats :

Meilleures correspondances : Le système a trouvé des correspondances beaucoup plus précises (qualité de correspondance de 74 %) par rapport à une devinette aléatoire (43 %).
Meilleure difficulté : 83 % des étudiants ont été placés dans des projets du bon niveau de difficulté, contre seulement 34 % avec une affectation aléatoire.
Meilleures équipes : 82 % des équipes formées par l'IA comptaient des membres ayant trois domaines de compétences ou plus différents, contre seulement 41 % pour les équipes aléatoires.
Vitesse et coût : Il a tout fait en moins d'une seconde par étudiant et a coûté moins de 10 centimes par étudiant à exécuter.

La conclusion

TeamUp est un outil pour aider les enseignants, pas pour les remplacer. Il gère le travail fastidieux et pénible consistant à trier des centaines d'étudiants dans les bons projets et les bonnes équipes. Cela libère les professeurs pour se concentrer sur l'aspect humain des choses, comme résoudre des conflits personnels ou aider un étudiant qui traverse une mauvaise semaine.

L'article conclut que, bien que la simulation informatique semble très prometteuse, le vrai test reste à venir : voir comment les vrais étudiants perçoivent les correspondances et comment les équipes se comportent réellement dans une vraie salle de classe.

Résumé technique : TeamUp – Appariement sémantique de projets et formation d'équipes pour l'apprentissage à grande échelle

Énoncé du problème
L'apprentissage par projet (APP) est une pierre angulaire de l'enseignement de l'ingénierie contemporain, mais son extension à des cohortes de 200 à 300 étudiants ou plus présente des défis pédagogiques majeurs. Les méthodes d'allocation actuelles, qui reposent sur des feuilles de calcul manuelles, des sondages de préférences ad hoc et l'intuition des enseignants, ne parviennent pas à résoudre trois problèmes persistants :

Mauvaise adéquation compétences-projet : Les différences subtiles de compétences sont ignorées, conduisant à des projets soit trop faciles (provoquant un désengagement), soit trop difficiles (provoquant un sentiment d'écrasement), ce qui ne correspond pas à la Zone de Développement Proximal (ZPD) de l'étudiant.
Regroupement homogène des équipes : Les équipes formées manuellement ou choisies par les étudiants regroupent souvent des étudiants aux forces identiques, manquant ainsi la diversité cognitive requise pour améliorer la résolution de problèmes et les résultats d'apprentissage.
Distribution inéquitable des opportunités : Sans mécanismes fondés sur des principes, les étudiants performants choisissent eux-mêmes des projets visibles, tandis que les groupes sous-représentés font face à un accès réduit aux opportunités.

Les approches traditionnelles traitent l'allocation comme un problème d'optimisation logistique plutôt que comme un problème de conception pédagogique, échouant à capturer la nature multidimensionnelle des compétences des étudiants et des exigences des projets.

Méthodologie
TeamUp est un système léger, basé sur des plongements vectoriels (embeddings), conçu pour automatiser l'allocation de projets et la formation d'équipes tout en respectant les principes des sciences de l'apprentissage. L'architecture du système intègre quatre composants principaux :

Préparation des données et génération de plongements :
- Entrée : Les étudiants fournissent des profils incluant une auto-évaluation de leur niveau de compétence, leurs cours, leur expérience en projet et leurs préférences de domaine. Les CV peuvent être téléchargés pour une extraction basée sur le TALN. Les superviseurs définissent les projets avec les compétences requises ou optionnelles, des niveaux de difficulté et des tags de domaine.
- Vectorisation : Toutes les données textuelles et catégorielles sont converties en représentations vectorielles denses à l'aide de modèles de langage préentraînés (par exemple, text-embedding-ada-002, Google Gemini).
- Agrégation : Les plongements d'étudiants ( $s$ ) sont calculés par moyenne pondérée des plongements de compétences et d'expérience, où les poids correspondent aux niveaux de compétence auto-déclarés. Les plongements de projets combinent les compétences requises (poids 1,5×), les compétences optionnelles (poids 0,75×) et les descriptions.
- Stockage : Les vecteurs sont stockés dans PostgreSQL en utilisant l'extension pgvector, permettant une recherche de similarité efficace via l'indexation HNSW sans infrastructure de base de données vectorielle distincte.
Appariement basé sur la similarité (Classement hybride) :
- Score de base : L'appariement initial utilise la similarité cosinus entre les plongements d'étudiants et de projets.
- Ajustements pédagogiques : Les scores de similarité bruts sont modifiés par trois contraintes :
  - Alignement de la difficulté (ZPD) : Une pénalité quadratique est appliquée si la difficulté du projet correspond mal de manière significative au niveau d'expérience de l'étudiant, évitant ainsi des tâches écrasantes ou ennuyeuses.
  - Préférence de domaine : Les scores sont augmentés (15–20 %) si le projet correspond aux intérêts de domaine déclarés par l'étudiant, soutenant ainsi la théorie de l'autodétermination.
  - Équilibrage de la demande : Les scores décroissent exponentiellement à mesure que le ratio de souscription d'un projet approche de sa capacité, assurant une distribution équitable des projets très demandés.
Modélisation de la complémentarité des équipes :
- Pour prévenir le regroupement homogène, TeamUp emploie un algorithme glouton qui maximise la complémentarité des compétences.
- En commençant par l'étudiant le mieux apparié, des membres supplémentaires sont sélectionnés sur la base d'un score de complémentarité : $comp(t, c) = \alpha \cdot sim(c, p) - \beta \cdot sim(t, c)$ , où $t$ est le plongement moyen de l'équipe actuelle, $c$ est un candidat et $p$ est le projet.
- Cette formulation équilibre l'adéquation au projet contre la pénalisation des candidats trop similaires aux membres existants de l'équipe. La diversité de l'équipe est quantifiée par la variance du vecteur de plongement moyen de l'équipe.
Architecture du système :
- Construit avec Next.js/React (frontend) et Supabase/PostgreSQL (backend).
- Prend en charge des recommandations en temps réel avec une latence inférieure à la seconde pour des cohortes de 500 étudiants ou plus.
- Les coûts opérationnels sont maintenus en dessous de 0,10 $ par étudiant.

Contributions clés

Système d'allocation fondé sur des principes : Un système basé sur des plongements sémantiques ancré dans les sciences de l'apprentissage (ZPD, théorie de l'autodétermination, apprentissage collaboratif) qui va au-delà de la simple correspondance de mots-clés ou du classement des préférences.
Modélisation de la diversité cognitive : Une approche novatrice de la formation d'équipes qui modélise explicitement la complémentarité des compétences via la variance des plongements, opérationnalisant le principe selon lequel les équipes diversifiées surpassent les équipes homogènes.
Conception d'une IA responsable : Le système est conçu comme un outil « humain dans la boucle » qui fournit des recommandations transparentes et explicables (montrant les alignements de compétences et la justification) tout en préservant l'autorité de l'enseignant pour les décisions finales. Il fonctionne dans le cadre de budgets éducatifs réalistes sans nécessiter de données d'entraînement personnalisées ni d'infrastructure ML spécialisée.
Validation virtuelle : Des preuves issues d'une expérience virtuelle démontrant la capacité du système à produire des allocations supérieures à l'affectation aléatoire.

Résultats (Expérience virtuelle)
Le système a été évalué à l'aide de 250 profils d'étudiants factices et de 60 descriptions de projets, comparant TeamUp à une allocation aléatoire :

Qualité de l'appariement : TeamUp a atteint une similarité cosinus moyenne de 0,74 contre 0,43 pour l'allocation aléatoire.
Alignement de la difficulté : 83 % des étudiants de TeamUp ont été placés à un niveau de difficulté de leur expérience, contre 34 % sous affectation aléatoire.
Diversité des équipes : 82 % des équipes de TeamUp couvraient trois domaines techniques ou plus, contre 41 % des équipes aléatoires.
Performance : Le système a généré toutes les recommandations en 4,2 secondes (inférieure à la seconde par requête) avec un coût API de 0,024 $ pour la cohorte complète.

Signification et affirmations
L'article affirme que TeamUp offre une solution évolutive et rentable aux défis pédagogiques de l'APP à grande échelle. En exploitant les plongements sémantiques, le système répond aux limites de l'allocation manuelle dans la capture des adéquations nuances compétences-projets et dans la promotion de la diversité cognitive.

Les auteurs déclarent explicitement que les résultats actuels sont préliminaires, dérivés d'une expérience virtuelle avec des données synthétiques. Ils reconnaissent que les données factices ne peuvent pas capturer le « désordre » des profils réels d'étudiants, les incohérences d'auto-évaluation ou les dynamiques interpersonnelles au sein des équipes. Par conséquent, l'article ne prétend pas que TeamUp garantit des résultats d'apprentissage améliorés ou l'équité dans la pratique pour l'instant. Au lieu de cela, il positionne le système comme un modèle de conception prometteur pour une IA responsable dans l'éducation, la prochaine étape critique étant un déploiement contrôlé avec de vrais utilisateurs pour valider l'équité, la satisfaction des utilisateurs et les gains réels d'apprentissage. Le système est présenté non pas comme un remplacement du jugement humain, mais comme un outil pour gérer l'appariement routinier, libérant les enseignants pour se concentrer sur les cas limites et les décisions contextuelles.