🤖 AI

KNOWPLAN: Knowledge-Driven AI Agents for Smart Degree Pathway Planning

KnowPlan est un système d'IA à deux étapes, piloté par la connaissance, qui reconstruit d'abord les cursus universitaires à partir de sources hétérogènes en utilisant un robot d'extraction proactive (CatalogBrowse), puis optimise les parcours de diplômes personnalisés via un solveur d'hypergraphe certifié (DegreeMap), atteignant un rappel et une faisabilité élevés tout en réduisant considérablement les coûts d'accès aux sources par rapport aux approches de bout en bout.

Auteurs originaux : Shuheng Cao, Weijia Zhang, Jiaqi Wu, Xiyun Hu, Yat Yang, Juqy Chen, Zhaoxiang Feng

Publié 2026-08-10

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Shuheng Cao, Weijia Zhang, Jiaqi Wu, Xiyun Hu, Yat Yang, Juqy Chen, Zhaoxiang Feng

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 que vous essayiez de construire le château LEGO personnalisé ultime, mais que les instructions soient éparpillées sur un million de sites web différents, certaines écrites en code, d'autres dans des PDF, et certaines cachées derrière des portes dont vous ignorez l'existence. C'est le monde du conseil académique, un domaine où les ordinateurs tentent d'aider les étudiants à déterminer exactement quels cours suivre pour obtenir leur diplôme à temps. Pendant des années, des chercheurs ont construit des systèmes intelligents capables de suggérer l'emploi du temps parfait si ils possèdent déjà la liste complète des règles. Mais voici le problème : obtenir cette liste de règles est un cauchemar. Les sites web des universités sont désordonnés, incohérents et changent constamment. Si un ordinateur essaie de « lire » les règles tout en décidant simultanément quels cours choisir, cela crée une boucle déroutante : il pourrait ignorer une règle parce qu'il ne l'a pas encore jugée importante, pour réaliser plus tard que le fait d'avoir ignoré cette règle rend l'ensemble du plan impossible. Cet article s'attaque à ce casse-tête spécifique, en posant la question suivante : comment un ordinateur peut-il rassembler toutes les règles désordonnées d'abord, sans connaître les objectifs personnels de l'étudiant, puis utiliser ces règles pour construire un plan parfait et garanti ?

Entrez dans KnowPlan, une équipe de deux robots conçue pour démêler ce nœud académique. Considérez le premier robot, CatalogBrowse, comme un bibliothécaire super organisé qui se moque de qui vous êtes ou de ce que vous voulez étudier. Sa seule mission est d'explorer la bibliothèque numérique de l'université et de trouver chaque règle, chaque cours et chaque exigence, aussi cachés soient-ils. Au lieu de simplement cliquer sur des liens au hasard ou de suivre une carte simple, ce robot joue à un jeu de haut niveau intitulé « et après ? ». Il calcule la valeur de chaque clic possible, se demandant : « Si j'ouvre cette page, quelle quantité de nouvelles informations vais-je obtenir par rapport à l'effort fourni ? ». Il continue jusqu'à ce qu'il possède un « certificat de clôture » — un sceau d'approbation numérique qui prouve qu'il n'a manqué aucune pièce critique du puzzle. Il ne devine pas ; il ne s'arrête que lorsqu'il est mathématiquement sûr d'avoir trouvé tout ce qu'il pouvait trouver dans cet instantané figé du site web. Une fois terminé, il transmet trois fichiers numériques propres et organisés contenant l'intégralité du cursus.

Le second robot, DegreeMap, est le maître planificateur. Il prend ces trois fichiers et le profil personnel de l'étudiant (comme ses notes, ses intérêts et sa capacité de travail). Il construit ensuite une carte 3D complexe des exigences, où les cours sont reliés par des fils invisibles de logique (comme « vous devez suivre Math 101 avant Math 102 »). En utilisant un puissant moteur mathématique, il ne trouve pas seulement un plan ; il trouve le meilleur plan. Il équilibre les règles strictes (vous ne pouvez pas obtenir votre diplôme sans ce cours) avec les désirs souples (vous adorez la biologie), garantissant que l'étudiant termine dans les plus brefs délais et avec le moins de stress possible. Crucialement, parce que le premier robot a fait son travail parfaitement, le second robot n'a jamais besoin de deviner si une règle existe. Il travaille simplement avec ce qu'on lui donne.

Les résultats sont impressionnants. Testés sur 100 universités différentes, le premier robot a trouvé 96,2 % de tous les cours disponibles et a récupéré 88,7 % des pages « cachées » que d'autres méthodes avaient manquées, tout en visitant 47 % de pages web en moins qu'un robot qui essaierait simplement de tout lire. Le second robot a ensuite utilisé ces données pour créer des plans qui étaient 100 % valides (aucuns emplois du temps impossibles) et a rendu les étudiants plus satisfaits de leurs choix par une marge petite mais mesurable par rapport aux autres systèmes de pointe. L'ensemble du système a certifié avec succès 99,5 % des requêtes, prouvant qu'en séparant la tâche de « trouver les règles » de la tâche de « faire le plan », nous pouvons construire un guide beaucoup plus fiable et personnel pour les étudiants. Les auteurs démontrent que cette approche élimine la confusion de la logique circulaire, transformant une recherche chaotique en un voyage certifié, étape par étape, vers l'obtention du diplôme.

Résumé technique : KnowPlan

Énoncé du problème

La planification des parcours de diplômes académiques est un problème de décision piloté par les contraintes, exigeant que les étudiants séquencent les cours pour satisfaire la logique des prérequis, les exigences du diplôme, les limites d'unités et les offres par trimestre. Bien que des travaux antérieurs aient abordé la recommandation de cours et l'optimisation des cursus, ces approches supposent largement qu'une représentation complète du cursus est déjà disponible.

La construction de cette représentation à partir de sources universitaires publiques est intrinsèquement difficile. Les cursus institutionnels sont distribués sous des formats hétérogènes (pages web, points de terminaison JSON, PDF) sans schéma partagé, contenant des clauses logiques imbriquées, des chevauchements d'exigences et des exceptions de politique. Une lacune critique, non traitée dans la littérature existante, est la circularité acquisition–planification : si un planificateur personnalisé contrôle l'acquisition des sources, l'objectif actuel de l'étudiant détermine quelles pages sont ouvertes. Par conséquent, le graphe partiel résultant détermine quels plans paraissent réalisables, et ce même graphe incomplet est utilisé pour valider le plan. Les règles manquantes restent invisibles car elles n'ont jamais été acquises.

Méthodologie

Les auteurs présentent KnowPlan, un cadre d'extraction prioritaire qui sépare la reconstruction du cursus de la planification de diplôme personnalisée afin de briser cette circularité. Le système opère en deux étapes distinctes :

1. CatalogBrowse : Extraction indépendante du profil

CatalogBrowse est un agent d'exploration web conçu pour acquérir les données du cursus sans accès à aucun profil d'étudiant.

État et observabilité : L'agent maintient un graphe de pages dynamique et une frontière de liens non ouverts. Crucialement, le contenu de la page n'est révélé qu'après qu'une action a été pré-engagée et payée, empêissant l'agent d'inspecter le contenu pour décider s'il doit y accéder.
Obligations atomiques : Au lieu de s'appuyer sur des signaux de complétion pondérés qui encouragent les gains faciles, l'agent cible un ensemble fini d'obligations atomiques ( $O$ ), telles que la découverte d'entrées d'index, l'instanciation d'entités, le remplissage de champs requis et la résolution de références.
Politique : L'agent sélectionne les actions en utilisant une borne inférieure de confiance (LCB) sur le gain marginal d'obligation attendu par unité d'accès à la source. Cette politique conservatrice donne la priorité aux preuves déjà validées et garantit que les actions inconnues ne sont poursuivies que si l'obligation elle-même génère un gain attendu positif.
Analyse syntaxique et repli : Le système utilise des adaptateurs de plateforme déterministes pour les API, les DOM et les PDF. Pour les clauses logiques complexes, il emploie un modèle de clause-vers-AST contraint par l'étendue. Le modèle est restreint aux jetons littéralement présents dans l'étendue visible et ne peut émettre ni URL ni identifiants arbitraires ; les sorties sont repositionnées dans le texte de la page avant acceptation.
Terminaison : L'agent s'arrête uniquement lorsqu'un certificat de clôture est vérifié. Ce certificat vérifie que chaque entrée d'index découverte est soit liée à une entité, soit enregistrée comme explicitement échouée, que chaque champ requis par le schéma est lié ou explicitement non résolu, et que chaque décalage de provenance se situe dans les limites d'une page ouverte par l'agent. Le certificat localise les preuves mais n'adjuge pas les faits eux-mêmes ; il est relatif à un instantané et ne fait aucune prétention sur le Web en direct.
Sortie : L'étape émet exactement trois documents JSON liés à la provenance : cours/prérequis, exigences du programme et cadres d'éducation générale.

2. DegreeMap : Planification personnalisée

DegreeMap consomme uniquement les trois documents JSON produits par CatalogBrowse et la requête spécifique de l'étudiant.

Hypergraphe de contraintes typées : Le compilateur cartographie les documents JSON en un hypergraphe de contraintes typées. Il préserve les structures logiques complexes (ex. : CHOOSE_N, ALL_OF) sous forme d'hyperarêtes plutôt que de les étendre en clauses par paires, assurant l'application exacte de contraintes telles que « choisir 3 parmi 9 ».
Utilité personnalisée : Le système calcule un score $S(c)$ $S (c)$ pour chaque cours basé sur :
- L'intérêt sémantique direct ( $I_0$ ).
- La diffusion de type graphe ( $I_D$ ), propageant l'intérêt à travers les arêtes de satisfaction et de cross-listing, mais pas à travers les arêtes de prérequis.
- La valeur de déblocage des prérequis ( $U$ ), propageant l'intérêt en remontant les chemins de dépendance.
- Les gains de majeure/éducation générale, la valeur d'option future, la charge de travail, le risque et l'aversion.
Optimisation CP-SAT lexicographique : Le planificateur résout un ensemble classé de plans en utilisant un ordre lexicographique :
1. Faisabilité stricte (satisfaisant toutes les contraintes).
2. Horizon de complétion minimal.
3. Charge de travail et risque de planification.
4. Utilité personnalisée.
5. Valeur d'option future.
  Chaque étape fixe l'optimum prouvé de l'étape précédente comme une contrainte stricte, préservant la certifiabilité dans un budget de solveur fixe.
Clarification : Si le plan optimal varie selon les hypothèses de préférences restantes, le système pose des questions ciblées pour réduire le regret attendu.

Contributions clés

Formulation : L'article formule la planification de diplôme à partir de sources publiques comme un problème d'acquisition et d'optimisation en deux étapes, rendant la circularité acquisition–planification directement mesurable.
CatalogBrowse : Introduit un agent indépendant du profil caractérisé par une exploration pilotée par les obligations, une extraction liée à la provenance et une règle d'arrêt basée sur un certificat qui garantit l'exhaustivité de la sortie par rapport à un instantané figé en vérifiant que toutes les entrées découvertes sont traitées ou explicitement échouées.
DegreeMap : Présente un planificateur qui combine un hypergraphe de contraintes typées avec une optimisation lexicographique exacte, évalué via des pistes de sources masquées et de comparaison entre l'or (gold) et l'extrait.

Résultats

Le système a été évalué sur une piste Broad-100 (100 universités) et une piste Dense-6 (6 universités avec des formats de sources diversifiés).

Performance d'extraction (CatalogBrowse) :
- A atteint un rappel d'inventaire de 96,2 % et une récupération de source masquée de 88,7 % (récupération d'entités derrière des pages cachées).
- A utilisé 47 % de moins d'accès aux sources qu'un crawler exhaustif tout en surpassant les bases de référence comme Static BFS et les agents de type Go-Browse.
- A maintenu un Typed F1 élevé (79,4) et une équivalence sémantique AST (77,8) sur la piste large.
Performance de planification (DegreeMap) :
- A maintenu une faisabilité stricte de 100,0 % sur la piste Dense-6.
- A amélioré l'utilité personnalisée de +0,066 par rapport à la base de référence la plus forte (type MSGS de LLMAP).
- A réduit l'horizon de complétion de 6,7 à 6,3 trimestres.
Performance de bout en bout :
- Le pipeline complet a certifié 99,5 % des requêtes de planification.
- L'écart d'utilité par rapport à une planification sur un graphe de cursus "gold" privilégié n'était que de 0,015.
- Les études d'ablation ont confirmé que la suppression du certificat de point fixe réduisait le rappel de 4,4 points, et que l'utilisation d'un objectif de somme pondérée au lieu de l'optimisation lexicographique réduisait la faisabilité certifiée de 4,0 points.

Signification

L'article affirme que KnowPlan élimine la circularité acquisition–planification par construction. En séparant l'acquisition du cursus (indépendante des objectifs de l'étudiant) de l'optimisation du plan, le système rend l'interface entre l'acquisition des données et leur utilisation mesurable plutôt que supposée. Les auteurs soulignent que cette approche convertit une hypothèse de modélisation (que le cursus est connu) en une quantité mesurée, démontant qu'une planification de diplôme fiable nécessite une acquisition de cursus indépendante du profil avant l'optimisation spécifique à l'étudiant. Le cadre est généralisable à tout domaine où un agent doit acquérir un modèle du monde pour évaluer un objectif ultérieur, à condition que la cible d'acquisition soit fixée avant que l'objectif ne soit connu.