Le NYIT a développé un assistant LLM pour un cours d’analyse appliquée sur MATLAB

Les chercheurs du Département d'ingénierie électrique et de technologie informatique du New York Institute of Technology (NYIT) ont présenté en juillet 2026 sur arXiv VectorizationLLM — un assistant de langage très spécialisé basé sur les modèles de poids ouverts de Google, développé pour un cours éducatif spécifique.

Pour quel cours l'assistant a-t-il été créé

VectorizationLLM a été développé exclusivement pour le cours CTEC 247 — "Analyse computationnelle appliquée II" — du Département de technologie ECE du campus d'Old Westbury, New York de NYIT. Le cours couvre plusieurs sujets qui sont traditionnellement difficiles pour les étudiants en spécialités techniques :

• Vectorisation intelligente dans l'environnement MATLAB
• Analyse des vecteurs de temps et d'ondes
• Fonctions définies par morceaux
• Analyse de Fourier
• Équations différentielles ordinaires

Dans ces sujets, les étudiants se retrouvent souvent bloqués et cherchent de l'aide en dehors de la classe. L'assistant comble cette lacune, étant disponible 24 heures sur 24 — contrairement à un instructeur du département.

Comment fonctionne le modèle — et ce qu'il ne fait pas

L'architecture de VectorizationLLM est construite sur deux composants. Le premier est RAG (Génération augmentée par récupération) : une base de connaissances formée à partir des matériaux du cours CTEC 247, y compris les notes de cours, les exemples de code MATLAB et les illustrations. Lorsqu'un étudiant pose une question, le modèle recherche d'abord les fragments pertinents dans ce corpus, puis génère une réponse en fonction de ceux-ci. Cela réduit considérablement le risque d'"hallucinations" par rapport aux chatbots universels.

Le deuxième composant est une invite système qui définit le rôle pédagogique : l'assistant explique et fait des suggestions, mais n'intentionnellement pas fournir de solutions toutes faites aux tâches. Le principe du "dialogue socratique" — l'étudiant doit atteindre la réponse indépendamment. Les réponses peuvent contenir des explications textuelles, des blocs de code et des images simultanément, ce qui permet d'expliquer les concepts mathématiques dans le format le plus visuel.

Pourquoi "IA de cours" est une direction prometteuse

VectorizationLLM s'inscrit dans une tendance croissante de création de LLMs éducatifs très spécialisés liés à un sujet ou un cours spécifique. Contrairement à ChatGPT sous forme "brute", un tel assistant ne dépasse pas le programme, s'appuie uniquement sur les matériaux d'instructeur vérifiés et réduit la charge sur le département en termes de questions d'étudiants de routine.

Le défi clé lors de la mise à l'échelle de solutions similaires est de peupler le corpus RAG : créer une base de connaissances de qualité pour chaque cours nécessite du temps et une expertise académique. C'est là, plutôt que dans le LLM lui-même, que se concentre le travail principal.

Ce que cela signifie

VectorizationLLM montre comment les modèles de poids ouverts de Google peuvent être appliqués dans l'éducation sans ajustement fin coûteux : la combinaison RAG + invite système permet d'adapter rapidement le LLM de base à n'importe quel cours tout en maintenant le contrôle du contenu. L'adoption généralisée de telles solutions dans les universités dépendra de la facilité avec laquelle les instructeurs pourront former de manière indépendante de telles bases de connaissances.