NYIT développe un assistant LLM pour son cours d'analyse appliquée sous MATLAB

Des chercheurs du département de technologie du génie électrique et informatique du New York Institute of Technology (NYIT) ont présenté sur arXiv, en juillet 2026, VectorizationLLM, un assistant linguistique très spécialisé, fondé sur les modèles à poids ouverts de Google et conçu pour un seul cours précis.

Pour quel cours l'assistant a été conçu

VectorizationLLM a été développé exclusivement pour le cours CTEC 247, « Analyse computationnelle appliquée II », du département ECE Technology sur le campus du NYIT à Old Westbury, dans l'État de New York. Le cours couvre plusieurs sujets traditionnellement difficiles pour les étudiants en ingénierie :

• Vectorisation intelligente (smart vectorization) sous MATLAB
• Analyse de vecteurs temporels et d'onde
• Fonctions définies par morceaux
• Analyse de Fourier
• Équations différentielles ordinaires

C'est sur ces sujets que les étudiants bloquent le plus souvent et cherchent de l'aide en dehors des cours. L'assistant comble ce manque en restant disponible 24 heures sur 24, contrairement à un enseignant du département.

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

L'architecture de VectorizationLLM repose sur deux composants. Le premier est le RAG (Retrieval Augmented Generation) : une base de connaissances constituée à partir des supports du cours CTEC 247, notamment les notes de cours, des exemples de code MATLAB et des illustrations. Quand un étudiant pose une question, le modèle cherche d'abord les passages pertinents dans ce corpus, puis génère une réponse à partir de ceux-ci. Cela réduit nettement le risque d'« hallucinations » par rapport aux chatbots généralistes.

Le second composant est un prompt système qui définit un rôle pédagogique : l'assistant explique et donne des indications, mais ne fournit volontairement pas de solutions toutes faites aux exercices. Le principe est celui du « dialogue socratique » : l'étudiant doit arriver seul à la réponse. Les réponses peuvent contenir à la fois des explications textuelles, des blocs de code et des images, ce qui permet d'expliquer les concepts mathématiques sous la forme la plus visuelle.

Pourquoi l'« IA par cours » est une piste prometteuse

VectorizationLLM s'inscrit dans la tendance croissante aux LLM éducatifs très spécialisés, liés à une matière ou à un cours précis. Contrairement à ChatGPT « brut », un tel assistant ne sort pas du programme, s'appuie uniquement sur les documents vérifiés de l'enseignant et allège la charge du département pour les questions courantes des étudiants.

Le principal défi pour déployer ce type de solution à plus grande échelle est la constitution du corpus RAG : bâtir une base de connaissances de qualité pour chaque cours demande du temps et une expertise académique. C'est là, et non dans le LLM lui-même, que se concentre l'essentiel du travail.

Ce que cela signifie

VectorizationLLM montre comment les modèles à poids ouverts de Google peuvent servir dans l'éducation sans réentraînement coûteux : l'association d'un RAG et d'un prompt système permet d'adapter rapidement un LLM de base à n'importe quel cours tout en gardant la maîtrise du contenu. L'adoption à grande échelle de ces outils dans les universités dépendra de la facilité avec laquelle les enseignants pourront constituer eux-mêmes ce type de bases de connaissances.