Simuler des dynamiques d'apprentissage humain avec des agents autonomes alimentés par des grands modèles linguistiques

La capture du comportement d’apprentissage humain à l’aide de méthodes fondées sur l’apprentissage profond est devenue un axe majeur de recherche tant en psychologie qu’en systèmes intelligents. Les approches récentes s’appuient principalement sur des expériences contrôlées ou des modèles basés sur des règles pour explorer les processus cognitifs. Toutefois, elles peinent à saisir les dynamiques d’apprentissage, à suivre l’évolution des performances dans le temps, ou à offrir une explication claire des mécanismes en jeu. Pour relever ces défis, nous introduisons LearnerAgent, un nouveau cadre multi-agents fondé sur les grands modèles linguistiques (Large Language Models, LLM). Ce cadre permet de simuler un environnement d’enseignement réaliste. Afin d’étudier des dynamiques d’apprentissage proches de celles des humains, nous avons conçu des apprenants aux profils psychologiquement fondés — tels que l’Apprenant Profond, l’Apprenant Superficiel et l’Apprenant Paresseux — ainsi qu’un Apprenant Général, sans personnalité particulière, afin d’observer le comportement par défaut du LLM de base. Grâce à une acquisition hebdomadaire des connaissances, des choix stratégiques mensuels, des évaluations périodiques et des interactions entre pairs, il devient possible de suivre de manière dynamique l’évolution de chaque apprenant sur une période d’un an entier. Nos résultats s’articulent autour de quatre axes principaux : 1) L’analyse longitudinale révèle que seul l’Apprenant Profond parvient à un développement cognitif durable. Nos questions « pièges », spécifiquement conçues, permettent efficacement de diagnostiquer la connaissance superficielle de l’Apprenant Superficiel. 2) Les schémas comportementaux et cognitifs des différents apprenants s’alignent étroitement sur leurs profils psychologiques respectifs. 3) Les scores d’estime de soi des apprenants évoluent de manière réaliste : l’Apprenant Général développe une auto-efficacité surprenante, malgré ses limites cognitives. 4) De manière cruciale, le profil par défaut du LLM de base correspond à un « Apprenant Superficiel acharné mais fragile » — un agent qui imite les comportements d’un bon élève, mais qui manque d’une compréhension véritable et généralisable. Des expériences de simulation étendues démontrent que LearnerAgent se conforme étroitement aux scénarios réels, offrant ainsi des insights plus profonds sur le comportement des LLM.