Google a laissé un agent d'IA tester ses propres simulations de classe générées avant leur publication

Les outils d'apprentissage numérique diffusent surtout du contenu passif, vidéos et manuels, car les simulations interactives coûtent cher à concevoir et correspondent rarement au programme d'un enseignant ou aux élèves d'une classe donnée. La réponse de Google Research, s'appuyant sur ses modèles LearnLM de 2024 et sur une expérimentation « Learn Your Way » de 2025, a consisté à appliquer l'interface utilisateur générative, en laissant un modèle construire dynamiquement une interface au lieu de la coder à l'avance, afin que les enseignants puissent générer des simulations sur mesure à la demande plutôt que de choisir dans une bibliothèque figée.

Le processus maintient l'enseignant dans la boucle au départ, en approuvant les objectifs avant toute construction, puis confie le contrôle qualité à une chaîne de traitement à la fin. Chaque simulation se décompose en niveaux de jeu plus difficiles liés à ces objectifs, avec des indices, une boîte à outils de formules et des retours personnalisés. Avant qu'un enseignant ne voie quoi que ce soit, une boucle autocorrectrice vérifie la pédagogie, la mécanique et la conception visuelle ; la vérification de la mécanique est agentique, ouvrant une instance de Chrome pour interagir avec la simulation comme le ferait un utilisateur, y compris avec des entrées adverses comme une valeur de contrôle extrême, afin de détecter les niveaux défectueux.

Google a publié une bibliothèque publique de plus de 30 interactifs d'apprentissage vérifiés en anglais dans des matières STEM, tous revus par des enseignants avant publication. Dans une étude menée avec des enseignants STEM britanniques, les sujets de physique et de chimie ont été les mieux notés pour la création de simulations. Une autre étude menée avec 12 enseignants américains, chacun demandant trois interactifs personnalisés pour sa propre classe, a produit une note de qualité moyenne de 8 sur 10, les enseignants soulignant que la génération dynamique résolvait ce que les simulations statiques du commerce ne pouvaient pas faire : différencier l'enseignement selon leur programme réel.

Faire tenter à un agent de déjouer la simulation avant qu'un enseignant ne la voie

Exiger l'approbation par l'enseignant des objectifs d'apprentissage avant la génération maintient une décision humaine au seul point où une cible erronée rendrait aussi erronés tous les niveaux en aval.

Diviser la validation en trois critères nommés, pédagogie, mécanique et conception visuelle, permet de vérifier chacun par la méthode qui lui convient, au lieu d'une passe de qualité générique unique.

Utiliser un évaluateur agentique qui pilote réellement la simulation dans un navigateur, et non se contente d'inspecter le code généré, détecte des échecs de résolution que l'analyse statique manquerait.

Tester des entrées adverses, et pas seulement le parcours attendu, cible un mode de défaillance qu'une simulation statique construite à la main n'aurait pas, puisqu'elle est testée une fois par ses auteurs et jamais régénérée.

Quand vous ne pouvez pas vous permettre qu'un humain vérifie chaque artefact généré, donnez à un agent la même interface qu'utiliserait un humain et faites-lui tenter de déjouer l'artefact comme le ferait un utilisateur négligent ou malveillant.

Google teste l'outil dans des écoles via le Google for Education Pilot Program, où les interactifs nouvellement générés retournent à l'enseignant demandeur pour examen et n'entrent dans la bibliothèque publique qu'après cette approbation, et prévoit des recherches UX et des études de terrain sur les gains d'apprentissage et l'engagement dans de vraies classes. L'équipe décrit la bibliothèque publiée comme une première étape, d'autres matières et niveaux scolaires devant encore suivre à mesure que le pilote s'étend.