Section 4.1 Étudier et travailler avec les LLM
Utiliser un LLM pour travailler le raisonnement
Une conversation peut rendre un raisonnement plus facile à suivre sans améliorer la capacité à le reconstruire. Pour une séance d’étude, fixer d’abord le résultat observable. En algorithmique, il peut s’agir de justifier un invariant, de produire une trace ou de trouver un contre-exemple. Une réponse immédiatement disponible modifie le travail demandé. La séquence d’étude doit donc préserver un moment où l’étudiant répond sans aide.
Donner au modèle une tâche limitée
Après un premier essai écrit, un prompt peut préciser le rôle de l’assistant, l’énoncé, ce qui a déjà été tenté et le type d’aide attendu. Par exemple, pour une recherche dichotomique avec une borne supérieure exclue, demander « Examine seulement l’invariant annoncé. Donne une question pour vérifier le cas vide puis attends ma réponse. » L’assistant peut se tromper sur l’énoncé. Garder l’énoncé et l’essai visibles permet de vérifier la portée de l’indice.
Mesurer le rappel et le transfert
Pour un rappel actif, fermer le dialogue et écrire de mémoire les conditions de l’invariant. Pour tester le transfert, passer d’une première occurrence dans un tableau trié au point d’insertion d’une valeur absente. Demander une justification avant d’ouvrir la correction. Un indice utile est celui qui fait reprendre le travail au bon endroit. Un indice qui révèle l’expression finale rend difficile de distinguer compréhension et copie. La recherche sur les techniques d’apprentissage distingue la pratique de récupération et la répartition des séances, dont Dunlosky et al. proposent une synthèse.