Open source

Cette page est une traduction automatique de la page anglaise, non relue par un locuteur natif.

Open source — l'usage, dans l'IA en éducation, de modèles, de code, de données et de contenu sous licence ouverte. L'ouverture est le principal contrepoids de la base de connaissances à l'enfermement chez un fournisseur et à l'exposition des données : des modèles à poids ouverts peuvent tourner sur le matériel du campus pour satisfaire aux obligations de la FERPA, du RGPD et de la loi européenne sur l'IA, des corpus sous licence ouverte peuvent être indexés et ajustés finement sans l'autorisation d'un éditeur, et la publication ouverte de repères de référence et de jeux de données rend la recherche réplicable. Les charges sont tout aussi réelles : l'infrastructure et l'assurance de la sécurité, une maintenance qui survit à la subvention, et une qualité que l'ouverture ne garantit pas par elle-même.

Questions à examiner

• « Open source » est souvent entendu comme « gratuit et facile ». Laquelle des quatre couches ci-dessous — modèles, code, données ou contenu — coûte réellement le plus cher à votre institution à adopter, et pourquoi ?
• Les poids ouverts rendent possible le déploiement local, mais quelqu'un doit encore héberger, corriger et évaluer le système. Qui devrait être propriétaire de ce travail après la fin du projet initial, et qui le paie ?
• Une étude rapportée ici a trouvé un modèle ouvert de 32B surpassant un système propriétaire bien plus grand en connaissance pédagogique, tandis qu'une autre a trouvé chaque modèle ouvert testé sous la référence humaine en littératie de la visualisation scientifique. Comment décidez-vous quel repère est le bon pour votre décision ?
• Un corpus unique sous licence ouverte est ce qui permet à une école de faire tourner un assistant sur site sur ses propres supports de cours. Quelles obligations cela comporte-t-il — envers les auteurs originaux, envers les étudiants dont les données sont indexées, et envers la licence elle-même ?
• Si l'IA générative peut produire un cours en moins d'une demi-heure pour quelques dollars, quelle est la raison d'être restante des ressources éducatives ouvertes — le coût, la liberté de licence, l'assurance qualité, ou autre chose ?
• Les institutions devraient-elles traiter l'adoption de l'open source comme une décision d'approvisionnement, une décision d'infrastructure, ou une décision pédagogique ? Que se casse-t-il si on la traite comme une seule d'entre elles ?

Introduction

Lâchement, « ouvert » en IA éducative signifie que quatre sortes d'artefacts sont disponibles pour l'inspection, la réutilisation et la modification : les poids de modèles, le code source, les données et instruments d'évaluation, et le contenu éducatif. Les articles de la base de connaissances se regroupent de manière inégale sur ces couches, et le tableau qui en résulte est plus utile que le slogan : l'ouverture achète des choses précises — contrôle local, auditabilité, réplicabilité et clarté juridique — et elle coûte des choses précises — infrastructure, expertise, maintenance, et une charge d'assurance qualité qui se déplace du fournisseur vers l'institution.

Modèles ouverts et poids ouverts

Les poids ouverts importent le plus là où les données des étudiants ne peuvent pas quitter le campus. LLM. LaTA est un correcteur automatique local conforme à la FERPA, prêt à l'emploi, pour des travaux de STIM de deuxième cycle universitaire, construit sur des barèmes et des solutions de référence rédigés par les enseignants, à coût marginal nul par remise. SCRIPT, un système de tutorat en Python de l'université de Bielefeld, évite délibérément les API commerciales de grands modèles de langue et auto-héberge un modèle Llama-70B à poids ouverts pour satisfaire au RGPD et à la loi européenne sur l'IA (qui classe certains usages de l'IA en éducation comme à haut risque), en séparant les journaux d'adresses IP du système de tutorat, en utilisant des noms d'utilisateur pseudonymes, et en enregistrant les frappes au clavier uniquement avec un consentement explicite — un choix que les auteurs créditent aussi d'un impact environnemental plus faible et d'une meilleure reproductibilité.

La qualité n'est plus le prix automatique de l'ouverture. EduQwen applique l'apprentissage par renforcement (DAPO) et l'ajustement fin supervisé à une famille de modèles ouverts, en extrayant 440 négatifs difficiles, en générant 40 000 réponses synthétiques réduites à 1 050 exemples ordonnés par difficulté, et en atteignant 96,52 % sur le repère de pédagogie — au-dessus des 90,55 % de Gemini-3 Pro — avec 32B de paramètres denses. AiAWE parvient à des conclusions similaires pour l'évaluation automatisée de l'écriture : un Gemma-3-27B-it à poids ouverts adapté par LoRA surpasse LLaMA-3.3-70B et une référence GPT-3.5 ajustée sur 480 dissertations TOEFL et tourne sur un serveur de qualité grand publique, avec le constat subsidiaire frappant que le nombre de paramètres n'est pas un prédicteur fiable de la performance en aval sous adaptation LoRA. La contre-preuve mérite autant de place : un repère de six grands modèles de langue multimodaux (trois fermés, trois ouverts) a trouvé chaque modèle à code source ouvert sous la référence humaine en littératie de la visualisation scientifique, tandis que Gemini dépassait la moyenne humaine sur plusieurs sous-ensembles. L'ouverture élève le plafond du contrôle, et non celui de la capacité.

OmniEdu publie tout le pipeline plutôt que seulement les poids : une supervision équilibrée en capacités sur un mélange de 69 999 exemples a élevé chaque échelle d'une famille ouverte K–12 de 4B/9B/27B — le modèle de 4B réglé a gagné 55 points de taux de victoire à l'étayage sur MathTutorBench par rapport à sa base — tandis que le diagnostic de l'état des connaissances restait sa capacité la plus faible à 54,04 % (Liang et al., 2026).

Outils ouverts, tuteurs et infrastructure de recherche

Le cas le plus clair en faveur du code ouvert est la réplication. OATutor — le premier système de tutorat adaptatif entièrement ouvert construit sur des principes de STI — associe une base de code sous licence MIT à une bibliothèque de contenu Creative Commons (CC BY) issue des manuels d'algèbre OpenStax, plus le traçage des connaissances, des tests A/B et la prise en charge de LTI ; son objectif de conception explicite est qu'un chercheur puisse mener une expérience puis publier l'ensemble du cadre, du contenu et de la plateforme de bout en bout sous forme de lien vers un dépôt. StanBKT fait le même argument au niveau de la méthode, remplaçant les estimations ponctuelles par maximisation de l'espérance par une inférence bayésienne complète (HMC, inférence variationnelle, Pathfinder, optimisation) dans un paquet Python ouvert qui expose l'incertitude dont dépendent les comparaisons A/B d'interventions adaptatives. DeepTutor: Towards Agentic Personalized Tutoring publie un cadre complet de tutorat agentique doté d'une mémoire d'apprenant en forêt de traces — sous Apache 2.0, et, fin 2026, un espace de travail d'apprentissage complet plutôt que seulement les pipelines que son article évalue comparativement — et le générateur de cours OpenMAIC de MAIC est livré sous MIT aux côtés de l'étude qui l'évalue, si bien qu'un cours peut être généré, auto-hébergé et inspecté plutôt que seulement lu ; VISMATIC publie son bac à sable conteneurisé pour la surveillance orientée vers le processus, afin que d'autres institutions puissent adopter le modèle d'intégrité plutôt que la version qu'en donne le fournisseur. Le code ouvert porte aussi la charge de transparence : les scripts des invites de tutorat conscient de l'affect de MathBuddy sont publiés pour inspection et poursuite du travail de formation pédagogique. L'infrastructure ouverte fixe le point de référence de ce que les agents éducatifs devraient faire : la revue de cadrage de 474 études sur l'IA agentique de la base de connaissances utilise un projet d'agent à code source ouvert en croissance rapide comme sa « frontière...

Repères ouverts, jeux de données et transparence des méthodes

Plusieurs contributions sont ici une infrastructure d'évaluation ouverte plutôt que des systèmes. Le Pedagogy Benchmark (CDPK + SEND, construit à partir de véritables items d'examens d'enseignants chiliens) couvre 97 modèles : le modèle ouvert DeepSeek R1 a atteint 86,65 % contre un top 10 constitué surtout de modèles de raisonnement fermés, et la frontière coût–exactitude s'est déplacée d'environ 50 % à environ 82 % à \$0,10 par million de jetons d'entrée entre avril 2024 et juin 2025 — le modèle ouvert Qwen-3 8B à 3,5 ¢ égalant presque le meilleur modèle fermé d'avril 2024 pour un coût plus de 400 fois inférieur. La performance chute fortement en dessous d'environ 8B de paramètres, ce qui constitue une contrainte pratique de dimensionnement pour les déploiements sur le campus. ASTRA publie un jeu de données, un schéma et un prototype pour l'évaluation fondée sur les traces d'un tutorat multi-agent socialement intelligent (540 participants, 360 séances, 1 440 épisodes de tâches). IKS-Instruct montre le cas culturel des données ouvertes : 24 795 paires instruction–réponse dans sept langues et 41 techniques pédagogiques tirées de sources védiques et classiques, alignées sur le programme du CBSE, ce qui a permis à un modèle compact de 7B d'approcher un modèle de référence généraliste bien plus grand (score médian des juges 6,39 contre 6,54) pour une fraction du coût de déploiement. Les repères rédigés par des étudiants sont une autre voie vers l'ouverture : AcademiClaw curate 80 tâches académiques de long terme issues de 230 candidatures soumises par des étudiants (couvrant plus de 25 domaines professionnels, dont 16 exigeant des GPU CUDA, exécutées dans des bacs à sable Docker isolés) et étend un écosystème ouvert d'agents à l'évaluation de niveau académique. Eimler et al. (2026) soutiennent que l'ouverture est aussi une obligation environnementale : en examinant tous les articles d'AIED 2025, ils ont trouvé une régularité d'« adoption des grands modèles de langue sans divulgation » et y ont répondu par une méthodologie de mesure à code source ouvert — des outils logiciels plus une formule qui estim...

Ressources éducatives ouvertes et contenu ouvert

Shen et al. (2026) est le seul article de la base de connaissances dans lequel les ressources éducatives ouvertes sont l'objet central plutôt qu'une référence passagère. Ils construisent un assistant de base de connaissances d'IA sur site pour l'enseignement de l'informatique à partir de 82 documents de ressources éducatives ouvertes sur du matériel de qualité grand publique (un RTX 3060 à 12 Go de VRAM), en combinant extraction structurée, génération augmentée par la recherche documentaire et ajustement fin NF4 à 4 bits conscient de la quantification. L'ajustement fin a ajouté une valeur réelle au-delà de la recherche documentaire (Qwen-7B 69,8 %, +3,2 points de pourcentage, p = 0,031 ; DeepSeek-MoE 78,6 %, +12,0 points de pourcentage, p < 0,001, dont 82,3 % sur le raisonnement à sauts multiples) ; l'ajustement conscient de la quantification a maintenu l'écart d'exactitude à 4 bits à 1,7 et 1,2 points de pourcentage tout en réduisant la VRAM d'environ 38 % et l'énergie à 1,8 mWh par requête (43,8 % sous la référence) ; et l'hallucination gonflée par la quantification a été partiellement récupérée par l'ajustement fin (DeepSeek-MoE 10,4 % → 8,1 %), mesurée par une procédure NLI en deux étapes contre des segments de ressources éducatives ouvertes retrouvées. Le point analytique est généralisable : un corpus sous licence ouverte peut être indexé, adapté et servi sans autorisations d'éditeur, et ancrer un assistant dans des ressources éducatives ouvertes retrouvées donne une piste de provenance vérifiable — ce qu'un corpus propriétaire de manuels ne peut précisément pas offrir.

L'ouverture du contenu et l'ouverture des modèles se complètent aussi ailleurs. OATutor curate des manuels OpenStax sous CC BY en un système dont le code est sous licence MIT, si bien que les termes de licence du code et du contenu doivent être maintenus compatibles par la conception. Une bibliothèque ouverte et exécutable de modules pour l'IA en systèmes de puissance abaisse la barrière d'entrée avec des carnets Jupyter qui tournent localement ou dans Colab, dispensés par un cours en ligne de l'IEEE. Et un programme d'ingénierie mécanique fondé sur des projets publie son syllabus, ses données et son code dans des dépôts en accès libre afin que d'autres institutions puissent l'adopter (Giving Mechanical Engineers Intelligent Tools: A Project-Based AI Education Curriculum in Thermal Engineering). À côté des ressources éducatives ouvertes, la diffusion ouverte de cours est le lieu où l'économie se déplace le plus vite : MAIC rapporte un effondrement de la production de MOOC, passant d'environ \$25 000 et 60 heures par cours à moins de 2$ et 30 minutes avec une génération multi-agent pilotée par les grands modèles de langue. Si la production de contenu devient presque gratuite, l'argument en faveur des ressources éducatives ouvertes se déplace du coût de production vers la liberté de licence, la vérifiabilité et l'assurance qualité — ce qui est une proposition différente de celle sur laquelle le plaidoyer pour les ressources éducatives ouvertes a été bâti.

Bénéfices et charges

• Bénéfices. Souveraineté des données et conformité réglementaire (La vie privée, Réglementation de l'IA dans l'éducation) par l'hébergement local ; contrôle des coûts, puisque l'inférence locale n'a pas de frais par requête et que les modèles ouverts approchent la qualité propriétaire pour une fraction du prix (Application-Driven Pedagogical Knowledge Optimization of Open-Source LLMs via Reinforcement Learning and Supervised Fine-Tuning) ; reproductibilité, parce que le cadre, les invites, le contenu et les données peuvent être livrés avec l'article (OATutor: An Open-source Adaptive Tutoring System and Curated Content Library for Learning Sciences Research, ASTRA: A synthetic benchmark for trace-based evaluation of socially intelligent multi-agent tutoring) ; auditabilité et examen de sécurité sous la gouvernance institutionnelle ; et la capacité d'ajuster finement pour une pédagogie particulière ou pour la base de connaissances d'une communauté particulière (IKS-Instruct: A 24,000-Example Multilingual Dataset for Teaching Language Models Indian Knowledge Systems).
• Charges. L'hébergement local exige du matériel et une expertise que beaucoup d'institutions n'ont pas ; la qualité et la sécurité ne sont pas garanties d'emblée — les modèles ouverts peuvent rester sous les références humaines sur des littératies spécifiques (Benchmarking Multimodal Large Language Models for Scientific Visualization Literacy) et la quantification fait monter les taux d'hallucination à moins d'être atténuée (Towards sustainable AI knowledge-base assistants in computer science education: on-premise deployment and optimization with open educational resources) ; quelqu'un doit maintenir le système après la publication (Programming Intelligent Tutoring Systems documente une petite équipe d'étudiants en doctorat, une exposition de sécurité en cours de traitement, et une charge de conformité substantielle) ; et une licence ouverte est une permission, et non un produit fonctionnel — la maintenance qui garde un système publié utilisable retombe sur les concepteurs de technologies éducatives qui l'ont construit, et leur financement et leurs incitations décident si un dépôt bifurcable, un produit maintenu, ou ni l'un ni l'autre est ce qu'une institution hérite à la fin de la subvention.

Mettre l'ouverture en pratique

• Pour les enseignants et les institutions : vérifiez la licence du contenu aussi bien que celle du code avant d'adopter un système — du code MIT sur des manuels sous CC BY est réutilisable, mais une licence permissive ne garantit pas que les parcours de tutorat, les banques d'items ou les traductions existent. Préférez les modèles ouverts lorsque les données des étudiants ne peuvent légalement pas quitter le campus (LaTA: A Drop-in, FERPA-Compliant Local-LLM Autograder for Upper-Division STEM Coursework, Programming Intelligent Tutoring Systems), mais évaluez comparativement le modèle sur votre tâche plutôt que de vous fier à des classements généraux (Benchmarking the Pedagogical Knowledge of Large Language Models). Budgétez quelqu'un pour faire tourner et évaluer le système après le pilote.
• Pour les développeurs et les chercheurs : livrez l'ensemble — la publication de bout en bout d'OATutor (code, contenu, harnais d'expérimentation) est la norme de réplicabilité que cette littérature ne cesse de récompenser. Publiez les invites et les schémas d'extraction aux côtés des poids (Programming Intelligent Tutoring Systems, MathBuddy: Affective Math Tutoring). Rapportez le calcul et le carbone (The Environmental Cost of LLMs in AIED: Reporting and Practices). Ancrez les assistants dans des corpus sous licence ouverte afin que la provenance soit vérifiable et l'adaptation licite (Towards sustainable AI knowledge-base assistants in computer science education: on-premise deployment and optimization with open educational resources). Utilisez l'ajustement fin conscient de la quantification plutôt que la quantification simple si l'exactitude et l'énergie comptent toutes deux, et gardez les licences du code et du contenu compatibles.

Concepts liés

• Tutorat intelligent
• Entraînement et ajustement fin des grands modèles de langue
• Apprentissage adaptatif
• Plateforme edtech
• La vie privée
• Réglementation de l'IA dans l'éducation
• La gouvernance de l'IA
• IA agentique
• Évaluation automatisée
• Référentiel
• Traçage des connaissances
• RAG (génération augmentée par récupération)
• Sécurité pédagogique
• Durabilité
• Les méthodes de recherche en AIED
• L'écriture
• Intégrité académique
• Les développeurs de technologie éducative

Articles liés

• Towards sustainable AI knowledge-base assistants in computer science education: on-premise deployment and optimization with open educational resources — Assistant de base de connaissances d'IA fondé sur des ressources éducatives ouvertes et déployé sur site sur du matériel de qualité grand publique (Shen et al. 2026)
• OATutor: An Open-source Adaptive Tutoring System and Curated Content Library for Learning Sciences Research — Tuteur adaptatif sous licence MIT doté d'une bibliothèque de contenu OpenStax sous CC BY (Pardos et al. 2023)
• Application-Driven Pedagogical Knowledge Optimization of Open-Source LLMs via Reinforcement Learning and Supervised Fine-Tuning — Modèle pédagogique ouvert de 32B surpassant des systèmes propriétaires bien plus grands (Singh et al. 2026)
• LaTA: A Drop-in, FERPA-Compliant Local-LLM Autograder for Upper-Division STEM Coursework — Correcteur automatique local fondé sur les grands modèles de langue et conforme à la FERPA, prêt à l'emploi
• Programming Intelligent Tutoring Systems — Grand modèle de langue à poids ouverts auto-hébergé pour la conformité au RGPD et à la loi européenne sur l'IA dans un STI en Python
• AiAWE: An Open-Source LLM Automated Writing Evaluation System Using LoRA-Adapted Instruction-Tuned Models — Modèle à poids ouverts adapté par LoRA pour l'évaluation automatisée de l'écriture
• StanBKT: Rethinking Parameter Estimation in Bayesian Knowledge Tracing — Paquet Python ouvert pour le traçage des connaissances pleinement bayésien
• DeepTutor: Towards Agentic Personalized Tutoring — Cadre de tutorat agentique entièrement à code source ouvert doté d'une mémoire d'apprenant
• Securing the Sandbox: A Rootless Containerized Framework for Process-Oriented Monitoring in Computer Graphics Education — Bac à sable conteneurisé ouvert pour l'évaluation orientée vers le processus
• MathBuddy: Affective Math Tutoring — Tuteur de mathématiques conscient de l'affect doté d'une base de code ouverte
• Benchmarking the Pedagogical Knowledge of Large Language Models — Repère de pédagogie ouvert sur 97 modèles et frontière coût–exactitude
• ASTRA: A synthetic benchmark for trace-based evaluation of socially intelligent multi-agent tutoring — Jeu de données et prototype ouverts pour l'évaluation multi-agent fondée sur les traces
• Benchmarking Multimodal Large Language Models for Scientific Visualization Literacy — Modèles ouverts sous la référence humaine en littératie de la visualisation
• IKS-Instruct: A 24,000-Example Multilingual Dataset for Teaching Language Models Indian Knowledge Systems — Jeu de données multilingue ouvert pour un enseignement ancré culturellement
• The Environmental Cost of LLMs in AIED: Reporting and Practices — Méthode à code source ouvert pour rapporter le coût environnemental des grands modèles de langue
• Bridging Artificial Intelligence and Power Systems Education Using a Hands-On Executable Framework — Bibliothèque ouverte de modules exécutables pour l'IA en ingénierie
• Giving Mechanical Engineers Intelligent Tools: A Project-Based AI Education Curriculum in Thermal Engineering — Programme, données et code accessibles au public
• From MOOC to MAIC: Reshaping Online Teaching and Learning through LLM-driven Agents — La génération de cours pilotée par les grands modèles de langue et l'évolution de l'économie de la production de cours
• A scoping review of generative AI-powered agentic AI in education: Research landscape, agentic capabilities, and insights from the frontier agent paradigm, exemplified by OpenClaw
• AcademiClaw: When Students Set Challenges for AI Agents
• OmniEdu: Open Foundation Models for Learning and Teaching — OmniEdu : modèles de fondation ouverts pour l'apprentissage et l'enseignement