Le tuteur qui mesure l'endroit où votre compréhension s'arrête

LearnHarness se présente comme un harness d'agents pour l'apprentissage. La formule est exacte et inutile, alors la description du dépôt est meilleure : il utilise des agents IA pour planifier et donner des leçons depuis votre compréhension actuelle jusqu'à votre objectif, et il construit une image détaillée de ce que vous comprenez et de la façon dont vous raisonnez.
Le mot qui compte, c'est "actuelle". La plupart des tuteurs IA partent du début d'un sujet et expliquent vers l'avant. Celui-ci commence par trouver où vous en êtes vraiment, ce qui donne un autre produit.
Quatre étapes, dans un ordre fixe
Mesurer vient d'abord. Avant d'enseigner quoi que ce soit, l'agent sonde chaque élément dont la leçon dépendra, à la recherche du bord de votre compréhension. Les réponses, l'assurance et le raisonnement comptent tous comme signal. Le bouton passer existe, mais passer supprime ce qui fait fonctionner le reste.
Planifier vient ensuite. À partir de ce point de départ, il construit une carte de dépendances jusqu'à votre objectif. Le plan est visible, et il s'adapte quand le diagnostic se révèle faux. Cette adaptabilité sépare une vraie carte d'un programme.
Enseigner est la troisième étape, et sa règle est la plus intéressante : chaque étape doit s'appuyer sur quelque chose que vous comprenez déjà. Vous prédisez, puis vous recevez une explication, puis vous vérifiez votre compréhension. Les confusions sont réparées avant qu'on empile quoi que ce soit dessus.
S'exercer vient en dernier, séparément. Les sessions posent des problèmes variés qui exigent que la bonne connaissance vienne à l'esprit sans être nommée d'abord. Les indices s'adaptent à votre raisonnement, pas à un réglage de difficulté.
L'objectif annoncé est plus précis que la plupart des textes sur l'éducation : un apprenant devrait finir par trouver l'objectif évidemment vrai, pas seulement familier.
Le pari de conception
Chaque produit de tutorat parie sur la nature du goulot d'étranglement. La plupart parient sur la qualité de l'explication et investissent dans de meilleures réponses. LearnHarness parie sur le diagnostic, ce qui veut dire qu'il passe les dix premières minutes de l'utilisateur à poser des questions.
C'est un pari coûteux. Les gens qui ouvrent un tuteur veulent généralement qu'on leur explique, et un produit qui répond par un diagnostic ressemble à un retard. La contre-argumentation est que l'explication est désormais presque gratuite et n'est donc plus la contrainte. N'importe qui obtient en deux secondes une explication correcte de la règle de la chaîne. Ce que personne n'obtient à bon marché, c'est le diagnostic correct de la raison pour laquelle cette règle a cessé d'être claire à la troisième étape, souvent une chose plus ancienne sur la composition qui n'a jamais été solide.
Une carte de dépendances est le mécanisme qui permet de trouver cette chose plus ancienne. Elle explique aussi pourquoi le plan doit être visible et révisable : si le diagnostic est faux, la carte est fausse, et l'utilisateur est le seul à pouvoir le dire.

Pourquoi la persistance compte
Le graphe de connaissances traverse les sessions. Isolé, cela ressemble à une ligne dans une liste de fonctionnalités. En pratique, cela change ce que le produit peut être, parce qu'un tuteur qui se souvient est un tuteur qui peut éviter de réenseigner et revenir exprès sur un point.
Il crée aussi le problème le plus difficile de la catégorie. Le contexte d'un modèle ne persiste pas tout seul. La persistance signifie que quelque chose stocke une affirmation structurée sur ce que vous savez, et cette affirmation devient un document sur une personne. Le dépôt ne s'y attarde pas. Quiconque construit pour des écoles devra le faire.
L'exigence du bureau est liée. L'application accepte des fichiers, des PDF, des photos, tout ce qu'on peut glisser ou joindre avec le trombone, et le fichier reste en local au lieu d'être envoyé à un service. Voilà pourquoi elle sort en application de bureau plutôt qu'en page web. Le bon calcul dépend de ce que vous pensez des scans de manuel d'un élève, et de s'ils appartiennent au serveur de quelqu'un.
L'entrée comprend aussi la dictée et des champs de réflexion en texte libre, où vous expliquez votre raisonnement, vos incertitudes et vos réactions avec vos mots. C'est le mécanisme derrière la moitié "comment vous raisonnez" du discours. Sans lui, l'agent ne voit que le juste et le faux, le signal le moins informatif qu'un tuteur puisse avoir.
L'économie explique pourquoi c'est possible
Il y a deux ans, un produit qui passait les dix premières minutes de chaque session à poser des questions de diagnostic aurait été commercialement impossible. L'inférence coûtait cher, et la curiosité était ce qu'on facturait.
Aujourd'hui le coût marginal d'une question est proche de zéro, et la contrainte s'est déplacée. Ce qui manque, c'est la structure qui transforme une conversation en séquence avec un début et une fin, et elle vient d'un choix de conception sur ce qu'il faut demander et quand arrêter de demander, pas d'une capacité de modèle.
Ce déplacement explique le flot d'outils d'apprentissage dans les listes de tendances ce mois-ci. Les modèles sont devenus assez bons pour tenir un diagnostic, et le harness, la partie qui décide de l'ordre des opérations et se souvient de ce qui s'est passé, est devenu le produit. Les quatre étapes de LearnHarness sont une prise de position sur l'endroit où se trouve la valeur, et cette position est qu'elle se trouve dans la séquence, pas dans les réponses.
Ce que ça ne résout pas
Aucune donnée de résultat. Le dépôt décrit une méthode, pas une étude. Pas de comparaison avec une base de référence, pas de mesure de rétention, aucune preuve qu'une leçon diagnostiquée batte une bonne explication écrite pour un adulte motivé. La technologie éducative a une longue histoire de mécanismes plausibles et de résultats décevants, et celle-ci arrive avec la même absence de preuve que tout le reste de la catégorie.
La qualité du diagnostic est bornée par le modèle. Si les questions de l'agent sont mal choisies, la carte est bâtie sur du bruit et toute la session hérite de l'erreur. L'étape de réparation, celle où les confusions sont traitées avant d'avancer, est exactement l'endroit où un modèle faible se dégrade en paroles rassurantes.
La structure en quatre étapes peut aussi ressembler à une friction pour un expert. Quelqu'un qui sait ce qui lui manque veut la pièce manquante précise, pas une carte de dépendances. La réponse du produit serait sans doute que les experts ne sont pas la cible, ce qui est une bonne réponse et rétrécit le marché.
Ce qui mérite d'être copié
Enlevez la marque et il reste une idée transférable : mettre la mesure avant l'instruction, et faire en sorte que la mesure oblige l'apprenant à produire un raisonnement au lieu de choisir une réponse.
Cela marche en dehors du tutorat. Des outils de revue de code qui demandent ce que vous attendiez avant de montrer le diff. Un onboarding qui demande à une nouvelle recrue de prédire le comportement d'un système avant de le documenter. Une formation commerciale qui teste l'objection que vous ne savez pas traiter plutôt que l'argumentaire que vous savez réciter. Dans chaque cas la partie coûteuse est de savoir où est le trou, et dans chaque cas la conception par défaut saute droit au support.
LearnHarness est à 9,200 stars, ce qui, pour une application de bureau d'éducation sans marketing de version gratuite, est un signal fort que le cadrage par le diagnostic résonne. La méthode est ancienne. La mettre devant un agent capable de mener le diagnostic, de tenir la carte entre les sessions et d'adapter l'exercice est assez nouveau pour valoir un coup d'œil.
Articles associés
74 % : le chiffre qui décidera des trois prochaines années
Chez Nvidia, un point de marge brute vaut 3 milliards. À 74 %, puis 71 %, ce n'est pas une crise : c'est le chiffre qui dira si le marché croit encore au récit.
Trente-trois ans sans préparer de successeur
Un chasseur de têtes le dit sans détour : personne chez Nvidia n'a dirigé des milliers de personnes. La crise n'est pas le scandale, c'est l'organigramme.
99 milliards chez ses propres clients, et un nom technique embarrassant
Plus de 99 milliards investis chez ses propres clients. Lucent et Cisco l'ont fait avant elle, et l'histoire s'est mal terminée. La différence, cette fois, tient à un détail.
175 000 signatures, et un conseil qui compte autrement
175 000 signatures, dont 7 500 salariés, réclament le retour de Huang. Le conseil, lui, sait qu'une enquête non conclue rend tout retour impossible avant des mois.