evidoria

← Retour à la liste

Bonne pratique Importée

Tutor CoPilot — Le Système Homme-IA de Stanford et FEV Tutor Améliore les Résultats du Soutien Scolaire en Mathématiques dans les Écoles « Title I »

États-Unis d'Amérique · Woburn · Voir le profil de États-Unis d'Amérique

Preuves: Essai contrôlé randomisé Top 5% 80/100 · Demandez à Evidence Copilot à propos de cette pratique

Un copilote IA de Stanford fournit des suggestions d'expert aux tuteurs de mathématiques. Un essai avec 900 tuteurs et 1 800 élèves « Title I » a montré un gain de maîtrise de 4 points, atteignant 9 points pour les tuteurs les moins expérimentés.

+4 pp
Gain de maîtrise, élèves avec tuteurs assistés par CoPilot (global)
+9 pp
Gain de maîtrise, élèves associés à des tuteurs moins bien notés
900
Tuteurs dans l'essai
1,800
Élèves d'écoles Title I dans l'essai
$20
Coût estimé par tuteur et par an
Tutor CoPilot — Le Système Homme-IA de Stanford et FEV Tutor Améliore les Résultats du Soutien Scolaire en Mathématiques dans les Écoles « Title I »

Détails

Maturité
Pilote
Promoteur
Stanford University (EduNLP Lab) & FEV Tutor
Période
2024
Mots-clés
K-12 tutoring, mathematics, human-AI collaboration, Title I schools

Contexte

Tutor CoPilot, développé par des chercheurs du laboratoire EduNLP de l'université de Stanford avec le fournisseur de tutorat virtuel FEV Tutor, fournit aux tuteurs humains des suggestions en temps réel, modélisées sur le comportement d'experts -- comme des questions exploratoires ou des façons de démonter une idée fausse -- pendant qu'ils encadrent des élèves en direct par chat, plutôt que de remplacer le tuteur.

Objectifs

L'outil vise à réduire l'écart entre tuteurs novices et experts en faisant apparaître, en cours de séance, le type de conseils qu'un tuteur expert donnerait, ciblant le soutien scolaire en mathématiques du primaire et du secondaire dans des écoles Title I à faibles revenus.

Activités

Un essai contrôlé randomisé préenregistré -- le premier du genre pour un système de tutorat humain-IA en direct -- a été mené auprès de 900 tuteurs et 1 800 élèves du primaire et du secondaire dans des écoles Title I, dans le cadre du programme de soutien scolaire virtuel en mathématiques d'un district scolaire du sud des États-Unis, comparant des tuteurs assignés de manière aléatoire à un accès à Tutor CoPilot à un groupe témoin sans cet accès.

Résultats

Les élèves dont les tuteurs avaient accès à Tutor CoPilot présentaient une probabilité supérieure de 4 points de pourcentage de maîtriser la matière par rapport au groupe témoin ; cet effet atteignait 9 points de pourcentage pour les élèves associés à des tuteurs moins bien notés, et l'analyse de plus de 350 000 messages de tutorat a montré que les tuteurs assistés par CoPilot posaient davantage de questions exploratoires et faisaient moins d'éloges génériques.

Conclusions

Avec un coût estimé à environ 20 dollars par tuteur et par an, les chercheurs présentent Tutor CoPilot comme un moyen peu coûteux de démultiplier l'expertise en tutorat et de réduire les écarts de qualité entre tuteurs, bien que l'essai ne couvre qu'un seul district et une seule matière, et que l'adéquation des suggestions de l'IA au niveau scolaire reste un domaine d'amélioration active.

Mise en œuvre
Coût indicatif
Faible (< 50 k€) — Researchers estimate roughly $20 per tutor per year, framed as a low-cost addition on top of an existing virtual-tutoring programme rather than a new capital investment.
Délai jusqu’aux résultats
Court (< 1 an) — The trial and its published results cover a single tutoring cycle (2024) within one district's programme -- a short, focused evaluation rather than a multi-year rollout.
Personnel et compétences
Stanford University EduNLP Lab researchers, FEV Tutor virtual tutors (900 in trial)

Conditions de réussite

  • a live chat-based tutoring platform that can surface AI suggestions to the tutor mid-session without disrupting the student-facing conversation
  • a preregistered randomised design with a genuine control group, allowing causal attribution of the mastery gain
  • targeting the intervention's benefit analysis at lower-rated tutors, where the largest gains were found, rather than assuming uniform benefit

Modes d’échec courants

  • the trial covers a single US Southern school district and one subject (maths), so generalisation to other subjects or districts is untested
  • grade-level appropriateness of AI suggestions is described as an active area of refinement, not yet solved

Vous portez cette pratique ? Revendiquez-la — les porteurs vérifiés obtiennent un contact public sur la page et peuvent proposer des corrections.

Sources de données

D'où proviennent les informations de cette pratique, et quand.

Pièces jointes

Pratiques similaires qui pourraient vous être utiles