02 / DE LA RECHERCHE AU PRODUIT
SOURCES CONSULTÉES · SEPTEMBRE 2026
S’inspirer des travaux.
Vérifier sur le terrain.
Quatre publications d’équipes chinoises, parfois en collaboration internationale, orientent nos choix. Chaque principe devient une hypothèse à tester pour Synapse.
01 / KNOWLPAAAI · 2026
Prévoir une autre voie quand l’apprentissage bloque.
KnowLP combine graphes de prérequis et de similarité. Ses essais sur jeux de données et simulateur motivent une piste pour Synapse : proposer des détours explicables, à vérifier en classe.
Jinan · Nanjing University of Science and Technology · South China Normal University · Griffith
Lire l’étude KnowLP ↗
02 / GIKTECML PKDD · 2020
Relier les exercices aux compétences.
GIKT exploite les relations entre questions, compétences et historique pour prédire une réponse. Pour Synapse, nous retenons l’importance de documenter les observations derrière un acquis. Une prédiction ne vaut pas une preuve de maîtrise.
Shanghai Jiao Tong University · University of Illinois Urbana-Champaign
Lire l’étude GIKT ↗
03 / XES3G5MNEURIPS · 2023
Soigner les données avant de complexifier le modèle.
Ce benchmark mathématique relie interactions, questions, contenus et structure des notions. Il inspire notre référentiel commun. Son domaine d’origine impose de vérifier toute transposition à d’autres matières.
Jinan · TAL Education Group · City University of Hong Kong · Michigan State
Lire la publication XES3G5M ↗
04 / PYKTNEURIPS · 2022
Comparer proprement avant d’annoncer un gain.
pyKT montre que les protocoles d’évaluation peuvent fausser les comparaisons, notamment par fuite d’information. Notre choix : comparer Synapse à des approches simples, puis mesurer l’apprentissage réel dans un pilote.
Jinan · TAL Education Group · Michigan State
Lire la publication pyKT ↗
Ces références éclairent la conception. Elles ne constituent ni un partenariat avec leurs auteurs, ni une validation de Synapse. Les modèles et les données de ces publications ne sont pas intégrés à la démonstration.