Auto-apprentissage à partir de ses références

Transformez un texte de votre choix en une leçon à jouer seul, sans enseignant. Deux voies mènent au même type de leçon : en conversation avec votre assistant, par les outils MCP (un quart d'heure, sans terminal), ou avec les outils de dossier en ligne de commande (30 à 45 minutes, avec la main sur chaque étape). Le skill studium-self-learner guide un assistant dans la voie en ligne de commande.

L'exemple est Émile Durkheim, Les Règles de la méthode sociologique, chapitre I, « Qu'est-ce qu'un fait social ? », sur Wikisource. Le texte est dans le domaine public ; les ajouts propres au site (notes, mise en page) suivent la licence de Wikisource. Pour une autre source, vérifiez d'abord sa licence : un PDF d'éditeur ou une licence NC, ND ou inconnue restreint ce que vous pouvez faire de la leçon.

Vous formulez l'objectif, fournissez la source, relisez le plan proposé et jouez la leçon. L'assistant extrait les passages, rédige le plan et les scènes avec des citations exactes, et lance les vérifications.

Voie 1 : en conversation (MCP)

Le serveur Studium étant connecté à votre assistant (Connecter son harnais), envoyez :

Je veux apprendre avec Studium ce qui distingue un fait social d'un fait individuel selon Durkheim, et savoir l'appliquer à un exemple nouveau. Récupère le chapitre I des Règles de la méthode sociologique sur Wikisource (domaine public) et construis une leçon en français. Privilégie les scènes où j'écris (explain_back, comparison, summary_audit), avec au plus un quiz. Montre-moi le plan sans les réponses.

L'assistant suit alors les étapes d'Apprendre un sujet en conversation :

Étape Outil Ce que vous voyez
Lire la consigne get_authoring_guide {language: "fr"} L'assistant demande votre objectif si vous ne l'avez pas donné
Découper la source en passages prepare_sources avec {title, text, url, license: "public-domain"} Des passages aux identifiants du type p:<source>:1
Vérifier et écrire la leçon create_lesson Le plan (sans clé) et l'avis d'autorat
Jouer start_lesson_session, submit_response, rate_recall Un écran à la fois, avec vos mots

L'assistant récupère la page avec son propre outil web ; Studium ne la télécharge jamais. Un jeu de sources compte au plus 20 sources et 200 000 caractères au total : un chapitre entier y tient. Chaque citation doit correspondre à son passage au caractère près, sinon create_lesson refuse le brouillon et l'assistant le corrige. La leçon est écrite dans votre bibliothèque (~/.studium/library/<course_id>/lesson.json) et marquée « rédigée par l'IA, non vérifiée par un enseignant ».

Voie 2 : avec les outils en ligne de commande

Cette voie demande l'environnement Python de l'installation. Lancez les commandes depuis la racine du dépôt et choisissez un dossier de travail neuf :

WORK="$HOME/studium-auto-etude"

Extraire les passages

.venv/bin/python tools/experience_packet.py passages \
  --url "https://fr.wikisource.org/wiki/Les_R%C3%A8gles_de_la_m%C3%A9thode_sociologique/Chapitre_1" \
  --title "Les Règles de la méthode sociologique, chapitre I" \
  --license public-domain --out "$WORK/passages.json"

--html FICHIER, --pdf FICHIER ou --text FICHIER remplacent --url ; --min-chars (200 par défaut) et --max-chars (1200 par défaut) bornent la taille des passages. La sortie est une enveloppe inerte (origin: "self-study-passages/1.0") : ce sont les seuls textes que la leçon pourra citer. Sur une page Wikimedia, la commande ignore navigation, pied de page et catégories ; un paragraphe trop court est fusionné avec ses voisins, et dropped_short compte ce qui a tout de même été écarté. Parcourez les passages : un passage parasite (métadonnées du site, appel de note isolé) peut simplement rester non cité. S'il y en a beaucoup, repartez d'un fichier texte nettoyé avec --text.

Préparer le dossier d'auteur

.venv/bin/python tools/experience_packet.py prepare --passages "$WORK/passages.json" \
  --title "Qu'est-ce qu'un fait social ?" --target "Autodidacte, niveau licence" \
  --out "$WORK/packet"

Le dossier contient evidence.json, author-task.md et response.schema.json. Comme l'enveloppe vient de passages, prepare écrit la consigne d'auto-apprentissage et préfixe les identifiants de preuve par passage: (--self-study impose cette consigne pour une enveloppe d'une autre origine). prepare refuse une destination non vide et n'a pas d'option --force.

Faire rédiger l'assistant

Lis author-task.md, evidence.json et response.schema.json du dossier. Mon objectif : savoir dire ce qui distingue un fait social d'un fait individuel selon Durkheim, et l'appliquer à un exemple nouveau. Écris author-response.json en français (language: "fr"), avec des citations exactes et leurs identifiants de preuve. Privilégie les scènes où j'écris ; au plus un quiz. Garde status: draft et validated_by: null. Montre-moi ensuite le plan sans les réponses attendues.

Relisez le plan et demandez les corrections utiles. N'ouvrez pas author-response.json vous-même : il contient déjà les réponses attendues. Son champ learning_workflow_graph est facultatif : bundle dérive le graphe des prerequisites de chaque notion.

Vérifier le brouillon

.venv/bin/python tools/experience_packet.py check --packet "$WORK/packet" \
  --response "$WORK/author-response.json" --out "$WORK/courses/durkheim-fait-social"

Une citation qui n'est pas une sous-chaîne exacte de son passage produit une ERROR : l'assistant corrige le brouillon, jamais la preuve. --json produit un rapport lisible par une machine ; --force remplace une sortie existante. La ligne Key classes: range les scènes selon qui détient leur clé :

Classe Types de scène Ce que cela veut dire ici
ungraded intro, concept, meta_checkpoint Rien n'est évalué
author_keyed quiz, spot_the_flaw La clé est écrite par celui qui répond : livre ouvert
production explain_back, comparison, summary_audit, prompt_practice, communication_sim, discussion, ai_critique Vous écrivez un texte ; sans juge modèle, vous le comparez à la référence et notez votre rappel
externally_grounded reproduction Évaluée d'après une exécution attestée ; un texte de sociologie n'en fournit pas

Construire et contrôler la leçon

.venv/bin/python tools/experience_packet.py bundle --course "$WORK/courses/durkheim-fait-social" \
  --out "$WORK/bundles/durkheim-fait-social/lesson.json" --self-study \
  --note "Étude personnelle du chapitre I, Wikisource"

--self-study inscrit metadata.authoring = {mode: "self_study", author_is_learner: true, note} et validated_by: "SELF-STUDY — not teacher-validated". Le bundle est un squelette : l'assistant remplace chaque texte TODO: à partir des passages (choix du quiz, points clés et leurs 2 à 4 indices courts cues, réponses modèles). Dans une scène summary_audit, chaque entrée de flaws_expected est un défaut planté : une seule formulation par défaut, chacun nommé dans model_correction. Validez puis lancez le lint :

apps/lesson-mcp/node_modules/.bin/tsx tools/bundle_validate.ts "$WORK/bundles/durkheim-fait-social/lesson.json"
node tools/bundle_lint.mjs "$WORK/bundles/durkheim-fait-social/lesson.json"
Ligne du lint Sens
INFO self_study_authoring La leçon se déclare auto-rédigée
WARN self_study_open_book Liste les scènes author_keyed : le quiz est à livre ouvert
INFO lwg_single_graded_item / WARN lwg_prereq_unassessable Une notion n'a qu'une scène, ou aucune, évaluée par une clé : attendu avec surtout des scènes de production
WARN concept_few_recall_questions Une notion a moins de deux quiz qui lui sont propres : un apprenant qui dit « je le sais » de cette notion reçoit une question de contrôle, ou aucune, au lieu de deux
WARN self_study_no_external_key Aucune scène de production ni de reproduction : en ajouter une plutôt qu'ignorer l'avertissement

Une ERROR fait échouer la commande et doit être corrigée. Les règles pour compléter un squelette sont dans Rédiger une leçon.

Jouer la leçon

N'ouvrez ni plan.json ni lesson.json avant de jouer : la clé y est en clair. Le serveur retire les réponses attendues de ce qu'il affiche, mais ne peut pas effacer ce que vous avez déjà lu.

Pour jouer avec votre assistant, copiez la leçon dans votre bibliothèque (~/.studium/library, ou <STUDIUM_HOME>/library), que le serveur consulte toujours :

mkdir -p "$HOME/.studium/library" && cp -R "$WORK/bundles/durkheim-fait-social" "$HOME/.studium/library/"

Demandez ensuite : « Démarre la leçon Studium durkheim-fait-social/lesson.json. » Dans VS Code, réglez studium.bundlesRoot sur le chemin complet de votre dossier bundles et lancez Studium : Choisir un cours. Le premier écran affiche l'avis d'une leçon rédigée par l'apprenant :

Leçon auto-rédigée : les quiz et les défauts à repérer ont une clé écrite par l'apprenant (livre ouvert). Sans juge modèle, les scènes de production ne sont pas évaluées : compare ta réponse à la référence affichée et note ton rappel […]

Répondez avec vos mots, comme dans la première séance. Après une réponse évaluée, quand la leçon avance, le retour montre la référence et le passage cité par la scène.

Ce que cette leçon n'est pas

  • Une leçon validée. Aucun enseignant ne l'a relue. Des citations exactes et un schéma valide ne garantissent pas l'interprétation ; vérifiez les affirmations centrales dans le texte lui-même.
  • Une évaluation, sans juge modèle. Avec LITELLM_BASE_URL vide (le défaut), les scènes de production montrent la référence et vous demandent de noter votre rappel ; cette note règle les révisions et ne fait jamais bouger la maîtrise. Seules les questions à clé, comme le quiz, la font bouger. Un juge modèle est une voie payante, à décider avant de l'activer (Configuration).
  • Une contribution partagée. La leçon reste dans votre bibliothèque et rien n'est envoyé à d'autres apprenants. Une leçon destinée à des étudiants passe d'abord par la relecture d'un enseignant (règle 003) : voir Contributions des apprenants.

Voir la source de cette page sur GitHub