Cette étude propose une méthode innovante pour générer des problèmes de physique isomorphes en utilisant des services d'IA générative comme ChatGPT, combinant chaînage de prompts et utilisation d'outils. L'approche permet un contrôle précis des variations structurelles telles que les valeurs numériques et les relations spatiales, tout en supportant des variations contextuelles diversifiées dans l'énoncé des problèmes. L'utilisation de l'interpréteur Python intégré facilite la validation automatique des solutions et la génération de diagrammes simples, surmontant ainsi les limitations principales des méthodes existantes basées sur les grands modèles de langage.
Les chercheurs ont généré deux banques de problèmes isomorphes exemplaires et ont comparé les résultats avec deux approches plus simples basées uniquement sur des prompts. Les résultats démontrent que le chaînage de prompts produit des sorties de qualité significativement supérieure et plus cohérentes que les méthodes non chaînées. L'étude montre également que les services d'IA générative peuvent être utilisés pour valider la qualité des problèmes isomorphes générés, assurant ainsi leur fiabilité pédagogique.
Cette méthode ouvre de nouvelles perspectives pour la création efficace et évolutive de contenu pédagogique accessible aux enseignants moyens, avec des applications prometteuses dans les tests adaptatifs personnalisés et le développement automatisé de matériel éducatif. La recherche contribue ainsi à l'avancement des technologies éducatives en physique tout en démontrant le potentiel pratique de l'IA générative dans des contextes pédagogiques spécialisés.