AI Enabled Automated Student Q&A Tool: Prof Notes AI
Notice bibliographique
Résumé
Engineering students often face delays in getting their questions answered, whether technical or syllabus-related, as professors are occupied with extensive academic and administrative tasks. This leads to gaps in understanding and a lack of immediate support. Students prefer answers to their questions to be linked to their professor’s notes rather than navigating through excess information, which hinders self-directed learning and the effective use of visual aids. Core engineering and science courses, or any other course that can be deterministic in nature, are well-suited for automated-learning tools that deliver precise answers, unlike open-ended design courses which may have multiple possible answers. This work explores whether an AI-driven tool, with content based on professors’ notes and course outlines, can improve students' learning outcomes by providing immediate and relevant answers. The system, Prof-Notes AI, is a full-stack application that categorizes student queries as either technical or syllabus-related and fetches relevant content, including equations, illustrations, and videos. The frontend, developed using React and JavaScript, provides a user-friendly interface, while the Python-based backend integrates AI frameworks such as GPT models, Llama, and Pinecone vector databases to retrieve contextually relevant information. The system leverages Google App Engine and Firebase for real-time data flow, and a caching system is used to optimize performance and reduce AI computational costs. Security measures, including authentication and data encryption, ensure user data protection. User testing demonstrated that linking answers directly to professor notes significantly improved response relevance compared to generic resources. While many students found Prof-Notes AI a reliable study tool, feedback highlighted challenges in handling complex queries and barriers to adoption due to reliance on alternative resources. However, students appreciated the seamless experience across devices, including mobile phones and laptops. Future updates will focus on enhancing active learning, allowing students to engage in interactive discussions with the AI model. A targeted marketing strategy is essential to raise awareness and integrate the tool into students’ learning routines, positioning Prof-Notes AI as a fundamental resource for self-directed learning in engineering education.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,054 | 0,026 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».