Actuellement, la discussion et l'application des technologies d'intelligence artificielle dans l'enseignement des langues étrangères sont très dynamiques, et les grands modèles linguistiques offrent des facilités et une efficacité indéniables aux enseignants et aux étudiants. Cependant, en raison du grand nombre de paramètres, du temps d'entraînement long et des caractéristiques de boîte noire des réseaux neuronaux, les grands modèles linguistiques présentent des problèmes tels que la lenteur de la mise à jour des connaissances, un manque de connaissances spécialisées et des « hallucinations » dans les réponses, ce qui entraîne des risques et des incertitudes de fiabilité dans la production de connaissances en contexte pédagogique. La génération augmentée par récupération (Retrieval Augmented Generation, RAG) atténue efficacement le problème des « hallucinations » des grands modèles linguistiques en intégrant des connaissances externes et est devenue une technologie clé pour améliorer les capacités des grands modèles linguistiques. Cet article propose un système de questions-réponses amélioré par une connaissance multi-moteurs et multi-stratégies, combinant des connaissances en temps réel issues d’Internet, des données structurées représentées par des graphes de connaissances et des données privées non structurées représentant des documents locaux privés de l’utilisateur, ainsi que la puissante capacité de compréhension du langage naturel et les connaissances paramétrées déjà acquises des grands modèles linguistiques, appliqué de manière intégrée au système d’enseignement des langues étrangères. Le système répond aux questions rencontrées par les enseignants et les étudiants dans le processus d’apprentissage exploratoire, caractérisé par sa sécurité, sa fiabilité, la complétude et la précision des informations de référence mises à jour en temps réel. Les évaluations objectives et subjectives d’experts ont vérifié que le système possède une bonne fiabilité et efficacité.

grands modèles linguistiques; génération augmentée par récupération; graphes de connaissances; bases de connaissances hétérogènes multisources; questions-réponses en connaissances linguistiques étrangères