Cette étude a utilisé un modèle de langage à grande échelle (MLL) et l'algorithme word2vec pour surmonter les limites des études précédentes évaluant la compréhension de concepts scientifiques à travers des dessins d'enfants (contenu des images dépendant de la tâche et interprétation subjective par les chercheurs). Nous avons analysé 1 420 dessins d'enfants sur neuf thèmes scientifiques afin d'explorer la cohérence de leurs représentations d'images entre les thèmes et de proposer une norme pour les dessins scientifiques d'enfants. Les résultats ont confirmé la présence de cohérence dans la plupart des dessins, démontrant une forte similarité sémantique (généralement > 0,8). Cependant, nous avons également constaté un biais de cohérence, indépendant de la précision du LLM. Nous avons également analysé la corrélation entre des facteurs tels que la taille de l'échantillon, le niveau d'abstraction et la concentration, d'une part, et la cohérence des images et la précision de la reconnaissance du LLM, d'autre part, et examiné si ces facteurs reflétaient le contenu du cours. Les résultats ont confirmé que la précision de la reconnaissance du LLM était l'indicateur le plus sensible, et qu'elle était également liée à la taille de l'échantillon et à la similarité sémantique. De plus, nous avons constaté que la cohérence entre l'expérience pédagogique et les objectifs pédagogiques était un facteur important, de nombreux étudiants ayant tendance à se concentrer sur l'expérience elle-même plutôt que sur l'explication.
