Πώς κάνουμε έναν προσομοιωμένο μαθητή να συμπεριφέρεται σαν πραγματικός μαθητής;

Αυτόματη μηχανική μετάφραση αυτής της αγγλικής σελίδας, που δεν έχει ακόμη ελεγχθεί από φυσικό ομιλητή.

Έχετε μια επίδειξη την Πέμπτη. Ο προσομοιωμένος μαθητής σε αυτήν χάνει ένα πρόβλημα κλασμάτων, παίρνει μία υπόδειξη, και μετά παράγει τη σωστή απάντηση με τη σωστή εξήγηση. Κάποιος στην αίθουσα ρωτά γιατί ένας μαθητής που δυσκολεύεται θα το έκανε αυτό, και δεν έχετε απάντηση.

Πριν από την επόμενη επίδειξη, χρειάζεστε τόσο καθαρά αυτό: το να ζητάτε από ένα μοντέλο να παίξει έναν μαθητή παράγει τον ήχο ενός μαθητή. Αυτό που παράγει τη συμπεριφορά είναι ένας περιορισμός στο τι γνωρίζει ο προσομοιωτής, δομή στις ανταλλαγές, και επικύρωση απέναντι σε αρχεία πραγματικών μαθητών. Μόνο το 3% των μελετών που προσομοιώνουν μαθητές επικυρώνουν τον προσομοιωτή τους μετά τη χρήση, οπότε κανείς δεν θα το ελέγξει για εσάς.

Η σύντομη εκδοχή

1. Γράψτε ποιους μαθητές δεν προσομοιώνετε, και βάλτε αυτή την πρόταση εκεί όπου θα τη διαβάσουν οι χρήστες σας.

2. Ελέγξτε το επιστημικό επίπεδο, όχι το κείμενο. Ρωτήστε τι λέει ο προσομοιωτής μετά από μια διόρθωση.

3. Περιορίστε τη γνώση σκόπιμα: προσδιορίστε το επιστημικό επίπεδο, ή αφαιρέστε τη γνώση.

4. Σενάριοποιήστε την αλληλεπίδραση ανταλλαγή προς ανταλλαγή. Μια καλύτερη προτροπή προσωπικότητας δεν διορθώνει τη μετατόπιση.

5. Βαθμολογήστε τη συμπεριφορική πιστότητα και την ανταποκρισιμότητα στην καθοδήγηση χωριστά, απέναντι σε αρχεία πραγματικών μαθητών.

Αποφασίστε σε ποιο ερώτημα απαντά ο προσομοιωτής

Τρεις δουλειές συνθλίβονται κάτω από τον όρο «προσομοιωμένος μαθητής», και χρειάζονται διαφορετικό μηχανισμό. Η πρόβα ενός εκπαιδευτικού ή ενός διδάσκοντα χρειάζεται έναν συνομιλητή που συμπεριφέρεται πειστικά υπό πίεση. Ο έλεγχος του πώς αντιμετωπίζει μια ΤΝ διαφορετικά μαθησιακά προφίλ χρειάζεται κάλυψη των προφίλ που σας ενδιαφέρουν. Η πρόβλεψη αποτελεσμάτων για ένα μάθημα χρειάζεται κατανομή μαθητών και όχι έναν πειστικό μεμονωμένο άνθρωπο. Ένας προσομοιωτής φτιαγμένος για την πρώτη δουλειά θα σας απογοητεύσει στην τρίτη, και τα στοιχεία παρακάτω τα διαχωρίζουν συνεχώς.

Ονομάστε τους μαθητές που δεν καλύπτετε

Το πιο χρήσιμο εύρημα για όποιον πρόκειται να εμπιστευτεί έναν προσομοιωτή αφορά την κάλυψη. Δώδεκα εκπαιδευτικοί που δίδαξαν μαθητές LLM ανέφεραν υπερβολικά σύνθετη γλώσσα, απουσία συναισθήματος, αφύσικη προσοχή και ανεξήγητα άλματα γνώσης, και οι προσομοιώσεις αναπαριστούσαν μόνο ένα από τα τέσσερα τεταρτημόρια πραγματικής συμπεριφοράς μαθητών (Martynova και συν., 2026). Το τεταρτημόριο που κάλυπταν ήταν το ευκολότερο να προσομοιωθεί.

Αυτό έχει σημασία επειδή σχεδόν κανείς δεν ελέγχει. Μόνο το 3% των μελετών που προσομοιώνουν μαθητές επικυρώνουν τον προσομοιωτή τους μετά τη χρήση. Αν φτιάξετε έναν και παραλείψετε την επικύρωση, είστε στη συντριπτική πλειοψηφία, και είστε επίσης ο λόγος που αυτό το στατιστικό μένει αξιοπαραθέσιμο.

Περιορίστε τι γνωρίζει ο προσομοιωτής

Ένα ικανό μοντέλο δεν μπορεί εύκολα να προσποιηθεί τον μερικώς γνώστη. Η έρευνα το ονομάζει παράδοξο ικανότητας: μοντέλα ευρέως ικανά, όταν τους ζητείται να μιμηθούν μαθητές με μερική γνώση, παράγουν μη ρεαλιστικά μοτίβα λαθών και μη ρεαλιστική δυναμική μάθησης.

Η μετατόπιση έχει κατεύθυνση, και δείχνει προς τους μαθητές που έχουν τη μεγαλύτερη ανάγκη προσομοίωσης. Απέναντι σε ιδέες μαθητών από 49 μαθήματα φυσικών επιστημών ευθυγραμμισμένα με τα NGSS, έξι μοντέλα κράτησαν τις περισσότερες ιδέες μέσα στο αναμενόμενο εύρος γνώσης και περίπου τα δύο τρίτα στο ή κάτω από το επίπεδο ανάγνωσης-στόχο, και μετά υπερέβησαν ακριβώς εκεί όπου ο μαθητής ήταν νεότερος. Οι ιδέες δημοτικού και γυμνασίου υπερέβαιναν συχνότερα το εύρος γνώσης και το επίπεδο ανάγνωσης της τάξης-στόχου, και το σώμα έκλινε προς ευρύτερο συλλογισμό, περισσότερο τεχνικό λεξιλόγιο και λιγότερους δείκτες αβεβαιότητας («ίσως», «φαίνεται») από τις πραγματικές ιδέες των μαθημάτων (Nguyen και Cao, 2026).

Δύο σημειώσεις από αυτή τη μελέτη. Η επιλογή μοντέλου δεν είναι μονοδιάστατη, αφού ένα σύστημα που ταιριάζει στενά με τις ιδέες του μαθήματος μπορεί ακόμη να τις τοποθετεί πάνω από την τάξη. Και η διόρθωση είναι συχνά διδακτική: μια ρητή επαναδιατύπωση προτροπής στο επίπεδο τάξης επανέφερε τα περισσότερα μοντέλα στο εύρος.

Προσδιορίστε το επίπεδο, ή αφαιρέστε τη γνώση

Αν το μοντέλο γνωρίζει πολλά, μπορείτε να ονομάσετε το επίπεδο στο οποίο πρέπει να βρίσκεται ή να αφαιρέσετε τη γνώση που δεν πρέπει να έχει.

Εξαρτήστε το από ένα επιστημικό επίπεδο. Ένα πλαίσιο χωρίς εκπαίδευση χτίζει το γνωστικό πρωτότυπο κάθε μαθητή από έναν γράφο γνώσης και βαθμολογεί υποψηφίους δέσμης αναζήτησης απέναντί του, αναφέροντας βελτίωση 100% στην ακρίβεια προσομοίωσης (Wu και συν., 2025). Η ποιότητά του ανεβαίνει με το γνωστικό επίπεδο του μαθητή, οπότε οι ασθενέστεροι μαθητές μένουν η δυσκολότερη περίπτωση, που είναι άβολο δεδομένου ότι συνήθως αυτοί είναι το ζητούμενο. Η μοντελοποίηση γνωστικής δυναμικής και όχι στατικής προσωπικότητας πάει μακρύτερα: οι ενημερώσεις κατάστασης του CogEvolution βασισμένες στο ICAP έφτασαν R²LC = 0,92 εκεί όπου στατικοί πράκτορες φτάνουν 0,45, και κατέρρευσαν στο 0,58 χωρίς τη μονάδα ICAP του (Zhang και συν., 2026).

Αφαιρέστε τη γνώση. Η καταστολή 16 στοχευμένων συστατικών γνώσης στο Mistral-7B έριξε την ακρίβεια από περίπου 0,75 σε αναλογία λήθης 10% σε κάτω από 0,5 στο 40%, ενώ το βασικό μοντέλο κρατιόταν κοντά στο 0,85. Η κατασταλμένη γνώση αποδείχθηκε ανακτήσιμη μέσω εποπτευόμενης επανεκμάθησης και διαλόγου με καθοδήγηση (Song, Guo και Lin, 2026). Αυτό είναι το πλησιέστερο πράγμα στην κατασκευή ενός αρχάριου από το μηδέν, και η ανακτησιμότητα γίνεται πλεονέκτημα αν θέλετε ο προσομοιωτής να μαθαίνει κατά τη διάρκεια μιας συνεδρίας.

Σενάριοποιήστε τις ανταλλαγές, όχι την προσωπικότητα

Η σταθερότητα της προσωπικότητας αποδεικνύεται πρόβλημα σχεδιασμού αλληλεπίδρασης και όχι επιλογής μοντέλου. Διασταυρώνοντας πέντε LLM με τρεις σχεδιασμούς προτροπής και τέσσερις προσωπικότητες έντασης ΔΕΠΥ, οι σεναριοποιημένες αλληλεπιδράσεις αγκυρωμένες σε εργασία εξάλειψαν τη μετατόπιση συμπεριφοράς που αξιολογούν παρατηρητές, έως και κατά 97% απέναντι σε μη σεναριοποιημένο διάλογο. Χωρίς ρητές οδηγίες προσωπικότητας, η βασική αναπαράσταση μαθητή έγερνε προς υψηλά συμπτώματα ΔΕΠΥ (Gonnermann-Müller, Haase και Leins, 2026).

Αν ο προσομοιωτής σας μετατοπίζεται, κοιτάξτε τι του ζητάτε να κάνει ανταλλαγή προς ανταλλαγή πριν αλλάξετε μοντέλο ή ξαναγράψετε την περιγραφή του μαθητή.

Βαθμολογήστε δύο πράγματα, όχι ένα

Το StudentSim απαιτεί δύο ιδιότητες να ισχύουν μαζί: συμπεριφορική πιστότητα, δηλαδή πόσο καλά ταιριάζει ο προσομοιωτής τις απαντήσεις του ίδιου του μαθητή, και ανταποκρισιμότητα στην καθοδήγηση, δηλαδή πόσο αξιόπιστα ενημερώνεται προς εκεί όπου οδηγεί η καθοδήγηση του διδάσκοντα. Το σημείο αναφοράς του μετατρέπει δημόσια σώματα μαθητών (σκάκι, γραφή αγγλικών ως δεύτερης γλώσσας, μαθηματικά) σε πρωτόκολλο ανά μαθητή πάνω στο οποίο κάθε προσομοιωτής προσαρμόζεται και βαθμολογείται σε δεδομένα εκτός δείγματος. Η παρακολούθηση κατάστασης ειδικής για το πεδίο βγήκε αδύναμη στην ανταποκρισιμότητα, και το παιχνίδι ρόλων LLM μόνο με προτροπή βγήκε αδύναμο στην πιστότητα (Yang και συν., 2026). Ένας προσομοιωτής μπορεί να περάσει το ένα τεστ και να αποτύχει στο άλλο, οπότε αναφέρετε και τα δύο.

Ως απόδειξη της ιδέας, ένα παγωμένο StudentSim που χρησιμοποιήθηκε ως ανταμοιβή σε βρόχο ενισχυτικής μάθησης για διδασκαλία σκακιού παρήγαγε διδάσκοντες που οι ειδικοί βαθμολόγησαν ως ακριβέστερους, καλύτερα καθοδηγημένους και πιο εξατομικευμένους από εκείνους που εκπαιδεύτηκαν απέναντι σε ανταμοιβή από προσομοιωτή LLM αιχμής ή χωρίς καθόλου ενισχυτική μάθηση. Ένας καλός προσομοιωτής μπορεί να είναι το σήμα εκπαίδευσης όσο και η μέτρηση.

Η πιστότητα στο επίπεδο δράσης έχει το δικό της όριο. Οι προσομοιωτές μαθητών αναπαράγουν παρατηρήσιμες δράσεις χωρίς τον λανθάνοντα συλλογισμό πίσω τους, και το INSIDE προσαρμόζει μοντέλα ώστε να παράγουν εσωτερικό διάλογο πριν από κάθε δράση, φτάνοντας την υψηλότερη ευθυγράμμιση ανάμεσα στον παραγόμενο συλλογισμό και τις πραγματικές αλλαγές κώδικα στο 51,8% σε οικεία προβλήματα και 57,9% σε αόρατα, χωρίς να χάσει την πιστότητα δράσης (Niousha και συν., 2026). Αν σας νοιάζει γιατί ο προσομοιωμένος μαθητής σας έκανε κάτι, το ταίριασμα της δράσης δεν αρκεί.

Επικυρώστε απέναντι σε πραγματικούς μαθητές και αναφέρετε τη βάση σύγκρισης

Δύο συγκρίσεις δείχνουν τι κοστίζει η επικύρωση.

Η σύγκριση εννέα μεθόδων προσομοίωσης απέναντι σε επτά μετρικές βασισμένες σε αναφορά σε 382 διαλόγους εκτός δείγματος από το μεγαλύτερο δημόσιο σώμα πραγματικών διαλόγων μαθητή και διδάσκοντα στα μαθηματικά, έδειξε ότι η προτροπή υστέρησε της προσαρμογής στις πράξεις διαλόγου (0,4998 έναντι 0,6840), στο ROUGE-L (0,1648 έναντι 0,3212) και στη συνημιτονική ομοιότητα (0,5460 έναντι 0,7390). Η καλύτερη μέθοδος που δοκιμάστηκε, βελτιστοποίηση προτίμησης σε μοντέλο 8B, ξεπέρασε την εποπτευόμενη προσαρμογή μόνο οριακά και ήταν χειρότερη στα λάθη, και μια ανθρώπινη αξιολόγηση με τρεις διδάσκοντες αναπαρήγαγε αυτή την κατάταξη (Scarlatos και συν., 2026). Η κορυφή αυτής της σκάλας κάθεται κοντά στη μέση, οπότε η βάση σύγκρισης που αναφέρετε καθορίζει πόσο εντυπωσιακός φαίνεται ο δικός σας αριθμός.

Το SWIM είναι η καθαρότερη σύγκριση προτροπής, προσαρμογής και ενισχυτικής μάθησης, γιατί βαθμολογεί κάθε παραγόμενο δοκίμιο απέναντι σε προφίλ χαρακτηριστικών-στόχο και δεν το κρίνει εντυπωσιολογικά. Η προτροπή θεμελιωμένη σε ρουμπρίκα έδωσε περιορισμένο έλεγχο ακόμη και για ισχυρά ιδιόκτητα μοντέλα, με καλύτερο μέσο QWK χαρακτηριστικών 0,577 (Claude Sonnet) και 0,422 (GPT-5.4), και σχεδόν μηδέν για ένα ανοιχτό μοντέλο 7B. Η εποπτευόμενη προσαρμογή σε πραγματικά ζεύγη βαθμολογίας και δοκιμίου έφτασε 0,474 ± 0,023 για εκείνο το μοντέλο 7B. Το GRPO με ανταμοιβή προερχόμενη από αυτόματη βαθμολόγηση δοκιμίων έφτασε 0,618 ± 0,005, με τα κέρδη να κρατούν σε δύο ανεξάρτητους βαθμολογητές στους οποίους η πολιτική δεν εκπαιδεύτηκε ποτέ (SWIM: Student Writing Simulation via Proficiency-Conditioned Generation).

Η προτροπή παρήγαγε επίσης έναν εξιδανικευμένο πληθυσμό και όχι ρεαλιστικό: μέση κανονικοποιημένη συνολική βαθμολογία 0,74 έναντι 0,58 για πραγματικούς μαθητές, και διάμεσο μήκος 304 λέξεις έναντι 167. Τα εκπαιδευμένα μοντέλα ανέκτησαν τις ανθρώπινες κατανομές βαθμολογίας και μήκους χωρίς καμία εποπτεία στο μήκος. Ένα πράγμα έμεινε δύσκολο: η αυθεντική μορφή χαμηλής επάρκειας. Τα εκπαιδευμένα μοντέλα ανέκτησαν τη σύνταξη αλλά έγραψαν πολύ λίγα ορθογραφικά και γραμματικά λάθη, ενώ η προτροπή προσομοίωνε την αδυναμία μέσω επιφανειακής αλλοίωσης, με ορθογραφικά λάθη ψεκασμένα πάνω σε κατά τα άλλα επαρκή κείμενα.

Ο επιφανειακός ρεαλισμός είναι αδύναμο τεστ και προς τις δύο κατευθύνσεις. Σε τυφλή μελέτη, ειδικοί σχολιαστές χαρακτήρισαν εσφαλμένα 164 από 196 (83,7%) υποβολές Java παραγόμενες από LLM ως ανθρώπινες, επειδή τα λάθη ήταν λειτουργικά δυσδιάκριτα από αυθεντικά, και η ευθυγράμμιση με τα πραγματικά λάθη έπεφτε καθώς ανέβαινε η δυσκολία του προβλήματος (Keramati και συν., 2026). Σε επτά μοντέλα από 4B έως 120B παραμέτρους, οι προσομοιωτές γύριζαν στη σωστή απάντηση με σχεδόν ομοιόμορφους ρυθμούς όποια ανατροφοδότηση και αν έπαιρναν, οπότε η ομοιότητα εξόδου δεν λέει τίποτα για το επιστημικό επίπεδο πίσω της. Η εκπαίδευση απέναντι στο Selective Flip Score ανέβασε την πιστότητα έως και +0,56 (Do, Sonkar και Sachan, 2026).

Ελέγξτε αν μια περιγραφή θα αρκούσε

Πριν χτίσετε ένα σύνολο μαθητών, ελέγξτε τη φθηνότερη επιλογή. Για την αξιολόγηση μιας διαδικτυακής μαθησιακής εμπειρίας πριν ασχοληθούν οι μαθητές, την πρόβλεψη εγκατάλειψης και ολοκλήρωσης και την παροχή ανατροφοδότησης σχεδιασμού, ένας μόνο «περιγραφικός» διαδικτυακός πράκτορας που διατρέχει το μάθημα και παράγει πλούσια περιγραφή της εμπειρίας ξεπέρασε την άμεση προσομοίωση πληθυσμού μαθητών.

Οι προσομοιωμένοι μαθητές σε εκείνη τη σύγκριση έδειξαν πολύ μικρότερο εύρος συμπεριφοράς από πραγματικούς μαθητές: σε 100 πράκτορες σε πέντε δοκιμαστικά μαθήματα αναπαρήγαγαν μόνο περίπου το 4% των διαδρομών που πήραν πραγματικοί μαθητές, ενώ κόστιζαν σημαντικά περισσότερη υπολογιστική ισχύ. Η ροή περιγραφής και μετά πρόβλεψης πέτυχε την καλύτερη πρόβλεψη κατανομής εγκατάλειψης σε ένα τεράστιο παγκόσμιο μάθημα CS1, με μέση απόκλιση JSD 0,060 (Wang, Mitchell και Piech, 2025).

Το όριο που χαράσσει είναι πρακτικό. Η προσομοίωση κατανομής μαθητών μπορεί να είναι περιττή, ή αντιπαραγωγική, όταν ο στόχος είναι η πρόβλεψη αποτελέσματος ή η κριτική σχεδιασμού. Η προσομοίωση κερδίζει το κόστος της όταν η κάλυψη της πραγματικής ποικιλίας μαθητών έχει σημασία, όπως ο έλεγχος του πώς μια ΤΝ αντιμετωπίζει διαφορετικά προφίλ ή το να δοθεί σε έναν εκπαιδευτικό κάτι για πρόβα.

Τι κάνουν λάθος οι κατασκευαστές σε αυτό

Ο επιφανειακός ρεαλισμός είναι ο στόχος. Ποσοστό εσφαλμένης ταξινόμησης 83,7% για κώδικα γραμμένο από μηχανή και σχεδόν ομοιόμορφη αναστροφή απαντήσεων σε επτά μοντέλα λένε και τα δύο ότι ένας ανθρώπινος κριτής που διαβάζει την έξοδο δεν βλέπει την ιδιότητα που ισχυρίζεστε. Ελέγξτε την απάντηση σε μια διόρθωση αντ' αυτού.

Μια καλύτερη προτροπή προσωπικότητας διορθώνει τη μετατόπιση. Οι σεναριοποιημένες ανταλλαγές αγκυρωμένες σε εργασία έκοψαν τη μετατόπιση που αξιολογούν παρατηρητές έως και κατά 97% σε πέντε μοντέλα και τρεις σχεδιασμούς προτροπής. Ο σχεδιασμός των ανταλλαγών έκανε τη δουλειά.

Ένα ισχυρότερο βασικό μοντέλο κλείνει το χάσμα ικανότητας. Ένα ισχυρό ιδιόκτητο μοντέλο βαθμολόγησε 0,422 σε QWK χαρακτηριστικών υπό προτροπή ενώ ένα προσαρμοσμένο 7B έφτασε 0,474, και η ίδια σύγκριση έξι μοντέλων υπερέβη χειρότερα στα νεότερα επίπεδα τάξης. Η επιλογή μοντέλου ανταλλάσσει τον έναν άξονα πιστότητας με τον άλλο.

Επικύρωση σημαίνει ότι ένας συνάδελφος διάβασε ένα απομαγνητοφωνημένο κείμενο και του φάνηκε σωστό. Το αποτέλεσμα της Java δείχνει πόσο μακριά φτάνει αυτή η κρίση. Επικύρωση σημαίνει αρχεία εκτός δείγματος από πραγματικούς μαθητές και μια βάση σύγκρισης που μπορείτε να ονομάσετε.

Η προσομοίωση πληθυσμού είναι η διεξοδική επιλογή. Σε 100 πράκτορες οι προσομοιώσεις κάλυψαν περίπου το 4% των διαδρομών που πήραν πραγματικοί μαθητές, με σημαντικά υψηλότερη υπολογιστική ισχύ από τον περιγραφικό πράκτορα.

Τι θα σας αντιτείνουν

«Οι εκπαιδευτικοί δεν ξεχώρισαν τον προσομοιωτή μας από έναν μαθητή.» Στην τυφλή μελέτη της Java, ειδικοί σχολιαστές χαρακτήρισαν εσφαλμένα το 83,7% των μηχανικών υποβολών ως ανθρώπινες. Αυτό μετρά τους σχολιαστές, και αφήνει το επιστημικό επίπεδο ανεξέταστο.

«Η προσαρμογή είναι εκτός πεδίου για την ομάδα μας.» Τότε περιορίστε τον ισχυρισμό σε αυτό που υποστηρίζει η προτροπή, και πείτε το. Η προτροπή έθεσε οροφή 0,577 για το ισχυρότερο μοντέλο που δοκιμάστηκε και σχεδόν μηδέν για ένα ανοιχτό 7B, και παρήγαγε εξιδανικευμένη κατανομή βαθμολογίας.

«Δεν έχουμε πρόσβαση σε δεδομένα πραγματικών μαθητών.» Το πρωτόκολλο του StudentSim είναι χτισμένο από δημόσια σώματα μαθητών στο σκάκι, τη γραφή σε δεύτερη γλώσσα και τα μαθηματικά. Τα δημόσια δεδομένα περιορίζουν τι μπορείτε να ισχυριστείτε για τον δικό σας πληθυσμό, και σας δίνουν μια βάση σύγκρισης, που είναι το πράγμα που παραλείπουν οι περισσότερες αναφορές.

«Το GRPO ξεπέρασε την εποπτευόμενη προσαρμογή, άρα πρέπει να εκπαιδεύσουμε με ενισχυτική μάθηση.» Το έκανε, με 0,618 έναντι 0,474. Η μορφή χαμηλής επάρκειας έμεινε δύσκολη και στις δύο περιπτώσεις, με πολύ λίγα ορθογραφικά και γραμματικά λάθη, και σε ξεχωριστό σημείο αναφοράς η βελτιστοποίηση προτίμησης ξεπέρασε την προσαρμογή μόνο οριακά και έχασε στα λάθη. Ελέγξτε από ποια ιδιότητα εξαρτάται η περίπτωσή σας.

«Οι ασθενέστεροι μαθητές είναι μικρό κομμάτι των χρηστών μας.» Είναι η δυσκολότερη περίπτωση για κάθε μέθοδο σε αυτή τη σελίδα, και το εύρημα κάλυψης λέει ότι οι προσομοιώσεις συγκεντρώνονται στο ευκολότερο τεταρτημόριο. Αν ο προσομοιωτής σας θα χρησιμοποιηθεί για να βγουν συμπεράσματα για μαθητές που δυσκολεύονται, αυτό το κενό ανήκει στη γραπτή αναφορά.

Τι να κάνετε αυτή την εβδομάδα

1. Γράψτε την πρόταση κάλυψης: ποιους μαθητές δεν αναπαριστά αυτός ο προσομοιωτής. Βάλτε την στο README και στις σημειώσεις της επίδειξης.

2. Προσθέστε ένα τεστ στο σύνολό σας που διορθώνει τον προσομοιωτή και ελέγχει αν μένει λάθος.

3. Αντικαταστήστε την ελεύθερη συνομιλία προσωπικότητας σε μία ροή με ανταλλαγές αγκυρωμένες σε εργασία, και συγκρίνετε τη μετατόπιση.

4. Βαθμολογήστε έναν υπάρχοντα προσομοιωτή απέναντι σε πραγματικά αρχεία εκτός δείγματος και στην πιστότητα και στην ανταποκρισιμότητα, και αναφέρετε τους δύο αριθμούς χωριστά.

5. Τρέξτε τον έλεγχο του περιγραφικού πράκτορα στο ερώτημα που πραγματικά χρειάζεστε να απαντηθεί πριν χρηματοδοτήσετε ένα σύνολο μαθητών.

Πού να πάτε μετά

Η προσομοίωση μαθητών είναι η πλήρης εννοιολογική σελίδα. Η εξέταση του αν λειτουργεί η εκπαιδευτική ΤΝ καλύπτει την αξιολόγηση των συστημάτων που δοκιμάζετε απέναντι σε έναν προσομοιωτή, και η βελτίωση της ΤΝ στη στήριξη της μάθησης καλύπτει τις μεθόδους εκπαίδευσης πίσω από τα αποτελέσματα προσαρμογής εδώ. Η αντιμετώπιση κοινών παρανοήσεων για την ΤΝ στην εκπαίδευση εξετάζει αν οι προσομοιωμένοι μαθητές μπορούν να υποκαταστήσουν πραγματικούς μαθητές στην έρευνα.