Conceptos
Simular estudiantes
Traducción automática de la página en inglés, todavía sin revisar por una persona hablante nativa.
Simular estudiantes — el uso de agentes basados en LLM para modelar el comportamiento, la cognición y la dinámica social de los estudiantes con fines de investigación educativa, diseño y formación. Los estudiantes simulados permiten a los investigadores evaluar enfoques pedagógicos, modelar perfiles diversos de estudiantes, probar IA educativa antes de su despliegue y formar docentes: tareas que resultan difíciles, lentas o éticamente restrictivas de realizar de forma sistemática con estudiantes reales.
Preguntas a considerar
- Si tuvieras que construir un «estudiante» de IA sobre el que practicar tu docencia, ¿qué lo haría convincente para ti — y por qué un sistema que siempre da la respuesta correcta podría ser en realidad un mal sustituto de un estudiante real?
- El desajuste entre las respuestas perfectas de una IA competente y las imperfectas de un estudiante real es la «paradoja de la competencia». ¿Dónde has observado esta tensión en tu propia experiencia con la IA, y qué crees que hace falta para que un aprendiz simulado sea genuinamente realista?
- ¿Cuáles son las razones éticas y prácticas por las que podrías preferir probar un sistema de tutoría o el currículo con estudiantes simulados en lugar de reales — y qué riesgos de validez sospechas que introduce ese intercambio?
- Un estudiante simulado puede ser «epistémicamente fiel» sin parecer superficialmente humano. Antes de continuar, ¿qué distinción imaginas entre una superficie creíble y un modelo veraz de lo que un estudiante realmente sabe?
- ¿Cómo decidirías si un hallazgo producido por estudiantes simulados merece la confianza suficiente como para cambiar la forma en que enseñas a personas reales?
Introducción
Los estudiantes simulados son una herramienta metodológica: agentes que sustituyen a estudiantes reales para que los sistemas de tutoría, los currículos y las estrategias de instrucción puedan evaluarse e iterarse sin reclutar cohortes de estudiantes humanos. Los grandes modelos de lenguaje han hecho este paradigma mucho más escalable y lingüísticamente realista que los estudiantes simulados basados en reglas que lo precedieron, al tiempo que introducen nuevos desafíos de validez.
Las aproximaciones mediadas por IA agudizan la pregunta central: a quién representa la simulación, y qué se supone que debe notar el docente. En la formación de docentes de matemáticas, los trabajos de estudiantes simulados basados en texto y los compañeros chatbot usados en el ensayo extienden las aproximaciones de la práctica que ya organizan la formación profesional. Un estudio de chatbot produjo cuatro perfiles de cuestionamiento distintos, pero las autoevaluaciones de los docentes en formación no se alinearon con la calidad de interacción que registraron los observadores, lo que convierte la retroalimentación automatizada posterior al ensayo —que incrementó las preguntas de sondeo y exploración— en una guía útil pero insuficiente. El simulador, el candidato y la retroalimentación deben leerse en conjunto. Lo que una simulación permite notar a un docente también está determinado por su diseño: en la intervención de tres semanas con el signo igual de Galiç et al. (2026) con 17 docentes de matemáticas en formación, los candidatos se movieron entre atender, interpretar y modelar en lugar de seguir una secuencia fija. Pero la configuración individual y basada en texto hizo que el modelado se colapsara en el cuestionamiento y el prompting, y un diseño centrado primero en las ideas erróneas orientó la atención hacia la detección de errores en lugar de las fortalezas del estudiante. El simulador elige la porción de enseñanza que un candidato llega a ensayar.
El ajuste fino supervisado por sí solo condiciona débilmente un simulador a la capacidad indicada en el prompt, porque su objetivo premia reproducir el texto de respuesta en lugar de vincular la calidad de la respuesta a la capacidad; Fernandez et al. (2026) alinean en cambio un simulador mediante optimización directa de preferencias sobre pares formados a partir de las brechas de capacidad IRT de los estudiantes, y en CodeWorkout ese emparejamiento supera todas las líneas base directas de predicción de dificultad y, a la escala de 1B, el simulador SMART en todas las métricas de dificultad, a la vez que produce respuestas más realistas desde el punto de vista distribucional.
Por qué simular estudiantes
-
Evaluar la pedagogía: probar enfoques de instrucción a través de muchos perfiles de estudiante de forma controlada y repetible.
-
Modelar estudiantes diversos: capturar la variación en niveles cognitivos, estilos de aprendizaje, conocimientos previos y Ideas erróneas sobre la IA que es difícil de reunir en una cohorte real.
-
Probar IA educativa: validar sistemas de tutoría y Evaluación antes del despliegue en vivo, y generar datos de entrenamiento.
-
Formación docente: permitir a los docentes practicar la tutoría y la gestión del aula con estudiantes simulados, a menudo imperfectos.
-
Las simulaciones cubren a los estudiantes más fáciles, y pocas están validadas. Doce docentes que tutorizaron a estudiantes basados en LLM reportaron lenguaje excesivamente complejo, ausencia de emoción, atención poco natural y saltos de conocimiento, y las simulaciones representaron solo uno de los cuatro cuadrantes reales de comportamiento estudiantil — mientras que solo el 3% de los estudios que simulan estudiantes los validan después de su uso (Martynova et al. (2026)).
El desafío central: la imperfección realista
La dificultad definitoria de la simulación de estudiantes es que los LLM están entrenados para ser «asistentes serviciales» que producen respuestas correctas y pulidas. Sin embargo, los estudiantes reales son imperfectos: cometen errores característicos, sostienen ideas erróneas y aprenden gradualmente. Un estudiante simulado que responde perfectamente (o de forma demasiado aleatoria) no es un modelo válido de un estudiante. La investigación enmarca esto como la paradoja de la competencia: los LLM ampliamente competentes a los que se pide emular a estudiantes parcialmente conocedores producen patrones de error y dinámicas de aprendizaje poco realistas. Nguyen y Cao (2026) le dan una dirección a esa deriva. Frente a ideas de estudiantes integradas en lecciones extraídas de 49 lecciones de ciencias alineadas con NGSS, seis modelos mantuvieron la mayoría de las ideas dentro del alcance de conocimiento esperado y aproximadamente dos tercios en el nivel de lectura objetivo o por debajo. Se excedieron exactamente donde el estudiante era más joven: las ideas de primaria y de middle school superaron con más frecuencia el alcance de conocimiento del grado objetivo y el nivel de lectura, mientras que el conjunto de las ideas de las lecciones se inclinó hacia un razonamiento más amplio, más vocabulario técnico y menos marcadores de incertidumbre («quizá», «parece») que las ideas de las lecciones. La elección del modelo tampoco es unidimensional: un sistema que se ajusta estrechamente a las ideas de las lecciones puede aun así situarlas por encima del grado, por lo que la reparación suele ser instruccional, ya que un re-prompt explícito de nivel de grado devolvió a la mayoría de los modelos al rango. Abordarlo requiere constreñir la simulación para que refleje un estado epistémico genuino — lo que el estudiante sabe, cómo se estructuran los errores y cómo evoluciona el estado — en lugar de la competencia plena del modelo. Las técnicas incluyen prototipos cognitivos fundamentados en modelos de Grafo de conocimiento o Seguimiento del conocimiento, especificaciones explícitas del estado epistémico, y modelos de transición de estado del aprendizaje en lugar de un simple juego de rol condicionado por persona.
Una palanca diferente elimina el conocimiento en lugar de constreñir la salida. La supresión de 16 componentes de conocimiento seleccionados en Mistral-7B redujo la precisión desde aproximadamente 0,75 con una tasa de olvido del 10% hasta por debajo de 0,5 al 40%, mientras el modelo base se mantenía cerca de 0,85, y el conocimiento suprimido resultó recuperable mediante reaprendizaje supervisado y diálogo guiado por un coach (Song, Guo y Lin, 2026).
La estabilidad de la persona es un problema de diseño de la interacción, no de elección de modelo: cruzando cinco LLM con tres diseños de prompt y cuatro personas de intensidad TDAH, las interacciones ancladas a tareas con guion eliminaron la deriva conductual valorada por observadores — hasta un 97% menos que el diálogo sin guion — y sin instrucciones explícitas de persona la representación estudiantil de partida se inclinaba hacia síntomas altos de TDAH (Gonnermann-Müller, Haase y Leins (2026)).
El fallo opuesto también ocurre: en un estudio ciego, anotadores expertos clasificaron erróneamente 164 de 196 (83,7%) de las entregas en Java generadas por LLM como escritas por humanos, por lo que los errores de un simulador pueden ser funcionalmente indistinguibles de los auténticos — aunque la alineación con errores reales disminuyó a medida que aumentaba la dificultad del problema (Keramati et al. (2026)).
Los LLM con prompting de rol también fallan en el eje de la percepción. Thome et al. (2025) pidieron a ChatGPT-4o y Claude Sonnet 3.5 que valoraran oraciones en alemán desde la persona de cada uno de 193 estudiantes reales. Incluso con 12 etiquetas reveladas, los modelos terminaron peor que la línea base media (RMSE 1,171 y 1,252 frente a 1,070), a la vez que colocaban mal la distribución de etiquetas: ambos se concentraron en la etiqueta fácil donde el estudiantado asignó «muy fácil» al 45,27% de las oraciones de prueba. El juego de rol condicionado por persona todavía no reproduce cómo experimenta el texto un público objetivo.
Zhang et al. (2026) añaden un eje de respuesta a encuestas a la simulación de estudiantes, generando respuestas al BREQ a partir de la transcripción de la entrevista de cada persona, de modo que el contenido de la entrevista mejoró la alineación y la diversidad en algunos modelos mientras los datos demográficos aportaban poco. Las respuestas de los LLM produjeron menos variabilidad que las humanas en todas las condiciones, y la imitación a nivel de ítem no reconstruyó la estructura psicométrica a nivel de prueba, ya que solo Claude con prompts de entrevista mejoró la alineación en el índice de autonomía relativa.
Condicionar la generación a un modelo de comportamiento predicho funciona sin ajuste fino: un marco sin entrenamiento construye el prototipo cognitivo de cada estudiante a partir de un Grafo de conocimiento y puntúa los candidatos de beam-search contra él, reportando una mejora del 100% en la precisión de la simulación (Wu et al. (2025)). Su calidad aumenta con el nivel cognitivo del estudiante, por lo que los estudiantes más débiles siguen siendo el caso más difícil de simular.
- Predecir a quien aprende en lugar de actuar como él. Jiang et al. (2026) reformulan la simulación como predicción en tercera persona: un modelo del estudiante construido a partir del historial de quien aprende aporta una distribución previa, un estado inferido de quien aprende restringe la siguiente acción, y la distribución de capacidad simulada queda entre 2,4 y 8,4 veces más cerca de la real por distancia de Wasserstein-1.
CogEvolution modela la dinámica cognitiva en lugar de una persona estática: un perceptrón de profundidad ICAP fija el tamaño de cada actualización de estado y una actualización evolutiva se mantiene dentro de un radio de Zona de Desarrollo Próximo — alcanzando R²LC = 0,92 donde los agentes estáticos alcanzan 0,45 y colapsando a 0,58 sin el módulo ICAP (Zhang et al. (2026)).
La deriva es un problema de horizonte, no de persona. Radmehr et al. (2026) muestran que la generación turno a turno pierde un perfil asignado a medida que se alargan las trayectorias, mientras que planificar segmentos alineados con el perfil antes de generar acciones mantuvo la densidad y la consistencia valorada por los jueces incluso con tres trayectorias reales por perfil.
Fidelidad por encima del realismo superficial
La validez es la preocupación central: un estudiante simulado solo es útil si su comportamiento es epistémicamente fiel — refleja el estado de conocimiento del estudiante previsto — y no meramente plausible desde el punto de vista lingüístico. La investigación advierte contra la condescendencia (sycophancy), donde un «estudiante simulado» simplemente está de acuerdo con el tutor en lugar de exhibir las ideas erróneas que se suponía debía encarnar. Esto conecta con Calibración de la confianza y con el problema más amplio de evaluar si un agente modela genuinamente un constructo en lugar de reproducir un comportamiento superficial.
El fallo está cuantificado: en siete modelos de 4B a 120B parámetros, los simuladores cambiaban a la respuesta correcta a tasas casi uniformes cualquiera fuera la retroalimentación, por lo que la similitud de la salida no dice nada sobre el estado de creencia que la sustenta, mientras que el entrenamiento contra el Selective Flip Score elevó la fidelidad hasta +0,56 (Do, Sonkar y Sachan (2026)).
Los clientes simulados eliminan la fase de aclaración, y el comportamiento de quien se entrena sigue esa pauta. Rudolph et al. (2026) compararon 64 juegos de rol de consejería en chat entre personas con 74 conversaciones persona-LLM (Mixtral 8x7B, 4 bits) bajo el sistema de categorías GeCCo y encontraron que los clientes LLM revelaban el problema incrustado en su prompt en lugar de darle vueltas. En consecuencia, quienes aconsejaban llegaron a la resolución de problemas en el 17,63% del comportamiento codificado frente al 10,67% con clientes humanos, se apoyaron más en la reflexión factual que en la moderación facilitadora, y cerraron las sesiones con formalidades con más frecuencia (11,95% frente a 5,95%). La consecuencia de diseño es que un plan de estudios construido principalmente sobre clientes simulados entrena la segunda mitad de una sesión: lograr que alguien relate algo con reticencia es justo lo que el cliente simulado se salta, de modo que un prompt que haga al cliente reservado lo restaura.
Conexión con otros conceptos
La simulación de estudiantes se sitúa en la intersección de Simulación, Modelado del estudiantado e instrucción adaptativa y Seguimiento del conocimiento. Es un uso distinto de IA generativa en educación (modelar estudiantes en lugar de tutorizarlos) y una aplicación de los sistemas multiagente de IA agéntica. Respalda Tutoría inteligente, Aprendizaje adaptativo, Aprendizaje personalizado y el desarrollo del La docencia, y se solapa con la simulación de pacientes para la formación profesional (p. ej., contextos de Educación especial y educación médica). A nivel de paradigma, Zhang, Jiang y Tang (2026) extienden esto más allá de la evaluación: su artículo de posicionamiento sostiene que la ciencia educativa sufre un desajuste estructural entre su teoría y su aparato de datos y métodos, y propone la ciencia educativa basada en agentes, en la que los agentes modelan estudiantes, docentes, padres y pares, mientras que el propio aparato de simulación — no el agente individual — sirve como instrumento de investigación, generando trayectorias de desarrollo extendidas en el tiempo y diseños contrafácticos que son lentos, costosos o éticamente inviables de ejecutar en las aulas, con los datos empíricos reformulados como calibración, validación y condiciones de contorno. El artículo no reporta validación empírica de nada de esto: los Agentes de Desarrollo Estudiantil se especifican solo conceptualmente, y la propia revisión de los autores concede que los LLM todavía no captan la variabilidad interindividual y que validar la simulación social generativa sigue siendo el desafío no resuelto del campo, por lo que la afirmación de que la simulación cambiaría la forma en que funcionan la evidencia y la replicación es una propuesta y no un resultado demostrado.
Un compañero empírico proviene del mismo grupo: un agente de desarrollo estudiantil predice los resultados no cognitivos posteriores al curso de 42 estudiantes reales en la plataforma MAIC, superando la línea base de la media previa al curso en RMSE en las cinco dimensiones (Jiang y Zhang, 2025). Su objetivo es el desarrollo más que el comportamiento — el estado del agente alimenta sus siguientes acciones — y se argumenta que la creación de prototipos sobre agentes mantiene a los estudiantes fuera de la etapa más incierta de un estudio.
Simular estudiantes frente al modelado de estudiantes
La distinción clave está entre representar a un estudiante real y generar un estudiante sintético. Modelado del estudiantado e instrucción adaptativa es la práctica de construir una representación computacional de un estudiante real — lo que sabe, siente y necesita — para que los sistemas adaptativos puedan personalizar la instrucción para ese estudiante. La simulación de estudiantes, por el contrario, crea estudiantes ficticios a demanda, no para servir a un individuo real sino para sustituir a una cohorte de modo que la pedagogía y los sistemas de IA puedan probarse offline.
Los dos son complementarios más que competidores. Un estudiante simulado de alta fidelidad típicamente contiene un modelo de estudiante (un estado epistémico, un conjunto de ideas erróneas, un perfil de participación) y se apoya en los mismos constructos que formalizan Modelado del estudiantado e instrucción adaptativa y Seguimiento del conocimiento. El desafío de validez compartido es el mismo en ambos: la representación debe reflejar fielmente el estado verdadero de un estudiante en lugar del comportamiento por defecto del sistema. Pero el propósito difiere — el modelado de estudiantes diagnostica a un estudiante real para actuar sobre él; la simulación fabrica estudiantes para probar o formar. Esta es la razón por la que la investigación sobre estudiantes simulados se usa cada vez más para auditar IA (ver más abajo), mientras que la investigación sobre modelado de estudiantes sigue orientada hacia el Aprendizaje adaptativo y el Aprendizaje personalizado en vivo.
La pregunta espejo recorre el camino inverso. Avatares de IA e instructores sintéticos simula a la persona que enseña y no a la que aprende, de modo que los estudiantes simulados exponen un método al escrutinio, mientras que los instructores sintéticos se sitúan frente a quien aprende, que es el beneficiario y el juez.
Fidelidad de dos ejes: correspondencia conductual y capacidad de respuesta a la guía
StudentSim (Yang et al., 2026) formaliza el problema de validez como dos requisitos que deben cumplirse juntos: fidelidad conductual (F) — cuán bien coincide un simulador con las respuestas propias de un estudiante — y capacidad de respuesta a la guía (R) — con cuánta fiabilidad se actualiza hacia donde conduce la guía del tutor. Su Punto de referencia, StudentSimEval, proyecta conjuntos de datos públicos de estudiantes (ajedrez, escritura en inglés como segunda lengua, matemáticas) en un protocolo estandarizado por estudiante sobre el que cualquier simulador se ajusta y puntúa en registros reservados. Una canalización de dos etapas agrupada-luego-especializada (un conjunto compartido de patrones conductuales más un adaptador por estudiante) produce una familia de simuladores fuertes en ambos ejes, superando el seguimiento de estado específico de dominio (débil en R) y el juego de rol con LLM basado solo en prompt (débil en F). Esto da al campo un vocabulario concreto de dos ejes para juzgar si un estudiante simulado es genuinamente útil en lugar de meramente plausible. Como prueba de concepto, un StudentSim congelado usado como recompensa en un bucle de aprendizaje por refuerzo de un tutor de ajedrez produjo tutores que los expertos valoraron como más precisos, mejor guiados y más personalizados que los entrenados con la recompensa de un simulador basado en LLM de frontera o sin aprendizaje por refuerzo en absoluto.
Los simuladores de estudiantes reproducen acciones observables pero no el razonamiento latente que las sustenta. INSIDE realiza ajuste fino de modelos para generar un diálogo interno antes de cada acción, alcanzando la mayor alineación entre el razonamiento generado y las ediciones reales de código (51,8% en problemas familiares, 57,9% en problemas no vistos) sin perder fidelidad de acción (Niousha et al., 2026).
Describir, no simular: cuándo un solo agente supera a una cohorte simulada
Una pregunta recurrente es si simular una distribución de estudiantes es la mejor manera de predecir cómo les irá a los estudiantes reales. Wang, Mitchell y Piech (2025) aportan un contrarresultado llamativo: para evaluar una experiencia de aprendizaje en línea antes de que los estudiantes participen — predecir el abandono y la finalización y ofrecer retroalimentación de diseño — un único agente web «descriptor» que recorre autónomamente la lección y produce una descripción rica de la experiencia estudiantil superó a la simulación directa de una población de estudiantes. Sus estudiantes simulados (agentes condicionados por persona muestreados para igualar una tasa de finalización predicha) exhibieron mucha menos variedad conductual que los estudiantes reales — en 100 agentes sobre cinco lecciones de prueba reprodujeron solo alrededor del 4% de las rutas que tomaron los estudiantes reales — y ofrecieron poca información sobre la dificultad de la lección, a la vez que eran sustancialmente más costosos computacionalmente. La canalización única de describir-luego-predecir (descripciones generadas por el agente alimentadas a un Grandes modelos de lenguaje (LLM) para predecir resultados) logró la mejor predicción de la distribución de abandono en un curso global masivo de CS1 (JSD medio 0,060, superando todas las líneas base). Este es un resultado fronterizo productivo para el campo: simular una distribución de estudiantes puede ser innecesario — e incluso contraproducente — cuando el objetivo es la predicción de resultados o la crítica de diseño, porque una descripción fiel de la experiencia porta más señal que una porción estrecha de trayectorias simuladas. También sugiere que el papel de la simulación puede estar acotado a preguntas (p. ej., auditar el trato de una IA hacia perfiles diversos, o formar docentes) donde cubrir la variación genuina de los estudiantes importa más que la predicción agregada de resultados.
Modelos de estudiante con datos auténticos y práctica interactiva
Dos hilos de 2026 agudizan el valor práctico de la simulación. Primero, los modelos de estudiante con datos auténticos — TeachLM entrena un modelo de estudiante con 100.000 horas de interacciones reales uno a uno entre tutor y estudiante (con una anonimización rigurosa), produciendo estudiantes sintéticos que permiten una evaluación multirronda rápida, escalable y reproducible del comportamiento del tutor; esto aborda la baja autenticidad y diversidad de los simuladores de estudiantes puramente construidos con prompts. Segundo, los simulacros instruccionales interactivos — EducaSim usa agentes generativos (con personas, memorias fundamentadas en el curso y un oráculo de habla LLM-as-judge) para simular una sección de grupo pequeño para docentes en formación, añadiendo interacción con código ejecutable y por voz más retroalimentación estructurada posterior a la sesión y autorreflexión, y demuestra una práctica docente experiencial de bajo costo y buena acogida a la escala de cursos en línea masivos. Ambos apuntan a que la simulación no solo sirve para la evaluación sino también para la preparación práctica de docentes.
Un tercer hilo de 2026 concierne a cómo se construye un simulador más que a para qué se usa, y converge en una conclusión: el prompting establece un techo que el entrenamiento elimina. SWIM (Do, Kontak y Sachan, 2026) reformula la simulación de escritura estudiantil como generación de ensayos condicionada por competencia y compara el prompting fundamentado en rúbricas, el ajuste fino supervisado sobre pares reales de puntuación-ensayo, y GRPO con una Proficiency Alignment Reward derivada de la puntuación automática de ensayos, puntuando cada ensayo generado contra su perfil de rasgos objetivo con Quadratic Weighted Kappa. El prompting dio un control limitado incluso a modelos propietarios fuertes (mejor QWK medio de rasgos 0,577 para Claude Sonnet, 0,422 para GPT-5.4, cerca de cero al dar prompt a un modelo abierto de 7B), alineó los rasgos orientados al contenido mucho mejor que la forma (0,695 contra 0,458), y produjo una población idealizada de alta competencia, con una puntuación media normalizada Overall de 0,74 contra 0,58 para estudiantes reales y una longitud mediana de 304 palabras contra 167. El ajuste fino supervisado llevó a un modelo de 7B a 0,474 ± 0,023 y GRPO a 0,618 ± 0,005, las ganancias se mantuvieron con dos evaluadores independientes contra los que la política nunca se entrenó, y los modelos entrenados recuperaron las distribuciones humanas de puntuación y longitud sin ninguna supervisión de longitud; la forma auténtica de baja competencia siguió siendo la más difícil, ya que los modelos entrenados recuperaron la sintaxis pero escribieron demasiado pocos errores de ortografía y gramática, mientras que el prompting simulaba la debilidad principalmente mediante corrupción superficial. La misma lección llega desde la dirección opuesta en Liu et al. (2026), quienes realizaron instruction tuning de tres modelos pequeños para sostener ideas erróneas de álgebra: la composición de los datos decidió el resultado, porque una única idea errónea se sobregeneralizó y degradó la resolución correcta hasta que se mezclaron ejemplos correctos, varias ideas erróneas entrenadas conjuntamente no tuvieron coste, y ninguna idea errónea se adquirió con supervisión basada solo en la respuesta final a ningún tamaño de datos, lo que deja las trazas de solución a nivel de paso como el requisito vinculante.
Al comparar nueve métodos de simulación contra siete métricas basadas en referencias sobre 382 diálogos de matemáticas reservados, el prompting quedó por detrás del ajuste fino en actos de diálogo (0,4998 contra 0,6840), ROUGE-L (0,1648 contra 0,3212) y similitud coseno (0,5460 contra 0,7390) (Scarlatos et al., 2026). Sin embargo, el mejor método probado, la optimización de preferencias sobre un modelo de 8B, superó al ajuste fino supervisado solo marginalmente y fue peor en errores, y una evaluación humana con tres tutores reprodujo ese ranking.
La arquitectura puede imponer lo que el prompting no puede: un simulador neuro-simbólico que impone la estructura de aprendizaje autorregulado mediante un controlador semi-Markov y un knowledge tracing con inyección de fallos alcanzó una divergencia conductual de 0,31 contra 0,53 de la línea base (Wang et al., 2026). Inyectar su vocabulario metacognitivo en las líneas base nunca superó 0,63, eliminar el controlador simbólico llevó la divergencia a 6,81, y en un test de Turing con 71 evaluadores sus trazas fueron indistinguibles de las de estudiantes reales (52,8%, d′ = 0,15).
Auditar la IA con estudiantes simulados
Más allá de evaluar la pedagogía, los estudiantes simulados sirven como un arnés de prueba para auditar los propios sistemas de IA — una forma controlada de sondear cómo se comporta una IA a través de perfiles diversos de estudiantes antes de que toque a estudiantes reales. López-Pernas et al. (2026) lo ilustran: generaron 4.500 viñetas de estudiantes sintéticos con tres LLM para auditar si los grandes modelos de lenguaje actuales pueden actuar como recomendadores prescriptivos de analíticas de aprendizaje, hallando una sensibilidad limitada a la necesidad del estudiante y una marcada inconsistencia entre modelos. Usar cohortes simuladas para someter a prueba de esfuerzo las recomendaciones de una IA (en lugar de solo para entrenar o evaluar tutores) es un papel creciente del paradigma, estrechamente ligado a la evaluación de la IA en educación y a Equidad cuando la auditoría pretende sacar a la luz un trato dispar entre tipos de estudiantes.
Una prueba de validez más afilada pregunta si un modelo reproduce la elección humana en absoluto: en un juego adaptado de aprendizaje autodirigido, cinco modelos de frontera explotaron una única solución allí donde 175 participantes humanos exploraron con distintos objetivos, de modo que un modelo que hace las veces de quien aprende abandonó justo la conducta que la simulación existe para reproducir (Molinaro et al. (2026)).
La simulación también puede prever las elecciones del estudiante: Noh et al. (2026) ajustan un Additive Factors Model y un knowledge tracing bayesiano a dos conjuntos de datos reales de tutoría y dejaron que 1.000 estudiantes simulados eligieran habilidades bajo ocho estrategias, donde una regla adversa al riesgo produjo aproximadamente treinta veces más sobrepráctica que las demás y una restricción de apenas por debajo del dominio la redujo a 1,8×.
Un segundo registro de auditoría es metacognitivo y afectivo. MEDS (Esposito et al., 2026) es un conjunto de datos de 28.000 registros: 2.000 personas sintéticas para cada uno de los 14 modelos, cada una ejecutada tanto como persona humana como en modo de asistente de referencia. Registra la precisión en 18 problemas de matemáticas de secundaria junto con la confianza autoinformada y las puntuaciones de Autoeficacia y de ansiedad matemática que reportarían los estudiantes a los que sustituye. Su señal de auditoría es la brecha de calibración: la familia Qwen y Ministral 3B afirmaron una confianza por encima de 0,90 mientras la precisión se estancaba cerca de 0,55, mientras que Grok 4.1 Fast, DeepSeek Chat y varias variantes de Mistral Small fueron subconfiadas y Ministral 14B y Anita 24B se mantuvieron razonablemente alineadas. Las mismas ejecuciones exponen un fallo de fidelidad más silencioso: las personas en modo humano produjeron distribuciones de puntuación amplias y plausibles, pero los asistentes de referencia devolvieron respuestas casi idénticas, seguras y de baja ansiedad — un autorretrato por defecto en lugar del de un estudiante simulado. Esto extiende la auditoría de recomendadores anterior sondeando lo que un modelo afirma sobre su propia competencia y afecto, y agudiza la advertencia de validez desde una dirección inesperada. Como las personas de MEDS están ponderadas por construcción en lugar de muestreadas de una población real, sus autores presentan el conjunto de datos como un recurso observacional para auditar el comportamiento de la IA generativa condicionado por prompt y explícitamente no como un sustituto de datos reales de estudiantes.
Simular dinámicas colaborativas y sociales
La simulación también se extiende más allá de los estudiantes individuales para reproducir la dinámica social del aprendizaje colaborativo. Los agentes LLM específicos por participante — Fang (2026) realizó ajuste fino de agentes LLaMA 3.2-3B sobre los datos de diálogo de participantes individuales para representar a cada participante en simulaciones de resolución colaborativa de problemas, combinando memoria de ventana deslizante con embeddings de memoria resumida para preservar tanto la toma de turnos local como la continuidad temática, y seleccionando probabilísticamente hablantes y códigos temáticos a partir de distribuciones empíricas. Usando Análisis de Redes Epistémicas (ENA), los diálogos simulados fueron estadísticamente indistinguibles de los reales (distancia ENA 0,17, muy dentro del umbral nulo del percentil 95; p de permutación = 0,65), validando que los agentes LLM pueden reproducir tanto la dinámica de toma de turnos como las trayectorias de códigos temáticos de la resolución colaborativa de problemas real.
El trabajo de 2026 sobre habilidades duraderas invierte la dirección habitual de la simulación. En lugar de simular al estudiante para auditar un sistema, el sistema simula a los compañeros de equipo para evaluar al estudiante: un LLM ejecutivo genera los turnos de cada compañero de IA en una tarea grupal de 30 minutos, posee la rúbrica de puntuación y dirige la conversación para fabricar ocasiones en las que aparezca la habilidad objetivo (Globerson et al., 2026). En 373 conversaciones de 188 participantes, la dirección emparejada a la habilidad elevó la evidencia evaluable al 92,4% para la gestión de proyectos y al 85% para la resolución de conflictos, significativamente por encima de agentes independientes sin restricciones, mientras que el evaluador de IA se calibró contra dos evaluadores humanos cuya propia Kappa interevaluador fue de solo 0,45–0,64 — un recordatorio útil de que el techo de un simulador lo fija el acuerdo que los humanos pueden alcanzar sobre el constructo.
El entrenamiento contra un simulador también puede transferirse: el agente de aprendizaje por refuerzo de TutorLoop, entrenado offline contra un estudiante simulado, se transfirió sin cambios a una nueva tarea de aprendizaje real sin reentrenamiento (N = 187), donde su retroalimentación más escasa pero mejor sincronizada superó a la retroalimentación más densa (Xu y Zhang, 2026).
Concepciones erróneas
- «Los estudiantes de LLM son sustitutos suficientemente buenos.» Las simulaciones cubren a los estudiantes más fáciles, y pocas están validadas: doce docentes que tutorizaron a estudiantes de LLM informaron de lenguaje excesivamente complejo, ausencia de emoción y otras desviaciones de los estudiantes reales. El sustituto modela el caso tratable.
- «Un estudiante simulado con una laguna de conocimiento se comporta como un estudiante con esa laguna.» Suprimir 16 componentes de conocimiento seleccionados en Mistral-7B redujo la precisión de aproximadamente 0,75 con una tasa de olvido del 10% a por debajo de 0,5 con el 40%, mientras el modelo base se mantenía. La degradación fue diseñada, que es lo que la convierte en una manipulación controlada y no en una emulación.
- «La estabilidad de la persona es un problema de elección de modelo.» Es un problema de diseño de la interacción: cruzando cinco LLM con tres diseños de prompt y cuatro personas de intensidad de TDAH, las diferencias con guion siguieron el diseño del prompt y no el modelo. Elegir un mejor modelo no corrige una persona inestable.
Conceptos conectados
- Quienes aprenden — Estudiantes: el paraguas de los conceptos del lado del estudiante
- Simulación
- Modelado del estudiantado e instrucción adaptativa
- Investigación educativa asistida por IA — Investigación educativa asistida por IA
- Seguimiento del conocimiento
- Diagnóstico cognitivo
- IA agéntica
- Agente pedagógico
- Tutoría inteligente
- Aprendizaje adaptativo
- Aprendizaje personalizado
- IA generativa
- Grandes modelos de lenguaje (LLM)
- Analítica del aprendizaje
- La docencia
- Avatares de IA e instructores sintéticos
Artículos conectados
-
Training Empathetic Communication Skills in Medical Students With a Role-Prompted GPT-4o Chatbot — Un paciente GPT-4o con rol asignado produjo una ganancia de d = 0,58 en competencia autoevaluada en 13 intercambios (Müller et al., 2026)
-
To Align Long, Plan Short: Simulating Diverse Profile-Aligned Students by Realizing Short-Term Plans in Long-Horizon Learning Environments — ALPS: la planificación jerárquica mantiene a los estudiantes simulados en su perfil a lo largo de horizontes largos (Radmehr et al. 2026)
-
HACHIMI-II: From Role-Play to Learner Behavior Modeling for Faithful Student Simulation — HACHIMI-II: del juego de rol al modelado conductual de quien aprende para una simulación fiel del estudiantado
-
TutorLoop: Regulating Student Learning Behaviors via Sensor-in-the-Loop Generative Feedback — Un tutor de aprendizaje por refuerzo entrenado con un simulador se transfirió offline a una nueva tarea real (Xu y Zhang, 2026)
-
Can LLMs Effectively Simulate Human Learners? Teachers' Insights from Tutoring LLM Students — ¿Pueden los LLM simular a estudiantes humanos? Perspectivas de los docentes
-
Simulating Students or Sycophantic Problem Solving? On Misconception Faithfulness of LLM Simulators — ¿Simular estudiantes o resolución de problemas condescendiente?
-
LLM-Based Educational Simulation: Evaluating Temporal Student Persona Stability Across ADHD Profiles — Simulación educativa basada en LLM y estabilidad de la persona del estudiante
-
Simulating Students' Java Programming Errors with Large Language Models — Simulación de los errores de programación en Java de los estudiantes
-
The Empirically Grounded Adaptive Virtual Patient for Psychotherapy Training: Disclosure That Responds to Therapist Micro-Skills — Pacientes virtuales adaptativos para la formación en psicoterapia
-
MedEasy: Designing AI Standardized Patients for Clinical Consultation Training — MedEasy: pacientes estandarizados con IA
-
Embracing imperfection: Simulating students with diverse cognitive levels using LLM-based agents — Abrazar la imperfección: simular niveles cognitivos diversos
-
INSIDE the student's mind: Jointly modeling latent reasoning and action in LLM student simulators
-
TeachLM: Post-training LLMs for education using authentic learning data — TeachLM: modelo de estudiante auténtico con ajuste fino para diálogos sintéticos
-
EducaSim: Interactive simulacra for CS1 instructional practice — EducaSim: agentes generativos simulan una sección de CS1 para la práctica docente
-
Responsible integration of artificial intelligence into pedagogies of practice in mathematics teacher education — Integración responsable de la IA en las pedagogías de la práctica en la formación de docentes de matemáticas
-
CogEvolution: A human-like generative educational agent to simulate student's cognitive evolution — CogEvolution: agente generativo que simula la evolución cognitiva de los estudiantes
-
Can AI deliver appropriate support for diverse student profiles? A large-scale evaluation — ¿Puede la IA ofrecer apoyo adecuado para perfiles diversos de estudiantes? Una evaluación a gran escala
-
Modelling individual participants as LLM agents in collaborative problem solving simulations — Agentes LLM con ajuste fino específicos por participante que reproducen diálogos de resolución colaborativa de problemas (Fang, 2026)
-
StudentSim: Training LLM-based Student Simulators — StudentSim: entrenamiento de simuladores de estudiantes basados en LLM
-
AI Web Agents Can Effectively Guide Lesson Design and Predict Student Outcomes — Agentes web de IA: un único agente descriptor supera a la simulación de una distribución de estudiantes para predecir el abandono y criticar el diseño
-
Simulating Learners' Task-Selection Strategies and System Constraints in Mastery Learning — Simulación de las estrategias de selección de tareas de los estudiantes y las restricciones del sistema en el aprendizaje de dominio (Noh, Chowdhary, Ooge, Aleven y Borchers, 2026)
-
Towards Scalable Measurement of Durable Skills — Hacia la medición escalable de habilidades duraderas
-
Toward agent-based educational science: Rethinking educational research in the age of AI — Hacia una ciencia educativa basada en agentes: el aparato de simulación como instrumento de investigación (Zhang, Jiang y Tang, 2026)
-
Math Education Digital Shadows for facilitating learning with LLMs: Math performance, anxiety and confidence in simulated students and AIs — MEDS: una auditoría de 28.000 registros del rendimiento en matemáticas, la confianza y la ansiedad en estudiantes simulados y asistentes de IA
-
SWIM: Student Writing Simulation via Proficiency-Conditioned Generation — prompting frente a SFT frente a entrenamiento basado en recompensas para un simulador de escritura estudiantil
-
Misconception Acquisition Dynamics in Large Language Models — qué tiene que haber en los datos de entrenamiento para que un simulador sostenga una idea errónea
-
Can LLMs Model Incorrect Student Reasoning? A Case Study on Distractor Generation for Multiple-Choice Questions — análisis a nivel de traza de cómo los modelos simulan el razonamiento estudiantil incorrecto
-
Exploring the Capacity of Large Language Models to Simulate Students' Scientific Thinking: Insights for Responsive Teaching — seis modelos contra 8.820 ideas científicas integradas en lecciones: dónde el razonamiento simulado se excede en el alcance, el vocabulario y la certeza de los estudiantes más jóvenes
-
Simulated Students in Tutoring Dialogues: Substance or Illusion? — un benchmark de siete métricas de nueve métodos de simulación de estudiantes, con una evaluación humana de tres tutores
-
Simulating Novice Students Using Machine Unlearning and Relearning in Large Language Models — el machine unlearning como forma de situar un simulador en un nivel estable de conocimiento de novato, y el reaprendizaje mediante diálogo docente
-
Student Development Agent: Risk-free Simulation for Evaluating AIED Innovations — predicción de los resultados de desarrollo de los estudiantes posteriores al curso en una plataforma multiagente sin exponerlos a la intervención
-
Preservice mathematics teachers' noticing in AI-based simulations: transitions among attending, interpreting, and shaping — tres semanas de atención, interpretación y modelado de docentes en formación en una simulación de chatbot sobre el signo igual, y cómo el diseño orienta lo que notan
-
BEAGLE: Behavior-Enforced Agent for Grounded Learner Emulation — un simulador neuro-simbólico que impone la estructura de aprendizaje autorregulado arquitectónicamente en lugar de mediante prompting, y supera un test de Turing humano
-
Language Model Goal Selection Differs from Humans in a Self-Directed Learning Task — La selección de objetivos de los modelos de lenguaje difiere de la humana en una tarea de aprendizaje autodirigido
-
Comparing Human Role-Players and LLM-Simulated Clients in Online Counselling Training: An Analysis of Counselling Patterns — Los clientes simulados de consejería revelan antes, así que quien se entrena se salta la moderación facilitadora