¿Cómo hacemos que un estudiante simulado se comporte como un estudiante real?

Traducción automática de la página en inglés, todavía sin revisar por una persona hablante nativa.

Un estudiante simulado es fácil de hacer convincente y difícil de hacer veraz. Pida a un modelo general que interprete a un estudiante con dificultades y producirá confusión fluida y verosímil: el vocabulario correcto del no-saber, en el registro correcto. Después pregúntele qué diría ese estudiante tras ser corregido, y en silencio dará la respuesta correcta.

Esa brecha es todo el problema, y no se resuelve escribiendo una persona mejor en el prompt. Esta página trata de lo que hace realmente que un estudiante simulado se comporte como uno, para quien construye un simulador o lo usa para ensayar o para probar.

La versión corta

Los modelos se entrenan para ser útiles y correctos. Los estudiantes no son ni una cosa ni la otra. Así que el trabajo consiste en limitar qué sabe el simulador y cómo cambia ese conocimiento, y después comprobar que se comporta como un estudiante en lugar de sonar como uno. El prompting por sí solo no llega ahí; la evidencia de abajo es bastante consistente en que el prompting fija un techo que el entrenamiento o la estructura eliminan.

Empiece por saber qué no está simulando

El hallazgo más útil para quien está a punto de fiarse de un simulador tiene que ver con la cobertura. Doce docentes que tutorizaron a estudiantes LLM informaron de lenguaje demasiado complejo, ausencia de emoción, atención inusualmente constante y saltos de conocimiento inexplicados, y las simulaciones representaban solo uno de cuatro cuadrantes de comportamiento real del estudiantado (Martynova et al., 2026). El cuadrante que cubrían era el más fácil de simular.

Eso importa porque casi nadie lo comprueba. Solo el 3% de los estudios que simulan estudiantes validan su simulador después de usarlo. Si construye uno y no lo valida, está en la inmensa mayoría, y también es la razón por la que esta estadística merece citarse.

La paradoja de la competencia: su simulador sabe demasiado

La dificultad definitoria es que un modelo capaz no puede fingir con facilidad ser un conocedor parcial. La investigación lo llama la paradoja de la competencia: los modelos ampliamente capaces a los que se pide emular a estudiantes con conocimiento parcial producen patrones de error y dinámicas de aprendizaje poco realistas.

La deriva tiene una dirección, y apunta a los estudiantes que más necesitan ser simulados. Frente a ideas de estudiantes 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, pero se pasaron de largo justo donde el estudiante era más joven. Las ideas de primaria y secundaria obligatoria superaron con más frecuencia el alcance de conocimiento y el nivel de lectura del curso objetivo, y el corpus en conjunto tendía a un razonamiento más amplio, más vocabulario técnico y menos marcadores de incertidumbre («quizá», «parece que») que las ideas reales de las lecciones (Nguyen y Cao, 2026).

Dos notas prácticas de ese estudio. La elección de modelo no es unidimensional: un sistema que se ajusta de cerca a las ideas de la lección puede aun así situarlas por encima del curso. Y el arreglo suele ser instruccional más que arquitectónico: un re-prompt explícito de nivel de curso devolvió a la mayoría de los modelos al rango.

El realismo superficial es el objetivo equivocado

Un simulador que suena como un estudiante puede aun así no sostener las creencias de uno, y las comprobaciones de calidad habituales no pueden notar la diferencia.

El fallo está cuantificado. En siete modelos de 4B a 120B parámetros, los simuladores cambiaron a la respuesta correcta a tasas casi uniformes cualquiera que fuera la retroalimentación que recibían, así que la similitud de la salida no dice nada sobre el estado de creencia que hay detrás. Entrenar contra la Puntuación de Cambio Selectivo elevó la fidelidad hasta +0.56 (Do, Sonkar y Sachan, 2026). Si quiere que un simulador sostenga un error conceptual, tiene que entrenarlo para esa propiedad; no puede deducirlo del texto.

El error contrario también ocurre, y por eso «¿parece humano?» es una prueba débil en ambas direcciones. En un estudio ciego, anotadores expertos clasificaron erróneamente 164 de 196 (83.7%) entregas de Java generadas por LLM como escritas por personas: los errores eran funcionalmente indistinguibles de los auténticos. La alineación con los errores reales cayó después al aumentar la dificultad del problema (Keramati et al., 2026).

El prompting fija un techo que el entrenamiento elimina

SWIM es la comparación más clara de los tres enfoques, porque puntúa cada ensayo generado contra su perfil de rasgo objetivo en lugar de juzgarlo impresionísticamente:

• Prompting guiado por rúbrica: control limitado incluso para modelos propietarios fuertes — mejor QWK medio de rasgo 0.577 (Claude Sonnet), 0.422 (GPT-5.4), cerca de cero para un modelo abierto de 7B.
• Ajuste fino supervisado sobre pares reales de puntuación y ensayo: 0.474 ± 0.023 para ese modelo de 7B.
• GRPO con una recompensa derivada de la calificación automática de ensayos: 0.618 ± 0.005, con las ganancias manteniéndose en dos calificadores independientes contra los que la política nunca se entrenó (SWIM: Student Writing Simulation via Proficiency-Conditioned Generation).

El prompting produjo además una población idealizada y no realista: puntuación general normalizada media de 0.74 frente a 0.58 de los estudiantes reales, y una longitud mediana de 304 palabras frente a 167. Los modelos entrenados recuperaron las distribuciones humanas de puntuación y longitud sin ninguna supervisión sobre la longitud.

Una cosa siguió siendo difícil, y conviene saberlo antes de prometer realismo: la forma auténtica de baja competencia. Los modelos entrenados recuperaron la sintaxis pero escribían demasiado pocos errores ortográficos y gramaticales, mientras que el prompting simulaba la debilidad sobre todo mediante corrupción superficial: faltas de ortografía rociadas sobre una prosa por lo demás competente.

Dos maneras de limitar qué sabe el simulador

Si el modelo sabe demasiado, puede especificar el estado en el que debería estar o quitarle el conocimiento.

Condicione sobre un estado epistémico y no sobre una persona. Un marco sin entrenamiento construye el prototipo cognitivo de cada estudiante a partir de un grafo de conocimiento y puntúa candidatos de búsqueda en haz contra él, y reporta una mejora del 100% en la precisión de la simulación (Wu et al., 2025). Su calidad sube con el nivel cognitivo del estudiante, que es el hallazgo que conviene llevarse: los estudiantes más débiles siguen siendo el caso difícil, lo cual es desafortunado dado que suelen ser el objetivo. Modelar la dinámica cognitiva en lugar de una persona fija va más lejos: las actualizaciones de estado basadas en ICAP de CogEvolution alcanzaron R²LC = 0.92 donde los agentes estáticos alcanzan 0.45, y cayeron a 0.58 sin su módulo ICAP (Zhang et al., 2026).

O quite el conocimiento. Suprimir 16 componentes de conocimiento concretos en Mistral-7B bajó la precisión de aproximadamente 0.75 con una ratio de olvido del 10% a por debajo de 0.5 con el 40%, mientras que el modelo base se mantuvo cerca de 0.85, y el conocimiento suprimido resultó recuperable mediante re-aprendizaje supervisado y diálogo guiado por un coach (Song, Guo y Lin, 2026). Esto es lo más parecido a fabricar directamente un novato, y la recuperabilidad es una ventaja si quiere que el simulador aprenda durante una sesión.

Haga que la interacción esté guionizada, no la persona

La estabilidad de la persona resulta ser un problema de diseño de interacción y no de elección de modelo. Cruzando cinco LLM con tres diseños de prompt y cuatro personas de intensidad de TDAH, las interacciones guionizadas y ancladas en tareas eliminaron la deriva de comportamiento valorada por observadores: hasta un 97% menos que el diálogo sin guion. Y sin instrucciones explícitas de persona, la representación base del estudiantado se sesgaba hacia síntomas altos de TDAH (Gonnermann-Müller, Haase y Leins, 2026).

La lectura práctica: si su simulador deriva, el arreglo puede estar en lo que le pide hacer turno a turno y no en qué modelo eligió ni en cómo describió al estudiante.

Compruébelo en dos ejes, no en uno

La formalización más clara de «¿este simulador sirve?» viene de StudentSim, que exige dos cosas que deben cumplirse juntas:

• Fidelidad de comportamiento: cuán bien el simulador iguala las respuestas propias de un estudiante.
• Capacidad de respuesta a la guía: cuán fiablemente se actualiza hacia donde lleva la guía del tutor.

Su benchmark convierte corpus públicos de estudiantes (ajedrez, escritura en inglés como segunda lengua, matemáticas) en un protocolo por estudiante sobre el que cualquier simulador se ajusta y se puntúa con registros reservados. El resultado es un diagnóstico útil: el seguimiento de estado específico del dominio fue débil en capacidad de respuesta, y el juego de rol con LLM basado solo en prompt fue débil en fidelidad (Yang et al., 2026). Un simulador puede pasar una prueba y fallar la otra, así que informe de ambas.

Como prueba de concepto, un StudentSim congelado usado como recompensa en un bucle de aprendizaje por refuerzo para un tutor de ajedrez produjo tutores que las personas expertas valoraron como más precisos, mejor guiados y más personalizados que los entrenados contra una recompensa de un simulador LLM de frontera o sin RL alguno. Un buen simulador no es solo una herramienta de medición: puede ser la señal de entrenamiento.

Valide contra estudiantes reales, no contra su intuición

Dos benchmarks muestran lo que cuesta la validación y lo que aporta.

Comparando nueve métodos de simulación con siete métricas basadas en referencia sobre 382 diálogos reservados del mayor corpus público de diálogos reales de matemáticas entre estudiante y tutor, el prompting quedó por detrás del ajuste fino en actos de diálogo (0.4998 frente a 0.6840), ROUGE-L (0.1648 frente a 0.3212) y similitud de coseno (0.5460 frente a 0.7390). Pero el mejor método probado —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 orden (Scarlatos et al., 2026). La lección es que lo más alto de esta escalera no está muy por encima de su mitad, así que una brecha grande entre su simulador y una línea base informa más que una pequeña.

Los simuladores de estudiantes también reproducen acciones observables sin el razonamiento latente que hay detrás. INSIDE ajusta modelos para generar un diálogo interno antes de cada acción, y alcanza la mayor alineación entre el razonamiento generado y las ediciones de código reales —51.8% en problemas conocidos, 57.9% en problemas no vistos— sin perder fidelidad de acción (Niousha et al., 2026). Si le importa por qué su estudiante simulado hizo algo, la fidelidad a nivel de acción no basta.

A veces una descripción supera a una simulación

Un resultado que conviene conocer antes de construir una cohorte: para evaluar una experiencia de aprendizaje en línea antes de que el estudiantado se implique —predecir abandono y finalización, y dar retroalimentación de diseño—, un único agente web «descriptor» que recorre la lección y produce una descripción rica de la experiencia superó a simular directamente una población de estudiantes.

Los estudiantes simulados de esa comparación mostraban mucha menos variedad de comportamiento que los estudiantes reales: en 100 agentes sobre cinco lecciones de prueba reprodujeron solo alrededor del 4% de los caminos que tomaron los estudiantes reales, y costaban bastante más cómputo. El pipeline de describir y luego predecir logró la mejor predicción de la distribución de abandono en un curso masivo global de CS1 (JSD media 0.060, superando a todas las líneas base) (Wang, Mitchell y Piech, 2025).

La frontera que dibuja es útil: simular una distribución de estudiantes puede ser innecesario —o contraproducente— cuando el objetivo es predecir resultados o criticar un diseño. La simulación se gana su coste cuando cubrir la variación real del estudiantado importa, como al auditar el trato de una IA a perfiles diversos o al dar a un docente algo contra lo que ensayar.

Una lista de comprobación antes de fiarse de un simulador

1. Anote a qué estudiantes no está cubriendo. Las simulaciones tienden a capturar el cuadrante más fácil. 2. Pruebe el estado de creencia, no la prosa. Pregunte qué dice el simulador tras ser corregido; un simulador que cambia a la respuesta correcta no sostiene el error conceptual. 3. No se apoye solo en el prompting si la fidelidad importa. El prompting fija un techo que el entrenamiento o la estructura eliminan. 4. Decida cómo limitará el conocimiento —especificar el estado epistémico o quitarlo— en lugar de describir una persona. 5. Guionice la interacción, no solo la persona. Los turnos anclados en tareas recortan drásticamente la deriva de comportamiento. 6. Puntúe por separado la fidelidad y la capacidad de respuesta a la guía. Un simulador puede pasar una y fallar la otra. 7. Valide contra datos reales de estudiantes e informe de la línea base que supera. Los mejores métodos aquí solo superan marginalmente a los que están por debajo. 8. Compruebe si un único agente descriptor respondería a su pregunta de forma más barata antes de construir una población. 9. Espere que los estudiantes más débiles sean el caso más difícil, y dígalo si su simulador se usará para extraer conclusiones sobre ellos.

Preguntas relacionadas

• ¿Cómo sabemos que una IA educativa funciona correctamente y no solo que puntúa bien? — evaluar los sistemas que prueba contra un simulador
• ¿Cómo podemos abordar los errores conceptuales comunes sobre la IA en educación? — si los estudiantes simulados pueden sustituir a estudiantes reales en la investigación
• ¿Cómo podemos hacer que la IA apoye mejor el aprendizaje en nuestra propia materia? — los métodos de entrenamiento que hay detrás de los resultados de ajuste fino anteriores
• Simular estudiantes — la página de concepto completa