छात्रों का अनुकरण

इस पृष्ठ पर

यह अंग्रेज़ी पेज का ऑटोमैटिक अनुवाद है और इसकी अभी तक किसी मूल भाषी ने समीक्षा नहीं की है।

छात्रों का अनुकरण — शैक्षिक अनुसंधान, डिज़ाइन और प्रशिक्षण के लिए शिक्षार्थी व्यवहार, संज्ञान और सामाजिक गतिशीलता को मॉडल करने हेतु LLM-आधारित एजेंटों का उपयोग। अनुकरणित छात्र शोधकर्ताओं को शैक्षणिक दृष्टिकोणों का मूल्यांकन करने, विविध शिक्षार्थी प्रोफ़ाइलों को मॉडल करने, शैक्षणिक AI को परिनियोजन से पहले परखने और शिक्षकों को प्रशिक्षित करने में सक्षम बनाते हैं — ऐसे कार्य जिन्हें वास्तविक शिक्षार्थियों के साथ व्यवस्थित रूप से करना कठिन, धीमा या नैतिक रूप से अवरुद्ध है।

विचार के लिए प्रश्न

यदि आपको अपनी शिक्षण-अभ्यास के लिए एक AI 'छात्र' बनाना हो, तो उसे आपके लिए विश्वसनीय क्या बनाएगा — और जो प्रणाली हमेशा सही उत्तर दे, वह वास्तविक शिक्षार्थी का खराब प्रतिनिधि क्यों हो सकती है?
यह पेज एक सक्षम AI के पूर्णतया सही उत्तरों और एक वास्तविक छात्र के अपूर्ण उत्तरों के बीच के अंतर को 'योग्यता विरोधाभास' (competence paradox) कहता है। AI के साथ अपने अनुभव में आपने यह तनाव कहाँ देखा है, और आपके अनुसार एक अनुकरणित शिक्षार्थी को सचमुच यथार्थवादी बनाने में क्या शामिल है?
नैतिक और व्यावहारिक दोनों तरह की वजहें जिनसे आप एक कोचिंग प्रणाली या पाठ्यचर्या का परीक्षण अनुकरणित छात्रों पर करना पसंद कर सकते हैं मिल सकतीं — और आपको किन वैधता जोखिमों की आशंका है जो यह सौदा लेकर आता है?
एक अनुकरणित छात्र 'संज्ञानात्मक रूप से सत्यनिष्ठ' हो सकता है, भले ही वह सतह पर मानव-सदृश न दिखे। आगे पढ़ने से पहले, एक विश्वसनीय सतह और उस सच्ची तस्वीर के बीच आप क्या अंतर कल्पना करते हैं जो बताती है कि एक शिक्षार्थी वास्तव में क्या जानता है?
अनुकरणित छात्रों द्वारा उत्पन्न किसी निष्कर्ष पर आप कैसे तय करेंगे कि उस पर इतना भरोसा किया जाए कि आप वास्तविक लोगों को पढ़ाने के तरीके को बदल सकें?

भूमिका

अनुकरणित छात्र एक पद्धतिगत उपकरण हैं: ऐसे एजेंट जो वास्तविक शिक्षार्थियों के स्थान पर खड़े होते हैं, जिससे मानव छात्रों के समूहों की भर्ती किए बिना कोचिंग प्रणालियों, पाठ्यचर्या और शिक्षण रणनीतियों का मूल्यांकन तथा पुनरावृत्ति की जा सके। बड़े भाषा मॉडल ने इस प्रतिमान को उन नियम-आधारित अनुकरणित शिक्षार्थियों की तुलना में बेहद अधिक स्केलेबल और भाषाई रूप से यथार्थवादी बना दिया है, जबकि साथ ही नई वैधता चुनौतियाँ भी पेश की हैं।

AI-मध्यस्थित अनुमान उस प्रश्न को तीखा करते हैं जिसकी इस पेज को परवाह है: अनुकरण किसका प्रतिनिधित्व करता है, और शिक्षक को क्या ध्यान में रखना चाहिए। गणित शिक्षक शिक्षा में, अभ्यास-दोहन में उपयोग किए जाने वाले पाठ-आधारित अनुकरणित छात्र कार्य और चैटबॉट साथी उन अभ्यास के सन्निकटनों का विस्तार करते हैं जो पहले से ही व्यावसायिक प्रशिक्षण को संगठित करते हैं। एक चैटबॉट अध्ययन में चार विशिष्ट प्रश्न-पूछने वाली प्रोफ़ाइलें मिलीं, फिर भी प्री-सर्विस शिक्षकों के स्व-मूल्यांकन उस अंतःक्रिया गुणवत्ता से मेल नहीं खाए जो प्रेक्षकों ने दर्ज की, जिससे अभ्यास-दोहन के बाद दिया गया स्वचालित फ़ीडबैक — जिसने जाँचने और खोजने वाले प्रश्न बढ़ाए — एक उपयोगी लेकिन अपर्याप्त मार्गदर्शक साबित हुआ। सिम्युलेटर, उम्मीदवार और फ़ीडबैक — तीनों को साथ मिलाकर पढ़ना होगा। यह कि अनुकरण एक शिक्षक को क्या ध्यान में रखने देता है, उसका निर्धारण उसके डिज़ाइन से भी होता है: 17 प्री-सर्विस गणित शिक्षकों के साथ किए गए Galiç et al. (2026) के तीन सप्ताह के बराबर-चिह्न हस्तक्षेप में उम्मीदवार ध्यान देने, व्याख्या करने और आकार देने के बीच गए, किसी निश्चित क्रम से नहीं, लेकिन एक-पर-एक, पाठ-आधारित व्यवस्था का मतलब था कि आकार देना प्रश्न-पूछने और प्रॉम्प्टिंग में ही समाप्त हो गया, और भ्रम-प्रथम डिज़ाइन ने ध्यान को छात्रों की ताकतों के बजाय त्रुटि-पहचान की ओर खींचा। सिम्युलेटर ही तय करता है कि उम्मीदवार को शिक्षण का कौन-सा हिस्सा अभ्यास करने को मिलेगा।

केवल पर्यवेक्षित फ़ाइन-ट्यूनिंग एक सिम्युलेटर को प्रॉम्प्ट की गई क्षमता पर केवल कमज़ोर रूप से अनुकूलित करती है, क्योंकि इसका उद्देश्य प्रतिक्रिया पाठ को पुन: उत्पन्न करने के लिए पुरस्कृत करता है, प्रतिक्रिया की गुणवत्ता को क्षमता से बाँधने के लिए नहीं; Fernandez et al. (2026) इसके बजाय सिम्युलेटर को छात्रों के IRT क्षमता-अंतराल से बने युग्मों पर प्रत्यक्ष प्राथमिकता अनुकूलन के माध्यम से संरेखित करते हैं, और CodeWorkout पर यह युग्म बनाना सभी प्रत्यक्ष कठिनाई-पूर्वानुमान बेसलाइन को और 1B स्केल पर हर कठिनाई-मीट्रिक पर SMART सिम्युलेटर को भी पीछे छोड़ता है, साथ ही वितरण-संबंधी रूप से अधिक यथार्थवादी प्रतिक्रियाएँ उत्पन्न करता है।

छात्रों का अनुकरण क्यों करें

शिक्षाशास्त्र का मूल्यांकन: कई शिक्षार्थी प्रोफ़ाइलों पर शिक्षण दृष्टिकोणों का नियंत्रित, पुनरावर्तनीय तरीके से परीक्षण।
विविध शिक्षार्थियों का मॉडलिंग: संज्ञानात्मक स्तरों, शिक्षण शैलियों, पूर्व ज्ञान और एआई के बारे में गलतफहमियाँ में विविधता को पकड़ना, जिसे किसी वास्तविक समूह में जुटाना कठिन है।
शैक्षिक AI का परीक्षण: सजीव परिनियोजन से पहले कोचिंग और मूल्यांकन प्रणालियों का सत्यापन, और प्रशिक्षण डेटा का निर्माण।
शिक्षक प्रशिक्षण: प्रशिक्षकों को अनुकरणित, अक्सर अपूर्ण शिक्षार्थियों के साथ कोचिंग और कक्षा प्रबंधन का अभ्यास कराना।
अनुकरण सबसे सरल छात्रों को कवर करते हैं, और बहुत कम का सत्यापन होता है। बारह शिक्षकों ने जिन्होंने LLM छात्रों को पढ़ाया, उन्होंने अत्यधिक जटिल भाषा, भावनाओं का अभाव, अस्वाभाविक सतर्कता और ज्ञान में छलांग की सूचना दी, और अनुकरणों ने वास्तविक छात्र व्यवहार के चार चतुर्भुजों में से केवल एक का प्रतिनिधित्व किया — जबकि शिक्षार्थियों का अनुकरण करने वाली केवल 3% अध्ययन उनका उपयोग के बाद सत्यापन करते हैं (Martynova et al. (2026) ।

मूल चुनौती: यथार्थवादी अपूर्णता

छात्र-अनुकरण की परिभाषित कठिनाई यह है कि LLM को "सहायक सहायक" (helpful assistants) बनने के लिए प्रशिक्षित किया जाता है जो सही, परिष्कृत उत्तर देते हैं। फिर भी वास्तविक छात्र अपूर्ण होते हैं — वे विशिष्ट गलतियाँ करते हैं, भ्रम रखते हैं, और क्रमिक रूप से सीखते हैं। एक अनुकरणित छात्र जो पूर्णतः सही (या बहुत यादृच्छिक रूप से) उत्तर दे, वह किसी शिक्षार्थी का वैध मॉडल नहीं है। शोध इसे योग्यता विरोधाभास के रूप में रखता है: व्यापक रूप से सक्षम LLM से आंशिक रूप से जानकार शिक्षार्थियों का अनुकरण करने को कहा जाए, तो वे अवास्तविक त्रुटि पैटर्न और सीखने की गतिशीलता उत्पन्न करते हैं। Nguyen और Cao (2026) उस विचलन को एक दिशा देते हैं। 49 NGSS-संरेखित विज्ञान पाठों से लिए गए पाठ-निहित छात्र विचारों के विरुद्ध, छह मॉडलों ने अधिकांश विचारों को अपेक्षित ज्ञान-परिधि के भीतर रखा और लगभग दो-तिहाई को लक्ष्य पठन स्तर पर या उससे नीचे, लेकिन ठीक वहीं अधिक निकल गए जहाँ शिक्षार्थी सबसे छोटा था: प्राथमिक और मध्य-विद्यालय के विचार अधिक बार लक्ष्य कक्षा के ज्ञान-परिधि और पठन स्तर से ऊपर गए, जबकि समग्र संग्रह व्यापक तर्क, अधिक तकनीकी शब्दावली और पाठ विचारों की तुलना में कम अनिश्चितता सूचक ("शायद", "ऐसा लगता है") की ओर झुका। मॉडल चुनाव भी एक-आयामी नहीं है — एक प्रणाली जो पाठ विचारों से मेल खाती है, वह फिर भी उन्हें कक्षा-स्तर से ऊपर रख सकती है, इसलिए सुधार आमतौर पर शिक्षणात्मक होता है, क्योंकि स्पष्ट कक्षा-स्तर पुनः-प्रॉम्प्ट ने अधिकांश मॉडलों को परिधि में वापस ले आया। इसका समाधान अनुकरण को इस प्रकार बाधित करने में है कि वह एक सच्चा संज्ञानात्मक अवस्था प्रतिबिंबित करे — कि शिक्षार्थी क्या जानता है, त्रुटियाँ कैसे संरचित हैं, और अवस्था कैसे विकसित होती है — न कि मॉडल की पूर्ण योग्यता का। तकनीकों में ज्ञान ग्राफ़ या ज्ञान अनुरेखण मॉडलों में निहित संज्ञानात्मक प्रोटोटाइप, स्पष्ट संज्ञानात्मक अवस्था विनिर्देश, और साधारण व्यक्तित्व-अनुकूलित भूमिका-नाटक के बजाय सीखने की अवस्था-संक्रमण मॉडल शामिल हैं।

एक अलग उपकरण ज्ञान को बाधित करने के बजाय उसे हटा देता है। Mistral-7B में 16 लक्षित ज्ञान-घटकों को दबाने से सटीकता 10% विस्मरण अनुपात पर लगभग 0.75 से घटकर 40% पर 0.5 से नीचे चली गई, जबकि आधार मॉडल लगभग 0.85 पर बना रहा, और दबाया गया ज्ञान पर्यवेक्षित पुनःसीखने तथा कोच-निर्देशित संवाद के माध्यम से पुनः प्राप्त करने योग्य साबित हुआ (Song, Guo और Lin, 2026) ।

व्यक्तित्व स्थिरता एक अंतःक्रिया-डिज़ाइन की समस्या है, मॉडल-चुनाव की नहीं: पांच LLM को तीन प्रॉम्प्ट डिज़ाइन और चार ADHD-तीव्रता व्यक्तित्वों के साथ पार करने पर, स्क्रिप्ट-आधारित कार्य-संबद्ध अंतःक्रियाओं ने प्रेक्षक-रेटेड व्यावहारिक विचलन को समाप्त कर दिया — अस्क्रिप्टेड संवाद की तुलना में 97% तक कम — और स्पष्ट व्यक्तित्व निर्देशों के बिना आधारभूत छात्र प्रतिनिधित्व उच्च ADHD लक्षणों की ओर झुका (Gonnermann-Müller, Haase और Leins (2026) ।

विपरीत विफलता भी होती है: एक अंधा अध्ययन में, विशेषज्ञ एनोटेटरों ने 196 में से 164 (83.7%) LLM-जनित Java सबमिशन को मानव-लिखित के रूप में गलत वर्गीकृत किया, इसलिए एक सिम्युलेटर की त्रुटियाँ प्रामाणिक त्रुटियों से कार्यात्मक रूप से अविभेद्य हो सकती हैं — हालाँकि समस्या की कठिनाई बढ़ने पर वास्तविक त्रुटियों के साथ संरेखण घटा (Keramati et al. (2026) ।

पूर्वानुमानित व्यवहार मॉडल पर निर्माण को शर्त बनाना बिना फ़ाइन-ट्यूनिंग के काम करता है: एक प्रशिक्षण-रहित ढाँचा प्रत्येक छात्र का संज्ञानात्मक प्रोटोटाइप एक ज्ञान ग्राफ़ से बनाता है और बीम-खोज उम्मीदवारों को उसके विरुद्ध स्कोर करता है, और अनुकरण सटीकता में 100% सुधार की सूचना देता है (Wu et al. (2025) । इसकी गुणवत्ता छात्र के संज्ञानात्मक स्तर के साथ बढ़ती है, इसलिए कमज़ोर शिक्षार्थी अनुकरण का अधिक कठिन मामला बने रहते हैं।

CogEvolution स्थिर व्यक्तित्व के बजाय संज्ञानात्मक गतिशीलता को मॉडल करता है — एक ICAP गहराई परसेप्ट्रॉन प्रत्येक अवस्था-अद्यतन का आकार तय करता है और एक क्रमविकासी अद्यतन समीपविकासी विकास क्षेत्र (Zone-of-Proximal-Development) की त्रिज्या के भीतर रहता है — जहाँ स्थिर एजेंट 0.45 तक पहुँचते हैं वहाँ यह R²LC = 0.92 तक पहुँचता है और ICAP मॉड्यूल के बिना 0.58 पर गिर जाता है (Zhang et al. (2026) ।

सतही यथार्थवाद के ऊपर निष्ठा

वैधता केंद्रीय चिंता है: एक अनुकरणित छात्र तभी उपयोगी है जब उसका व्यवहार संज्ञानात्मक रूप से सत्यनिष्ठ हो — अभीष्ट शिक्षार्थी की ज्ञान-अवस्था को प्रतिबिंबित करे — न कि केवल भाषाई रूप से सुसंगत हो। शोध चापलूसि के विरुद्ध चेतावनी देता है, जहाँ एक "अनुकरणित छात्र" प्रशिक्षक से केवल सहमत होता है, बजाय उन भ्रमों को प्रदर्शित करने के जिन्हें उसे व्यक्त करना था। यह विश्वास कैलिब्रेशन से जुड़ता है और उस व्यापक समस्या से कि मूल्यांकन किया जाए कि कोई एजेंट वास्तव में किसी निर्माण (construct) को मॉडल करता है या सिर्फ़ सतही व्यवहार को पुनरुत्पादित करता है।

विफलता परिमाणित है: 4B से 120B पैरामीटर के सात मॉडलों में, सिम्युलेटर किसी भी फ़ीडबैक पर लगभग एकसमान दरों पर सही उत्तर की ओर पलट गए, इसलिए आउटपुट समानता उसके पीछे की विश्वास-अवस्था के बारे में कुछ नहीं बताती, जबकि Selective Flip Score के विरुद्ध प्रशिक्षण ने सत्यनिष्ठता को +0.56 तक बढ़ाया (Do, Sonkar और Sachan (2026) ।

ज्ञान आधार से संबंध

छात्रों का अनुकरण सिमुलेशन, शिक्षार्थी मॉडलिंग और अनुकूली शिक्षण, और ज्ञान अनुरेखण के चौराहे पर स्थित है। यह शिक्षा में जनरेटिव-AI का एक विशिष्ट उपयोग है (शिक्षार्थियों को पढ़ाने के बजाय उन्हें मॉडल करना) और एजेंटिक AI बहु-एजेंट प्रणालियों का एक अनुप्रयोग। यह इंटेलिजेंट ट्यूटरिंग, अनुकूली अधिगम, व्यक्तिगत शिक्षा, और शिक्षण विकास का समर्थन करता है, और व्यावसायिक प्रशिक्षण (जैसे, विशेष शिक्षा और चिकित्सा शिक्षा संदर्भ) में रोगी-अनुकरण के साथ अतिव्याप्त करता है। प्रतिमान स्तर पर, Zhang, Jiang और Tang (2026) इसे मूल्यांकन से आगे बढ़ाते हैं: उनकी स्थिति पेपर तर्क देती है कि शैक्षिक विज्ञान अपने सिद्धांत और अपने डेटा तथा विधि-उपकरण के बीच एक संरचनात्मक बेमेल से पीड़ित है, और एजेंट-आधारित शैक्षिक विज्ञान प्रस्तावित करती है, जिसमें एजेंट शिक्षार्थियों, शिक्षकों, माता-पिता और साथियों को मॉडल करते हैं जबकि अनुकरण उपकरण स्वयं — व्यक्तिगत एजेंट नहीं — शोध उपकरण का काम करता है, समय-विस्तारित विकासात्मक प्रक्षेप-पथ और प्रतिगामी (counterfactual) डिज़ाइन उत्पन्न करता है जिन्हें कक्षाओं में चलाना धीमा, महँगा या नैतिक रूप से असंभव है, तथा अनुभवजन्य डेटा को अंशांकन, सत्यापन और सीमा शर्तों के रूप में पुनर्गठित करता है। पेपर इनमें से किसी का अनुभवजन्य सत्यापन की सूचना नहीं देता: छात्र विकास एजेंट केवल संकल्पनात्मक रूप से निर्दिष्ट हैं, और लेखकों की अपनी समीक्षा स्वीकार करती है कि LLM व्यक्तिगतों के बीच के अंतर को अभी भी नहीं पाते हैं और जननात्मक सामाजिक अनुकरण का सत्यापन क्षेत्र की अनसुलझी चुनौती बना हुआ है, इसलिए यह दावा कि अनुकरण प्रमाण और पुनरुक्ति के कामकाज को बदल देगा, एक प्रस्ताव है, प्रदर्शित परिणाम नहीं।

उसी समूह से एक अनुभवजन्य साथी आता है: एक छात्र विकास एजेंट MAIC प्लेटफ़ॉर्म पर 42 वास्तविक छात्रों के पाठ्यक्रम-पश्चात संज्ञानात्मक नहीं, बल्कि गैर-संज्ञानात्मक परिणामों का पूर्वानुमान लगाता है, और पाँचों आयामों में RMSE पर औसत पाठ्यक्रम-पूर्व बेसलाइन को पीछे छोड़ता है (Jiang और Zhang, 2025) । इसका लक्ष्य व्यवहार नहीं, विकास है — एजेंट की अवस्था उसके अगले कार्यों में जाती है — और एजेंटों पर प्रोटोटाइप बनाने से छात्रों को किसी अध्ययन के सबसे अनिश्चित चरण से बाहर रखा जा सकता है, यह तर्क दिया गया है।

छात्रों का अनुकरण बनाम छात्र मॉडलिंग

मुख्य अंतर एक वास्तविक शिक्षार्थी का प्रतिनिधित्व और एक संश्लेषित शिक्षार्थी का निर्माण के बीच है। शिक्षार्थी मॉडलिंग और अनुकूली शिक्षण किसी वास्तविक छात्र की एक संगणकीय प्रतिनिधित्व बनाने का अभ्यास है — वह क्या जानते हैं, क्या महसूस करते हैं, और क्या चाहते हैं — ताकि अनुकूली प्रणालियाँ उस शिक्षार्थी के लिए शिक्षण को व्यक्तिगत बना सकें। इसके विपरीत, छात्रों का अनुकरण माँग पर काल्पनिक शिक्षार्थियों को बनाता है, किसी वास्तविक व्यक्ति की सेवा करने के लिए नहीं, बल्कि किसी समूह के स्थान पर खड़े होने के लिए, जिससे शिक्षाशास्त्र और AI प्रणालियों का ऑफ़लाइन परीक्षण किया जा सके।

दोनों एक-दूसरे के पूरक हैं, प्रतिस्पर्धी नहीं। एक उच्च-निष्ठा अनुकरणित छात्र आमतौर पर एक छात्र मॉडल समाहित करता है (एक संज्ञानात्मक अवस्था, एक भ्रम समुच्चय, एक संलग्नता प्रोफ़ाइल) और उन्हीं निर्माणों पर निर्भर करता है जिन्हें शिक्षार्थी मॉडलिंग और अनुकूली शिक्षण और ज्ञान अनुरेखण औपचारिक बनाते हैं। साझा वैधता चुनौती दोनों में एक ही है: प्रतिनिधित्व को शिक्षार्थी की सच्ची अवस्था को निष्ठावान रूप से प्रतिबिंबित करना चाहिए, प्रणाली के डिफ़ॉल्ट व्यवहार को नहीं। लेकिन उद्देश्य भिन्न है — छात्र मॉडलिंग एक वास्तविक शिक्षार्थी का निदान करती है ताकि उस पर कार्य किया जा सके; अनुकरण शिक्षार्थियों को गढ़ता है ताकि परीक्षण या प्रशिक्षण किया जा सके। यही कारण है कि अनुकरणित-छात्र शोध का उपयोग AI के ऑडिट में बढ़ता हुआ होता है (नीचे देखें) जबकि छात्र-मॉडलिंग शोध सजीव अनुकूली अधिगम और व्यक्तिगत शिक्षा की ओर अभिमुख रहता है।

दो-अक्ष निष्ठा: व्यावहारिक मेल और मार्गदर्शन अनुक्रियाशीलता

StudentSim (Yang et al., 2026) वैधता समस्या को दो आवश्यकताओं के रूप में औपचारिक बनाता है जिन्हें साथ मिलकर पूरा होना चाहिए: व्यावहारिक निष्ठा (F) — एक सिम्युलेटर किसी छात्र की अपनी प्रतिक्रियाओं से कितनी अच्छी तरह मेल खाती है — और मार्गदर्शन अनुक्रियाशीलता (R) — वह कितनी विश्वसनीय रूप से उस दिशा की ओर अद्यतन होती है जहाँ शिक्षक के मार्गदर्शन ले जाते हैं। इसका बेंचमार्क, StudentSimEval, सार्वजनिक शिक्षार्थी संग्रहों (शतरंज, द्वितीय-भाषा अंग्रेज़ी लेखन, गणित को एक मानकीकृत प्रति-छात्र प्रोटोकॉल में ढालता है जिस पर कोई भी सिम्युलेटर फिट की जाती है और रोके गए रिकॉर्ड पर स्कोर की जाती है। एक दो-चरणीय पहले समुच्चय, फिर विशेषीकृत पाइपलाइन (व्यावहारिक पैटर्नों का एक साझा समुच्चय और एक प्रति-छात्र अनुकूलक) दोनों अक्षों पर मज़बूत सिम्युलेटरों का एक परिवार उत्पन्न करती है, जो डोमेन-विशिष्ट अवस्था-ट्रैकिंग (R पर कमज़ोर) और केवल-प्रॉम्प्ट LLM भूमिका-नाटक (F पर कमज़ोर) से बेहतर प्रदर्शन करती है। यह क्षेत्र को यह निर्णय करने के लिए एक ठोस, दो-अक्ष शब्दावली देता है कि कोई अनुकरणित शिक्षार्थी वास्तव में उपयोगी है या केवल सुसंगत — और, एक प्रमाण-अवधारणा के रूप में, एक जमा हुआ StudentSim जो एक शतरंज-शिक्षक रीनफ़ोर्समेंट लर्निंग पाश में पुरस्कार के रूप में प्रयुक्त हुआ, ने ऐसे शिक्षक उत्पन्न किए जिन्हें विशेषज्ञों ने अधिक सटीक, बेहतर मार्गदर्शित और अधिक व्यक्तिगत बताया, उन शिक्षकों की तुलना में जो अग्रणी-LLM-सिम्युलेटर पुरस्कार या कोई RL नहीं से प्रशिक्षित थे।

छात्र सिम्युलेटर देखे जाने वाले कार्यों को पुनरुत्पादित करती हैं, लेकिन उनके पीछे के लैटेंट तर्क को नहीं। INSIDE मॉडलों को प्रत्येक कार्य से पहले एक आंतरिक संवाद उत्पन्न करने के लिए फ़ाइन-ट्यून करती है, और उत्पन्न तर्क और वास्तविक कोड संपादन के बीच उच्चतम संरेखण तक पहुँचती है (परिचित समस्याओं पर 51.8%, अदृश्य पर 57.9%) बिना कार्य निष्ठा खोए (Niousha et al., 2026) ।

वर्णन करना, अनुकरण नहीं: जब एक अकेला एजेंट अनुकरणित समूह को हरा देता है

एक आवर्ती प्रश्न यह है कि शिक्षार्थियों के वितरण का अनुकरण करना यह भविष्यवाणी करने का सर्वोत्तम तरीका है कि वास्तविक छात्र कैसा प्रदर्शन करेंगे। Wang, Mitchell और Piech (2025) एक उल्लेखनीय विपरीत परिणाम देते हैं: छात्रों के संलग्न होने से पहले एक ऑनलाइन शिक्षण अनुभव का मूल्यांकन करने के लिए — छोड़ने और पूरा करने की भविष्यवाणी तथा डिज़ाइन फ़ीडबैक देना — एक अकेला "वर्णन करने वाला" वेब एजेंट जो स्वायत्तता से पाठ में से चलता है और छात्र अनुभव का एक समृद्ध वर्णन उत्पन्न करता है, ने छात्रों की आबादी का सीधे अनुकरण करने को पीछे छोड़ा। उनके अनुकरणित छात्र (व्यक्तित्व-अनुकूलित एजेंट जिन्हें अनुमानित पूर्णता दर से मेल खाने के लिए नमूना लिया गया) ने वास्तविक शिक्षार्थियों की तुलना में बहुत कम व्यावहारिक श्रेणी दिखाई — पाँच परीक्षण पाठों पर 100 एजेंटों में उन्होंने वास्तविक छात्रों के लिए गए पथों का केवल लगभग 4% पुनरुत्पादित किया — और पाठ की कठिनाई में बहुत कम अंतर्दृष्टि दी, साथ ही संगणकीय रूप से कहीं अधिक महँगे रहे। अकेला वर्णन-फिर-पूर्वानुमान पाइपलाइन (एजेंट-जनित वर्णन जिन्हें परिणामों की भविष्यवाणी के लिए एक बड़े भाषा मॉडल (LLMs) को दिया गया) ने एक विशाल वैश्विक CS1 पाठ्यक्रम पर सर्वोत्तम छोड़ने के वितरण की भविष्यवाणी प्राप्त की (औसत JSD 0.060, हर बेसलाइन को हराकर)। यह क्षेत्र के लिए एक उपयोगी सीमा परिणाम है: छात्रों के वितरण का अनुकरण करना अनावश्यक हो सकता है — और यहाँ तक कि हानिकारक भी — जब लक्ष्य परिणाम भविष्यवाणी या डिज़ाइन आलोचना हो, क्योंकि अनुभव की निष्ठावान तस्वीर अनुकरणित प्रक्षेप-पथों के एक संकरीप्त हिस्से से अधिक संकेत वहन करती है। यह यह भी संकेत करता है कि अनुकरण की भूमिका उन प्रश्नों तक सीमित हो सकती है (जैसे, विविध प्रोफ़ाइलों के प्रति एक AI के व्यवहार का ऑडिट, या शिक्षकों को प्रशिक्षित करना) जहाँ सच्ची शिक्षार्थी विविधता को कवर करना समुच्चय परिणाम भविष्यवाणी से अधिक मायने रखती है।

प्रामाणिक-डेटा छात्र मॉडल और अंतःक्रियात्मक अभ्यास

2026 के दो धागे अनुकरण के व्यावहारिक मूल्य को तीखा करते हैं। पहला, प्रामाणिक-डेटा छात्र मॉडल — TeachLM एक छात्र मॉडल को वास्तविक एक-पर-एक शिक्षक–छात्र अंतःक्रियाओं के 100,000 घंटों पर प्रशिक्षित करता है (कड़े अनामीकरण के साथ), और ऐसे संश्लेषित शिक्षार्थियों को उत्पन्न करता है जो शिक्षक व्यवहार के तेज़, स्केलेबल, पुनरुत्पादनीय बहु-चरणीय मूल्यांकन को सक्षम बनाते हैं; यह केवल-प्रॉम्प्ट-इंजीनियर किए गए छात्र सिम्युलेटर की कम प्रामाणिकता और विविधता की समस्या को संबोधित करता है। दूसरा, अंतःक्रियात्मक शिक्षणात्मक सिम्युलेक्रा — EducaSim जननात्मक एजेंटों (व्यक्तित्वों, पाठ्यक्रम-निहित स्मृतियों और एक LLM-के-रूप में-न्यायाधीश वाणी ओरेकल के साथ) का उपयोग प्रशिक्षण-प्राप्त शिक्षकों के लिए एक छोटे समूह का अनुकरण करने के लिए करती है, जिसमें चलने-योग्य कोड और ध्वनि अंतःक्रिया के साथ संरचित सत्र-पश्चात फ़ीडबैक और स्व-प्रतिबिंब जोड़ा जाता है, और अनुभवात्मक शिक्षण अभ्यास की कम लागत, सकारात्मक स्वीकृति विशाल ऑनलाइन पाठ्यक्रमों के स्तर पर प्रदर्शित करती है। दोनों इस बात की ओर संकेत करते हैं कि अनुकरण केवल मूल्यांकन नहीं, बल्कि व्यावहारिक शिक्षक तैयारी की सेवा भी करता है।

तीसरा 2026 का धागा इस बात से संबंधित है कि एक सिम्युलेटर कैसे बनाई जाती है, न कि उसका उपयोग किस लिए होता है, और यह एक निष्कर्ष पर मिलता है: प्रॉम्प्ट एक छत निर्धारित करता है जिसे प्रशिक्षण हटा देता है। SWIM (Do, Kontak और Sachan, 2026) छात्र लेखन अनुकरण को दक्षता-अनुकूलित निबंध निर्माण के रूप में पुनर्गठित करती है और रूब्रिक-आधारित प्रॉम्प्टिंग, वास्तविक स्कोर-निबंध युग्मों पर पर्यवेक्षित फ़ाइन-ट्यूनिंग, तथा एक स्वचालित निबंध स्कोरिंग-व्युत्पन्न दक्षता संरेखण पुरस्कार के साथ GRPO की तुलना करती है, और प्रत्येक जनित निबंध को उसके लक्ष्य विशेषता प्रोफ़ाइल के विरुद्ध Quadratic Weighted Kappa से स्कोर करती है। प्रॉम्प्टिंग ने मज़बूत स्वामित्व वाले मॉडलों को भी सीमित नियंत्रण दिया (Claude Sonnet के लिए सर्वोत्तम औसत विशेषता QWK 0.577, GPT-5.4 के लिए 0.422, किसी खुले 7B मॉडल को प्रॉम्प्ट करने पर लगभग शून्य), उसने सामग्री-उन्मुख विशेषताओं को रूप से बहुत बेहतर संरेखित किया (0.695 बनाम 0.458), और उसने एक आदर्शीकृत उच्च-दक्षता आबादी उत्पन्न की, जिसमें औसत सामान्यीकृत समग्र स्कोर 0.74 था जबकि वास्तविक छात्रों के लिए 0.58 और माध्य लंबाई 304 शब्द जबकि 167। पर्यवेक्षित फ़ाइन-ट्यूनिंग ने एक 7B मॉडल को 0.474 ± 0.023 तक ले जाया और GRPO ने 0.618 ± 0.005 तक, लाभ दो स्वतंत्र स्कोररों पर भी बने रहे जिनके विरुद्ध नीति ने कभी प्रशिक्षण नहीं लिया, और प्रशिक्षित मॉडलों ने बिना किसी लंबाई पर्यवेक्षण के मानव स्कोर और लंबाई वितरणों को पुनः प्राप्त किया; प्रामाणिक निम्न-दक्षता रूप सबसे कठिन बनी रही, क्योंकि प्रशिक्षित मॉडलों ने वाक्य रचना पुनः प्राप्त की लेकिन वर्तनी और व्याकरण त्रुटियाँ बहुत कम लिखीं, जबकि प्रॉम्प्टिंग ने कमज़ोरी को मुख्यतः सतही भ्रष्टाचार के माध्यम से अनुकरणित किया। वही सबक विपरीत दिशा से Liu et al. (2026) में आता है, जिन्होंने बीजगणितीय भ्रम रखने के लिए तीन छोटे मॉडलों को निर्देश-फ़ाइन-ट्यून किया: डेटा संयोजन ने परिणाम तय किया, क्योंकि एक अकेला भ्रम अति-सामान्यीकृत हुआ और सही हल को तब तक खराब किया जब तक सही उदाहरण मिलाए नहीं गए, कई भ्रमों को साथ मिलाकर बिना लागत प्रशिक्षित किया गया, और किसी भी डेटा आकार पर केवल-अंतिम-उत्तर पर्यवेक्षण से कोई भ्रम अर्जित नहीं हुआ, जिससे चरण-स्तर के हल-निशान बाध्यकारी आवश्यकता बने रहे।

382 रोके गए गणित संवादों पर सात संदर्भ-आधारित मीट्रिक के विरुद्ध नौ अनुकरण विधियों की तुलना करने पर, प्रॉम्प्टिंग संवाद कार्यों (0.4998 बनाम 0.6840), ROUGE-L (0.1648 बनाम 0.3212) और कोसाइन समानता (0.5460 बनाम 0.7390) पर फ़ाइन-ट्यूनिंग से पीछे रही (Scarlatos et al., 2026) । फिर भी परखी गई सर्वोत्तम विधि, 8B मॉडल पर प्राथमिकता अनुकूलन, ने पर्यवेक्षित फ़ाइन-ट्यूनिंग को केवल सीमांत रूप से हराया और त्रुटियों पर खराब रही, और तीन-शिक्षक मानव मूल्यांकन ने उसी क्रम को पुनरुत्पादित किया।

वास्तुकला वह लागू कर सकती है जो प्रॉम्प्ट नहीं कर सकता: एक तंत्रु-प्रतीकात्मक सिम्युलेटर जो अर्ध-मार्कॉव नियंत्रक और दोष-निर्मित ज्ञान ट्रैकिंग के माध्यम से स्व-नियंत्रित सीखने की संरचना लागू करती है, ने 0.53 बेसलाइन के विरुद्ध 0.31 व्यावहारिक विचलन प्राप्त किया (Wang et al., 2026) । अपनी संज्ञानात्मक शब्दावली को बेसलाइन में इंजेक्ट करना कभी 0.63 से ऊपर नहीं गया, प्रतीकात्मक नियंत्रक हटाने से विचलन 6.81 पर पहुँच गया, और एक 71-रेटर ट्यूरिंग परीक्षण में इसके निशान वास्तविक छात्रों से अविभेद्य थे (52.8%, d′ = 0.15)।

अनुकरणित छात्रों के साथ AI का ऑडिट

शिक्षाशास्त्र के मूल्यांकन से आगे, अनुकरणित छात्र AI प्रणालियों के स्वयं के ऑडिट के लिए एक परीक्षण उपकरण के रूप में कार्य करते हैं — यह एक नियंत्रित तरीका है जिससे यह जाँचा जा सके कि एक AI विविध शिक्षार्थी प्रोफ़ाइलों में कैसा व्यवहार करती है, इससे पहले कि वह वास्तविक छात्रों को छुए। López-Pernas et al. (2026) इसे उदाहरण देते हैं: उन्होंने तीन LLM से 4,500 संश्लेषित छात्र विग्नेट उत्पन्न किए ताकि यह ऑडिट किया जाए कि वर्तमान बड़े भाषा मॉडल निर्देशात्मक लर्निंग एनालिटिक्स सिफ़ारिशकर्ताओं के रूप में कार्य कर सकते हैं या नहीं, और छात्रों की आवश्यकता के प्रति सीमित संवेदनशीलता तथा तीखे अंतर-मॉडल असंगति पाई। अनुकरणित समूहों का उपयोग किसी AI की सिफ़ारिशों को तनाव-परीक्षण में डालने के लिए (न कि केवल शिक्षकों को प्रशिक्षित या मूल्यांकित करने के लिए) इस प्रतिमान की एक बढ़ती भूमिका है, जो शिक्षा में AI का मूल्यांकन और समानता से घनिष्ठ रूप से जुड़ी है, जब ऑडिट का उद्देश्य शिक्षार्थी प्रकारों के बीच असमान व्यवहार को उजागर करना हो।

अनुकरण शिक्षार्थी के विकल्पों का पूर्व-परीक्षण भी कर सकता है: Noh et al. (2026) ने एक योगज कारक मॉडल और बेज़ियन ज्ञान अनुरेखण को दो वास्तविक कोचिंग डेटा सेट पर फिट किया और 1,000 अनुकरणित शिक्षार्थियों को आठ रणनीतियों के अंतर्गत कौशल चुनने दिया, जहाँ एक जोखिम-विरोधी नियम ने अन्य लोगों की तुलना में लगभग तीस गुना अधिक अभ्यास उत्पन्न किया और एक निपटारे-से-ठीक-नीचे की सीमा ने उसे 1.8× तक काट दिया।

दूसरा ऑडिट रजिस्टर संज्ञानात्मक और भावुक है। MEDS (Esposito et al., 2026) एक 28,000-रिकॉर्ड डेटा सेट है — 14 मॉडल में से प्रत्येक के लिए 2,000 संश्लेषित व्यक्तित्व, प्रत्येक एक बार मानव व्यक्तित्व के रूप में और एक बार आधारभूत सहायक के रूप में चलाया गया — जो 18 उच्च-विद्यालय गणित समस्याओं पर सटीकता को उन स्व-रिपोर्टेड विश्वास और उन स्व-प्रभावशीलता तथा गणित चिंता स्कोर के साथ दर्ज करता है जो वे शिक्षार्थी जिनका प्रतिनिधित्व करते हैं, रिपोर्ट करेंगे। इसका ऑडिट संकेत अंशांकन अंतराल है: Qwen परिवार और Ministral 3B ने 0.90 से ऊपर विश्वास दिखाया जबकि सटीकता लगभग 0.55 पर रुकी रही, जबकि Grok 4.1 Fast, DeepSeek Chat और कई Mistral Small प्रकार कम विश्वासी थे और Ministral 14B तथा Anita 24B उचित रूप से संरेखित बने रहे। वही रन निष्ठा की एक शांत विफलता को भी उजागर करते हैं: मानव-मोड व्यक्तित्वों ने चौड़े, सुसंगत स्कोर वितरण दिए, लेकिन आधारभूत सहायकों ने लगभग एकसमान, आत्मविश्वासी, कम-चिंता वाले उत्तर लौटाए — एक डिफ़ॉल्ट स्व-चित्र, न कि किसी अनुकरणित शिक्षार्थी का। यह ऊपर दिए गए सिफ़ारिशकर्ता ऑडिट को इस बात की जाँच करके बढ़ाता है कि कोई मॉडल अपनी स्वयं की योग्यता और भाव के बारे में क्या दावा करता है, और यह पेज की वैधता चेतावनी को एक अप्रत्याशित दिशा से तीखा करता है: क्योंकि MEDS व्यक्तित्वों को निर्माण द्वारा भारित किया गया है, किसी वास्तविक आबादी से नमूना लिए बिना नहीं, इसके लेखक डेटा सेट को प्रॉम्प्ट-अनुकूलित GenAI व्यवहार के ऑडिट के लिए एक प्रेक्षणात्मक संसाधन के रूप में प्रस्तुत करते हैं और स्पष्ट रूप से वास्तविक छात्र डेटा का प्रतिस्थापक नहीं।

सहयोगी और सामाजिक गतिशीलता का अनुकरण

अनुकरण व्यक्तिगत शिक्षार्थियों से आगे सहयोगी सीखने की सामाजिक गतिशीलता को पुनरुत्पादित करने तक भी विस्तारित होता है। प्रतिभागी-विशिष्ट LLM एजेंट — Fang (2026) ने व्यक्तिगत प्रतिभागियों के संवाद डेटा पर LLaMA 3.2-3B एजेंटों को सहयोगी समस्या-समाधान अनुकरण में प्रत्येक प्रतिभागी का प्रतिनिधित्व करने के लिए फ़ाइन-ट्यून किया, स्थानीय बारी-बारी और विषयगत निरंतरता दोनों को बनाए रखने के लिए सरकती-खिड़की स्मृति को सारांशित स्मृति एम्बेडिंग के साथ जोड़ा, और अनुभवजन्य वितरणों से वक्ताओं और विषयगत कोड का संभाव्यतात्मक रूप से चयन किया। संज्ञानात्मक नेटवर्क विश्लेषण (ENA) का उपयोग करते हुए, अनुकरणित संवाद वास्तविक संवादों से सांख्यिकीय रूप से अविभेद्य थे (ENA दूरी 0.17, 95वीं-प्रतिशतक शून्य सीमा के भीतर; प्रतिस्थापन p = 0.65), जो सत्यापित करता है कि LLM एजेंट वास्तविक सहयोगी समस्या समाधान की बारी-बारी गतिशीलता और विषयगत कोड प्रक्षेप-पथ दोनों को पुनरुत्पादित कर सकते हैं।

2026 के स्थायी-कौशल कार्य अनुकरण के सामान्य दिशा को उलट देते हैं। छात्र को किसी प्रणाली के ऑडिट के लिए अनुकरणित करने के बजाय, प्रणाली साथियों का अनुकरण करती है ताकि छात्र का मूल्यांकन किया जा सके: एक कार्यकारी LLM 30-मिनट के समूह कार्य में हर AI साथी की पारी उत्पन्न करती है, स्कोरिंग रूब्रिक रखती है, और संवाद को इस प्रकार मोड़ती है कि लक्ष्य कौशल के प्रकट होने के अवसर गढ़े जाएँ (Globerson et al., 2026) । 188 प्रतिभागियों के 373 संवादों में, कौशल-मेल खाती मोड़ ने रेट करने योग्य प्रमाण को परियोजना प्रबंधन के लिए 92.4% और संघर्ष समाधान के लिए 85% तक बढ़ाया, यह उच्चतम स्वतंत्र एजेंटों से काफ़ी ऊपर था, जबकि AI मूल्यांकनकर्ता को दो मानव रेटरों के विरुद्ध अंशांकित किया गया जिनकी अपनी अंतर-रेटर Kappa केवल 0.45–0.64 थी — एक उपयोगी अनुस्मारक कि एक सिम्युलेटर की छत उस सहमति से तय होती है जिन तक मनुष्य किसी निर्माण पर पहुँच सकते हैं।

किसी सिम्युलेटर के विरुद्ध प्रशिक्षण यात्रा भी कर सकता है: TutorLoop के सुदृढ़ीकरण-सीखने एजेंट, जिसे ऑफ़लाइन एक अनुकरणित छात्र के विरुद्ध प्रशिक्षित किया गया था, ने बिना पुनःप्रशिक्षण एक नए वास्तविक सीखने के कार्य में अपरिवर्तित स्थानांतरित किया (N = 187), जहाँ इसका विरल लेकिन बेहतर समयबद्ध फ़ीडबैक ने घने फ़ीडबैक से बेहतर प्रदर्शन किया (Xu और Zhang, 2026) ।

मेटाडेटा

इच्छित पाठक	Instructors
प्रौद्योगिकियाँ और तकनीकें	संज्ञानात्मक निदान, जनरेटिव-AI, इंटेलिजेंट ट्यूटरिंग, ज्ञान अनुरेखण, बड़े भाषा मॉडल (LLMs), शिक्षाशास्त्रीय एजेंट, सिमुलेशन, शिक्षार्थी मॉडलिंग और अनुकूली शिक्षण
शिक्षा में AI की नींव	एजेंटिक AI, शिक्षण

Source History Edit Chat