हम सिम्युलेटेड छात्र को वास्तविक शिक्षार्थी की तरह व्यवहार करने के लिए कैसे बनाएँ?

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

सिम्युलेटेड छात्र को विश्वसनीय बनाना आसान है और सच्चा बनाना कठिन। किसी सामान्य मॉडल से संघर्षरत शिक्षार्थी की भूमिका निभाने को कहें तो वह सहज, संभावनात्मक भ्रम पैदा करेगा — न-जानने की सही शब्दावली, सही अभिव्यक्ति-शैली में। फिर उससे पूछें कि सुधार के बाद वह छात्र क्या कहेगा, तो वह चुपचाप सही उत्तर लगा देगा।

यही अंतर पूरी समस्या है, और यह बेहतर व्यक्तित्व-प्रॉम्प्ट लिखने की बात नहीं है। यह पेज बताता है कि सिम्युलेटेड शिक्षार्थी को वास्तविक शिक्षार्थी की तरह व्यवहार करने के लिए असल में क्या काम करता है — चाहे आप कोई सिम्युलेटर बना रहे हों या किसी मौजूदा का उपयोग अभ्यास या परीक्षण के लिए कर रहे हों।

संक्षिप्त रूप

मॉडल को सहायक और सही होना सिखाया जाता है। शिक्षार्थी न तो सहायक होते हैं, न सही। इसलिए काम यह है कि सिम्युलेटर क्या जानता है और वह ज्ञान कैसे बदलता है — इन्हें सीमित किया जाए, और फिर जाँचा जाए कि वह शिक्षार्थी की तरह व्यवहार कर रहा है, न कि महज़ शिक्षार्थी जैसा लग रहा है। केवल प्रॉम्प्टिंग से यह नहीं मिलता; नीचे दिए प्रमाण काफ़ी सुसंगत हैं कि प्रॉम्प्टिंग एक सीमा तय करती है जिसे प्रशिक्षण या संरचना हटाती है।

पहले यह जानें कि आप क्या सिम्युलेट नहीं कर रहे हैं

किसी सिम्युलेटर पर भरोसा करने वाले के लिए सबसे उपयोगी निष्कर्ष कवरेज के बारे में है। बारह शिक्षकों ने — जिन्होंने LLM छात्रों को पढ़ाया — अत्यधिक जटिल भाषा, अनुपस्थित भावनात्मकता, अस्वाभाविक सतर्कता और असम्बद्ध ज्ञान-छलाँग की सूचना दी — और सिम्युलेशनों ने वास्तविक छात्र व्यवहार के केवल चार में से एक चतुर्थांश को दर्शाया (Martynova et al., 2026)। जो चतुर्थांश उन्होंने कवर किया वह सिम्युलेट करने में सबसे आसान था।

यह मायने रखता है क्योंकि लगभग कोई जाँच नहीं करता। शिक्षार्थियों को सिम्युलेट करने वाली पढ़ाई-पड़ताल में महज़ 3% अध्ययन अपने सिम्युलेटर का उपयोग के बाद सत्यापन करते हैं। यदि आप एक बनाते हैं और उसका सत्यापन नहीं करते, तो आप उस अपार बहुमत में हैं — और इस आँकड़े को उद्धृत करने योग्य बनाने का श्रेय भी आपको है।

सक्षमता-विरोधाभास: आपका सिम्युलेटर बहुत अधिक जानता है

परिभाषित कठिनाई यह है कि एक सक्षत मॉडल आंशिक रूप से ज्ञान रखने वाले शिक्षार्थी का रूप सहज से नहीं निभा सकता। पढ़ाई-पड़ताल इसे सक्षमता-विरोधाभास कहती है: व्यापक रूप से सक्षत मॉडलों से आंशिक रूप से जानकार शिक्षार्थियों का अनुकरण करने को कहने पर अवास्तविक त्रुटि-पैटर्न और अवास्तविक अधिगम-गतिशीलता उत्पन्न होती है।

भ्रम की एक दिशा होती है, और वह उन्हीं शिक्षार्थियों की ओर इशारा करती है जिन्हें सबसे अधिक सिम्युलेट करने की आवश्यकता है। 49 NGSS-संरेखित विज्ञान पाठों से लिए गए छात्र-विचारों के मुक़ाबले, छह मॉडलों ने अधिकांश विचार अपेक्षित ज्ञान-दायरे के भीतर रखे और लगभग दो-तिहाई को लक्ष्य पठन-स्तर पर या उससे नीचे — लेकिन वहीं अधिक मात्रा में आगे निकल गए जहाँ शिक्षार्थी सबसे छोटा था। प्राथमिक और माध्यमिक स्तर के विचार अधिक बार लक्ष्य कक्षा-स्तर के ज्ञान-दायरे और पठन-स्तर से आगे निकले, और संग्रह का समुच्चय व्यापक तर्क, अधिक तकनीकी शब्दावली और वास्तविक पाठ-विचारों की तुलना में कम अनिश्चितता-सूचक ("maybe", "it seems") की ओर झुका (Nguyen and Cao, 2026)।

उस अध्ययन से दो व्यावहारिक बातें। मॉडल-चुनाव एक-आयामी नहीं है — जो प्रणाली पाठ-विचारों से निकट मेल खाती है वह भी उन्हें कक्षा-स्तर से ऊपर रख सकती है। और सुधार अक्सर शैक्षणिक होता है, वास्तुकला-संबंधी नहीं: एक स्पष्ट कक्षा-स्तर पुनः-प्रॉम्प्ट ने अधिकांश मॉडलों को वापस सही सीमा में ले आया।

सतही यथार्थवाद गलत लक्ष्य है

जो सिम्युलेटर छात्र जैसा लगता है वह छात्र के विश्वासों को नहीं रख सकता, और सामान्य गुणवत्ता-जाँच यह अंतर नहीं बता पाती।

विफलता को मात्रा में मापा गया है। 4B से 120B पैरामीटर तक के सात मॉडलों में, सिम्युलेटर जो भी प्रतिक्रिया प्राप्त करे उसके बावजूद लगभग समान दर पर सही उत्तर की ओर बदल गए — इसलिए आउटपुट-समानता उसके पीछे के विश्वास-अवस्था के बारे में कुछ नहीं बताती। Selective Flip Score के विरुद्ध प्रशिक्षण ने निष्ठा को +0.56 तक बढ़ाया (Do, Sonkar & Sachan, 2026)। यदि आप चाहते हैं कि सिम्युलेटर कोई भ्रम रखे, तो उस गुण के लिए प्रशिक्षित करना ही पड़ेगा; उसे आप पाठ से पढ़ नहीं सकते।

उलटी गलती भी होती है, और यही कारण है कि "क्या यह मानव-जैसा लगता है?" दोनों दिशाओं में एक कमज़ोर परीक्षण है। एक अंध पढ़ाई-पड़ताल में, विशेषज्ञ टिप्पणीकारों ने LLM-जनित Java प्रस्तुतियों में से 196 में 164 (83.7%) को मानव-लिखित गलत वर्गीकृत किया — त्रुटियाँ प्रामाणिक त्रुटियों से कार्यात्मक रूप से अविभेद्य थीं। वास्तविक त्रुटियों के साथ मेल तब घटा जब-जब समस्या की कठिनाई बढ़ी (Keramati et al., 2026)।

प्रॉम्प्टिंग एक सीमा तय करती है जिसे प्रशिक्षण हटाता है

तीनों दृष्टिकोणों का सबसे स्पष्ट तुलना SWIM का है, क्योंकि वह प्रत्येक जनित निबंध को उसके लक्ष्य गुण-प्रोफ़ाइल के विरुद्ध स्कोर करता है, न कि इसे प्रभाव-आधारित निर्णय से आँकता है:

• रूब्रिक-आधारित प्रॉम्प्टिंग: मज़बूत मालिकाना मॉडलों के लिए भी सीमित नियंत्रण — सर्वोत्तम औसत गुण QWK 0.577 (Claude Sonnet), 0.422 (GPT-5.4), एक खुले 7B मॉडल के लिए लगभग शून्य।
• पर्यवेक्षित सूक्ष्म-समायोजन वास्तविक स्कोर-निबंध युग्मों पर: उस 7B मॉडल के लिए 0.474 ± 0.023।
• GRPO एक स्वचालित-निबंध-स्कोरिंग-व्युत्पन्न पुरस्कार के साथ: 0.618 ± 0.005, दो स्वतंत्र स्कोरर पर लाभ बना रहा जिनके विरुद्ध नीति को प्रशिक्षण नहीं मिला था (SWIM: Student Writing Simulation via Proficiency-Conditioned Generation)।

प्रॉम्प्टिंग ने एक आदर्श समष्टि भी पैदा की, यथार्थवादी नहीं: औसत सामान्यीकृत समुच्चय स्कोर 0.74 वास्तविक छात्रों के 0.58 के विरुद्ध, और माध्य लंबाई 304 शब्द 167 के विरुद्ध। प्रशिक्षित मॉडलों ने बिना किसी लंबाई-पर्यवेक्षण के मानवीय स्कोर और लंबाई वितरणों को पुनः प्राप्त किया।

एक चीज़ कठिन बनी रही, और यह यथार्थवाद का वादा करने से पहले जानना उचित है: प्रामाणिक निम्न-दक्षता रूप। प्रशिक्षित मॉडलों ने वाक्य-रचना पुनः प्राप्त की, लेकिन वर्तनी और व्याकरण त्रुटियाँ बहुत कम लिखीं, जबकि प्रॉम्प्टिंग ने कमज़ोरी मुख्यतः सतही भ्रष्टाचार के माध्यम से सिम्युलेट की — अन्यथा सक्षत गद्य पर छिड़के गए गलत वर्तनी।

सिम्युलेटर के ज्ञान को सीमित करने के दो तरीके

यदि मॉडल बहुत अधिक जानता है, तो आप या तो उस अवस्था को निर्दिष्ट कर सकते हैं जिसमें उसे होना चाहिए, या ज्ञान हटा सकते हैं।

ज्ञान-विज्ञान अवस्था पर शर्त लगाएँ, व्यक्तित्व पर नहीं। एक प्रशिक्षण-रहित ढाँचा प्रत्येक छात्र का संज्ञानात्मक आदर्शरूप एक ज्ञान ग्राफ़ से बनाता है और बीम-खोज उम्मीदवारों को उसके विरुद्ध स्कोर करता है, और सिम्युलेशन-सटीकता में 100% सुधार रिपोर्ट करता है (Wu et al., 2025)। इसकी गुणवत्ता छात्र के संज्ञानात्मक स्तर के साथ बढ़ती है, और यही ले जाने योग्य निष्कर्ष है: कमज़ोर शिक्षार्थी कठिन मामला बने रहते हैं — जो दुर्भाग्यपूर्ण है, क्योंकि आमतौर पर मुद्दा वही होता है। स्थिर व्यक्तित्व के बजाय संज्ञानात्मक गतिशीलता का मॉडलिंग और आगे जाता है — CogEvolution के ICAP-आधारित अवस्था-अद्यतन R²LC = 0.92 तक पहुँचे, जहाँ स्थिर एजेंट 0.45 तक पहुँचते हैं, और अपने ICAP मॉड्यूल के बिना 0.58 पर गिर गए (Zhang et al., 2026)।

या ज्ञान हटा दें। Mistral-7B में 16 लक्षित ज्ञान-घटकों का दमन करने से सटीकता 10% विस्मरण-अनुपात पर लगभग 0.75 से 40% पर 0.5 से नीचे गिरी, जबकि आधार मॉडल लगभग 0.85 पर बना रहा — और दमित ज्ञान पर्यवेक्षित पुनः-अधिगम और कोच-मार्गदर्शित संवाद के माध्यम से पुनः प्राप्त करने योग्य सिद्ध हुआ (Song, Guo & Lin, 2026)। यह नौसिखिए को सीधे निर्मित करने का सबसे नज़दीकी उपाय है, और यदि आप चाहते हैं कि सिम्युलेटर सत्र के दौरान सीखे तो पुनःप्राप्तिकर्ता एक लाभ है।

संवाद को स्क्रिप्टेड बनाएँ, व्यक्तित्व को नहीं

व्यक्तित्व-स्थिरता संवाद-अभिकल्पना की समस्या निकलती है, मॉडल-चुनाव की नहीं। पाँच LLM को तीन प्रॉम्प्ट-अभिकल्पनाओं और चार ADHD-तीव्रता व्यक्तित्वों के साथ मिलाने पर, स्क्रिप्टेड कार्य-आधारित संवादों ने पर्यवेक्षक-रेटेड व्यवहारगत विचलन समाप्त कर दिया — अस्क्रिप्टेड संवाद से 97% तक कम। और स्पष्ट व्यक्तित्व-निर्देशों के बिना, आधारभूत छात्र-निरूपण उच्च ADHD लक्षणों की ओर झुका (Gonnermann-Müller, Haase & Leins, 2026)।

व्यावहारिक निष्कर्ष: यदि आपका सिम्युलेटर विचलित होता है, तो समाधान इस बात में हो सकता है कि आप उसे बारी-बारी से क्या करने को कहते हैं, न कि इस बात में कि आपने कौन-सा मॉडल चुना या छात्र का वर्णन कैसे किया।

इसे दो अक्षों पर जाँचें, एक पर नहीं

"क्या यह सिम्युलेटर अच्छा है?" का सबसे स्पष्ट औपचारिक रूप StudentSim से आता है, जिसके लिए दोनों एक साथ सत्य होना आवश्यक है:

• व्यवहारगत निष्ठा — सिम्युलेटर छात्र की अपनी प्रतिक्रियाओं से कितनी अच्छी तरह मेल खाता है।
• मार्गदर्शन-अनुक्रियाशीलता — यह शिक्षक के मार्गदर्शन की ओर कितनी विश्वसनीय रूप से अद्यतन होता है।

इसका बेंचमार्क सार्वजनिक शिक्षार्थी-संग्रहों (शतरंज, द्वितीय-भाषा अंग्रेज़ी लेखन, गणित) को एक प्रति-छात्र प्रोटोकॉल में ढालता है, जिस पर कोई भी सिम्युलेटर फिट होता है और अलग-रखे गए रिकॉर्ड पर स्कोर होता है। परिणाम एक उपयोगी नैदानिक संकेत है: डोमेन-विशिष्ट अवस्था-ट्रैकिंग अनुक्रियाशीलता पर कमज़ोर थी, और केवल-प्रॉम्प्ट LLM भूमिका-निभाना निष्ठा पर कमज़ोर (Yang et al., 2026)। कोई सिम्युलेटर एक परीक्षण उत्तीर्ण और दूसरा फेल कर सकता है, इसलिए दोनों रिपोर्ट करें।

एक संकल्पना-प्रमाण के रूप में, एक स्थिर StudentSim को शतरंज-ट्यूटर रीनफ़ोर्समेंट लर्निंग लूप में पुरस्कार के रूप में उपयोग करने से ऐसे ट्यूटर बने जिन्हें विशेषज्ञों ने उन ट्यूटरों से अधिक सटीक, बेहतर-मार्गदर्शित और अधिक व्यक्तिगत माना जो अग्रणी-LLM-सिम्युलेटर-पुरस्कार के विरुद्ध या बिना किसी RL के प्रशिक्षित थे। अच्छा सिम्युलेटर केवल मापन उपकरण नहीं है — वह प्रशिक्षण-संकेत भी हो सकता है।

वास्तविक शिक्षार्थियों के विरुद्ध सत्यापित करें, अपनी अंतर्ज्ञान के विरुद्ध नहीं

दो बेंचमार्क दिखाते हैं कि सत्यापन की क्या लागत है और क्या मिलता है।

वास्तविक छात्र-ट्यूटर गणितीय संवादों के सबसे बड़े सार्वजनिक संग्रह के 382 अलग-रखे गए संवादों पर सात संदर्भ-आधारित मेट्रिक्स के विरुद्ध नौ सिम्युलेशन विधियों का बेंचमार्किंग, प्रॉम्प्टिंग संवाद-क्रियाओं पर सूक्ष्म-समायोजन से पीछे रहा (0.4998 बनाम 0.6840), ROUGE-L (0.1648 बनाम 0.3212) और कोसाइन समानता (0.5460 बनाम 0.7390)। लेकिन परीक्षित सर्वोत्तम विधि — एक 8B मॉडल पर प्राथमिकता-अनुकूलन — ने पर्यवेक्षित सूक्ष्म-समायोजन को केवल थोड़ा हराया और त्रुटियों पर खराब रहा, और एक तीन-ट्यूटर मानव-मूल्यांकन ने उसी क्रम को पुनः उत्पन्न किया (Scarlatos et al., 2026)। सबक यह है कि इस सीढ़ी का शीर्ष मध्य से बहुत ऊपर नहीं है, इसलिए आपके सिम्युलेटर और किसी आधारभूत मानक के बीच का बड़ा अंतर छोटे अंतर से अधिक सूचनाप्रद है।

छात्र-सिम्युलेटर दिखने योग्य क्रियाएँ भी बिना उनके पीछे के लैटेंट तर्क के पुनः उत्पन्न करते हैं। INSIDE मॉडलों को प्रत्येक क्रिया से पहले एक आंतरिक संवाद उत्पन्न करने के लिए सूक्ष्म-समायोजित करता है, जनित तर्क और वास्तविक कोड-संपादन के बीच उच्चतम मेल तक पहुँचता है — परिचित समस्याओं पर 51.8%, अपरिचित समस्याओं पर 57.9% — बिना क्रिया-निष्ठा खोए (Niousha et al., 2026)। यदि आपको इस बात की परवाह है कि आपके सिम्युलेटेड छात्र ने क्यों कुछ किया, तो क्रिया-स्तरीय निष्ठा पर्याप्त नहीं है।

कभी-कभी विवरण सिम्युलेशन से बेहतर होता है

कोई समूह बनाने से पहले जानने योग्य परिणाम: किसी ऑनलाइन अधिगम अनुभव का मूल्यांकन उसमें शामिल होने से पहले छात्र — पाठ्यक्रम-त्याग और पूर्णता का पूर्वानुमान, और अभिकल्पना-प्रतिक्रिया देना — एक एकल "वर्णन करने वाला" वेब एजेंट जो पाठ में चलता है और अनुभव का समृद्ध विवरण तैयार करता है, उसने छात्रों की समष्टि को सीधे सिम्युलेट करने से बेहतर प्रदर्शन किया।

उस तुलना में सिम्युलेटेड छात्रों ने वास्तविक शिक्षार्थियों से बहुत कम व्यवहारगत विविधता दिखाई: पाँच परीक्षण पाठों पर 100 एजेंटों में उन्होंने वास्तविक छात्रों द्वारा लिए गए मार्गों का केवल लगभग 4% पुनः उत्पन्न किया, और इसकी लागत काफ़ी अधिक कम्प्यूट थी। विवरण-फिर-पूर्वानुमान पाइपलाइन ने एक विशाल वैश्विक CS1 पाठ्यक्रम में सर्वोत्तम पाठ्यक्रम-त्याग-वितरण पूर्वानुमान प्राप्त किया (औसत JSD 0.060, हर आधारभूत मानक को हराकर) (Wang, Mitchell & Piech, 2025)।

यह जो सीमा रेखांकित करता है वह उपयोगी है: छात्रों के वितरण को सिम्युलेट करना अनावश्यक हो सकता है — या प्रतिकूल — जब लक्ष्य परिणाम-पूर्वानुमान या अभिकल्पना-आलोचना हो। सिम्युलेशन अपनी लागत तब सिद्ध होता है जब वास्तविक शिक्षार्थी-विविधता को कवर करना मायने रखता है, जैसे कि किसी AI के विविध प्रोफ़ाइलों के साथ व्यवहार का ऑडिट करना या किसी शिक्षक को अभ्यास के लिए कुछ देना।

सिम्युलेटर पर भरोसा करने से पहले एक जाँच-सूची

1. लिख लें कि आप किन शिक्षार्थियों को कवर नहीं कर रहे हैं। सिम्युलेशन सबसे आसान चतुर्थांश को पकड़ती हैं।

2. गद्य नहीं, विश्वास-अवस्था की जाँच करें। पूछें कि सुधार के बाद सिम्युलेटर क्या कहता है; जो सिम्युलेटर सही उत्तर की ओर बदल जाता है वह भ्रम नहीं रख रहा।

3. यदि निष्ठा मायने रखती है तो केवल प्रॉम्प्टिंग पर निर्भर न रहें। प्रॉम्प्टिंग एक सीमा तय करती है जिसे प्रशिक्षण या संरचना हटाती है।

4. तय करें कि आप ज्ञान को कैसे सीमित करेंगे — ज्ञान-विज्ञान अवस्था निर्दिष्ट करें, या ज्ञान हटाएँ — न कि व्यक्तित्व का वर्णन करें।

5. संवाद को स्क्रिप्टेड बनाएँ, केवल व्यक्तित्व को नहीं। कार्य-आधारित बारियाँ व्यवहारगत विचलन को नाटकीय रूप से घटाती हैं।

6. निष्ठा और मार्गदर्शन-अनुक्रियाशीलता को अलग-अलग स्कोर करें। कोई सिम्युलेटर एक उत्तीर्ण और दूसरा फेल कर सकता है।

7. वास्तविक शिक्षार्थी-आँकड़ों के विरुद्ध सत्यापित करें, और जिस आधारभूत मानक को आपने हराया उसे रिपोर्ट करें। यहाँ सर्वोत्तम विधियाँ उनसे नीचे की तुलना में केवल थोड़ी बेहतर हैं।

8. छात्र-समष्टि बनाने से पहले जाँच लें कि क्या एक एकल वर्णन-एजेंट आपके प्रश्न का अधिक सस्ते में उत्तर देगा।

9. अपेक्षा रखें कि सबसे कमज़ोर शिक्षार्थी सबसे कठिन मामला होंगे, और यह भी कहें कि यदि आपका सिम्युलेटर उनके बारे में निष्कर्ष निकालने के लिए उपयोग होगा।

संबद्ध प्रश्न

• हम कैसे जानें कि कोई शैक्षणिक AI सही काम कर रहा है, केवल अच्छा स्कोर नहीं कर रहा? — उन प्रणालियों का मूल्यांकन जिन्हें आप सिम्युलेटर के विरुद्ध परीक्षण करते हैं
• हम AI शिक्षा में सामान्य भ्रमों को कैसे संबोधित कर सकते हैं? — क्या सिम्युलेटेड छात्र पढ़ाई-पड़ताल में वास्तविक शिक्षार्थियों की जगह ले सकते हैं
• हम अपने विषय में अधिगम के समर्थन में AI को कैसे बेहतर बना सकते हैं? — ऊपर दिए सूक्ष्म-समायोजन परिणामों के पीछे की प्रशिक्षण विधियाँ
• छात्रों का अनुकरण — पूर्ण संकल्पना पेज