Mensimulasikan Siswa

Di halaman ini

Terjemahan mesin otomatis halaman berbahasa Inggris ini, yang belum ditinjau oleh penutur asli.

Mensimulasikan siswa — menggunakan agen berbasis LLM untuk memodelkan perilaku, kognisi, dan dinamika sosial siswa untuk penelitian, desain, dan pelatihan pendidikan. Siswa simulasi memungkinkan peneliti mengevaluasi pendekatan pedagogis, memodelkan profil siswa yang beragam, menguji AI pendidikan sebelum penerapan, dan melatih guru — tugas yang sulit, lambat, atau terkendala secara etis untuk dilakukan secara sistematis dengan siswa nyata.

Pertanyaan yang Perlu Dipertimbangkan

Jika Anda harus membangun 'siswa' AI untuk melatih pengajaran Anda, apa yang akan membuatnya meyakinkan bagi Anda — dan mengapa sistem yang selalu memberi jawaban benar justru bisa menjadi pengganti yang buruk bagi siswa nyata?
Halaman ini menyebut ketidaksesuaian antara jawaban sempurna AI yang cakap dan jawaban tidak sempurna siswa nyata sebagai 'paradoks kompetensi.' Di mana Anda pernah melihat ketegangan ini dalam pengalaman Anda sendiri dengan AI, dan menurut Anda apa yang diperlukan agar siswa simulasi benar-benar realistis?
Apa alasan etis dan praktis mengapa Anda mungkin lebih memilih menguji sistem tutor atau kurikulum pada siswa simulasi daripada siswa nyata — dan risiko validitas apa yang Anda duga ditimbulkan oleh pertukaran itu?
Siswa simulasi dapat 'setia secara epistemik' tanpa tampak dangkal seperti manusia. Sebelum membaca lebih jauh, perbedaan apa yang Anda bayangkan antara permukaan yang meyakinkan dan model yang jujur tentang apa yang benar-benar diketahui siswa?
Bagaimana Anda akan memutuskan apakah temuan yang dihasilkan siswa simulasi cukup dapat dipercaya untuk mengubah cara Anda mengajar orang nyata?

Pendahuluan

Siswa simulasi adalah alat metodologis: agen yang menggantikan siswa nyata sehingga sistem tutor, kurikulum, dan strategi instruksional dapat dievaluasi dan diiterasi tanpa merekrut kohort siswa manusia. Model bahasa besar telah membuat paradigma ini jauh lebih dapat diskalakan dan lebih realistis secara linguistik daripada siswa simulasi berbasis aturan yang mendahuluinya, sekaligus memperkenalkan tantangan validitas baru.

Aproksimasi yang dimediasi AI mempertajam pertanyaan yang menjadi perhatian halaman ini: siapa yang direpresentasikan oleh simulasi, dan apa yang seharusnya diperhatikan guru. Dalam pendidikan guru matematika, karya siswa simulasi berbasis teks dan mitra chatbot yang digunakan dalam latihan memperluas aproksimasi praktik yang sudah mengorganisasi pelatihan profesional. Satu studi chatbot menghasilkan empat profil bertanya yang berbeda, namun penilaian diri calon guru tidak selaras dengan kualitas interaksi yang dicatat pengamat, yang menjadikan umpan balik pascalatihan otomatis yang meningkatkan pertanyaan menyelidik dan menggali sebagai panduan yang berguna tetapi tidak memadai. Simulator, calon guru, dan umpan balik semuanya harus dibaca bersama. Apa yang dapat diperhatikan guru dari simulasi juga ditentukan oleh desainnya: dalam intervensi tanda sama dengan tiga minggu Galiç et al. (2026) dengan 17 calon guru matematika, calon guru bergerak di antara memperhatikan, menafsirkan, dan membentuk, bukan melalui urutan tetap, tetapi pengaturan satu-lawan-satu berbasis teks membuat pembentukan runtuh menjadi pertanyaan dan pemberian prompt, dan desain yang mengutamakan miskonsepsi menarik perhatian ke deteksi kesalahan, bukan ke kekuatan siswa. Simulator memilih irisan pengajaran yang dapat dilatih oleh calon guru.

Penyetelan halus tersupervisi saja hanya mengondisikan simulator secara lemah pada kemampuan yang diprompt, karena objektifnya memberi imbalan mereproduksi teks respons alih-alih mengikat kualitas respons pada kemampuan; Fernandez et al. (2026) menyelaraskan simulator melalui optimasi preferensi langsung atas pasangan yang dibentuk dari celah kemampuan IRT siswa, dan pada CodeWorkout pemasangan itu mengalahkan semua garis dasar prediksi kesulitan langsung dan, pada skala 1B, mengalahkan simulator SMART pada setiap metrik kesulitan sekaligus menghasilkan respons yang lebih realistis secara distribusi.

Mengapa mensimulasikan siswa

Mengevaluasi pedagogi: menguji pendekatan instruksional di banyak profil siswa secara terkendali dan dapat diulang.
Memodelkan siswa yang beragam: menangkap variasi tingkat kognitif, gaya belajar, pengetahuan awal, dan miskonsepsi yang sulit dihimpun dalam kohort nyata.
Menguji AI pendidikan: memvalidasi sistem tutor dan penilaian sebelum penerapan langsung, serta menghasilkan data pelatihan.
Pelatihan guru: membiarkan instruktur berlatih tutoring dan manajemen kelas dengan siswa simulasi yang sering kali tidak sempurna.
Simulasi mencakup siswa yang paling mudah, dan sedikit yang divalidasi. Dua belas guru yang mengajari siswa LLM melaporkan bahasa yang terlalu kompleks, emosi yang hilang, atensi yang tidak wajar, dan lompatan pengetahuan, dan simulasi hanya merepresentasikan satu dari empat kuadran perilaku siswa nyata — sementara hanya 3% studi yang mensimulasikan siswa memvalidasinya setelah penggunaan (Martynova et al. (2026)).

Tantangan inti: ketidaksempurnaan yang realistis

Kesulitan yang menentukan dalam simulasi siswa adalah bahwa LLM dilatih untuk menjadi "asisten yang membantu" yang menghasilkan jawaban benar dan rapi. Namun siswa nyata tidak sempurna — mereka membuat kesalahan yang khas, menyimpan miskonsepsi, dan belajar secara bertahap. Siswa simulasi yang menjawab sempurna (atau terlalu acak) bukan model siswa yang valid. Penelitian membingkai ini sebagai paradoks kompetensi: LLM yang secara luas cakap namun diminta meniru siswa yang berpengetahuan sebagian menghasilkan pola kesalahan dan dinamika belajar yang tidak realistis. Nguyen dan Cao (2026) memberi arah pada penyimpangan itu. Dibandingkan gagasan siswa yang tertanam dalam pelajaran yang diambil dari 49 pelajaran sains selaras NGSS, enam model mempertahankan sebagian besar gagasan di dalam cakupan pengetahuan yang diharapkan dan sekitar dua pertiga pada atau di bawah tingkat baca target, tetapi melampaui batas tepat di mana siswanya paling muda: gagasan sekolah dasar dan menengah lebih sering melebihi cakupan pengetahuan dan tingkat baca kelas target, sementara korpus secara keseluruhan lebih condong ke penalaran yang lebih luas, kosakata yang lebih teknis, dan penanda ketidakpastian yang lebih sedikit ("mungkin", "sepertinya") daripada gagasan pelajaran. Pilihan model juga tidak satu dimensi — sistem yang sangat cocok dengan gagasan pelajaran tetap dapat menyampaikannya di atas tingkat kelas, sehingga perbaikannya biasanya instruksional, karena prompt ulang tingkat kelas yang eksplisit mengangkat sebagian besar model kembali ke rentangnya. Menanganinya memerlukan pembatasan simulasi agar mencerminkan keadaan epistemik yang sebenarnya — apa yang diketahui siswa, bagaimana kesalahan terstruktur, dan bagaimana keadaan itu berkembang — bukan kompetensi penuh model. Tekniknya mencakup prototipe kognitif yang berlandaskan model Graf Pengetahuan atau Pelacakan Pengetahuan, spesifikasi keadaan epistemik yang eksplisit, dan model transisi keadaan pembelajaran, bukan role-play sederhana yang dikondisikan persona.

Tuas lain menghapus pengetahuan alih-alih membatasi keluaran. Menekan 16 komponen pengetahuan bertarget pada Mistral-7B menurunkan akurasi dari sekitar 0.75 pada rasio lupa 10% menjadi di bawah 0.5 pada 40%, sementara model dasar bertahan di sekitar 0.85, dan pengetahuan yang ditekan terbukti dapat dipulihkan melalui pembelajaran ulang tersupervisi dan dialog yang dipandu coach (Song, Guo & Lin, 2026).

Stabilitas persona adalah masalah desain interaksi, bukan masalah pilihan model: menyilangkan lima LLM dengan tiga desain prompt dan empat persona intensitas ADHD, interaksi terancang yang berjangkar tugas menghapus penyimpangan perilaku yang dinilai pengamat — hingga 97% lebih sedikit daripada dialog tanpa skrip — dan tanpa instruksi persona yang eksplisit, representasi siswa dasar condong ke gejala ADHD tinggi (Gonnermann-Müller, Haase & Leins (2026)).

Kegagalan sebaliknya juga terjadi: dalam studi tersamar, anotator ahli salah mengklasifikasikan 164 dari 196 (83.7%) kiriman Java yang dihasilkan LLM sebagai tulisan manusia, sehingga kesalahan simulator dapat secara fungsional tidak dapat dibedakan dari yang autentik — meskipun keselarasan dengan kesalahan nyata menurun seiring naiknya kesulitan soal (Keramati et al. (2026)).

Mengondisikan generasi pada model perilaku yang diprediksi berhasil tanpa penyetelan halus: kerangka tanpa pelatihan membangun prototipe kognitif setiap siswa dari Graf Pengetahuan dan memberi skor kandidat beam-search terhadapnya, melaporkan peningkatan akurasi simulasi 100% (Wu et al. (2025)). Kualitasnya naik seiring tingkat kognitif siswa, sehingga siswa yang lebih lemah tetap menjadi kasus yang lebih sulit untuk disimulasikan.

Prediksi siswa alih-alih berperan sebagai siswa. Jiang et al. (2026) mengubah simulasi menjadi prediksi orang ketiga: model siswa yang dibangun dari riwayat siswa memasok prior, keadaan siswa yang disimpulkan membatasi tindakan berikutnya, dan distribusi kemampuan simulasi mendarat 2.4–8.4× lebih dekat ke yang nyata menurut jarak Wasserstein-1.

CogEvolution memodelkan dinamika kognitif alih-alih persona statis — perceptron kedalaman ICAP menetapkan ukuran setiap pembaruan keadaan dan pembaruan evolusioner tetap berada dalam radius Zone-of-Proximal-Development — mencapai R²LC = 0.92 di mana agen statis mencapai 0.45 dan turun ke 0.58 tanpa modul ICAP (Zhang et al. (2026)).

Penyimpangan adalah masalah horizon, bukan masalah persona. Radmehr et al. (2026) menunjukkan bahwa generasi tingkat giliran kehilangan profil yang ditetapkan saat lintasan memanjang, sementara merencanakan segmen yang selaras profil sebelum menghasilkan tindakan mempertahankan kepadatan dan konsistensi yang dinilai juri bahkan dengan tiga lintasan nyata per profil.

Kesetiaan di atas realisme permukaan

Validitas adalah kekhawatiran sentral: siswa simulasi hanya berguna jika perilakunya setia secara epistemik — mencerminkan keadaan pengetahuan siswa yang dimaksud — bukan sekadar masuk akal secara linguistik. Penelitian memperingatkan terhadap sikofansi, di mana "siswa simulasi" hanya menyetujui tutor alih-alih menunjukkan miskonsepsi yang seharusnya diwujudkannya. Ini terhubung ke Kalibrasi Kepercayaan dan ke masalah yang lebih luas dalam mengevaluasi apakah agen benar-benar memodelkan suatu konstruk alih-alih mereproduksi perilaku permukaan.

Kegagalannya terkuantifikasi: di tujuh model dari 4B hingga 120B parameter, simulator berbalik ke jawaban benar pada laju yang hampir seragam apa pun umpan baliknya, sehingga kemiripan keluaran tidak mengatakan apa pun tentang keadaan keyakinan di baliknya, sementara pelatihan terhadap Selective Flip Score mengangkat kesetiaan hingga +0.56 (Do, Sonkar & Sachan (2026)).

Klien simulasi menghapus fase klarifikasi, dan perilaku peserta pelatihan mengikuti. Rudolph et al. (2026) membandingkan 64 role-play konseling chat manusia-manusia dengan 74 percakapan manusia-LLM (Mixtral 8x7B, 4-bit) di bawah sistem kategori GeCCo dan menemukan bahwa klien LLM mengungkapkan masalah yang tertanam dalam prompt mereka alih-alih berputar-putar di sekitarnya. Konselor akibatnya mencapai Pemecahan Masalah pada 17.63% perilaku terkode versus 10.67% dengan klien manusia, lebih mengandalkan refleksi faktual daripada moderasi fasilitatif, dan menutup sesi dengan formalitas lebih sering (11.95% vs 5.95%). Konsekuensi desainnya adalah bahwa kurikulum yang dibangun terutama di atas klien simulasi melatih paruh kedua sesi: menggali kisah yang enggan justru dilewati klien simulasi, sehingga prompt yang membuat klien menahan diri akan memulihkannya.

Koneksi ke basis pengetahuan

Mensimulasikan siswa berada di persimpangan Simulasi, Pemodelan Pembelajar dan Pengajaran Adaptif, dan Pelacakan Pengetahuan. Ini adalah penggunaan AI Generatif yang berbeda dalam pendidikan (memodelkan siswa alih-alih mengajari mereka) dan aplikasi sistem multi-agen AI Agensik. Ini mendukung Tutoring Cerdas, Pembelajaran Adaptif, Pembelajaran yang Dipersonalisasi, dan pengembangan Pengajaran, dan tumpang tindih dengan simulasi pasien untuk pelatihan profesional (misalnya konteks Pendidikan Khusus dan pendidikan kedokteran). Pada tingkat paradigma, Zhang, Jiang dan Tang (2026) memperluasnya melampaui evaluasi: makalah posisi mereka berargumen bahwa ilmu pendidikan mengalami ketidaksesuaian struktural antara teorinya dan aparatus data serta metodenya, dan mengusulkan ilmu pendidikan berbasis agen, di mana agen memodelkan siswa, guru, orang tua, dan teman sebaya sementara aparatus simulasi itu sendiri — bukan agen individual — berfungsi sebagai instrumen penelitian, menghasilkan lintasan perkembangan yang diperpanjang waktu dan desain kontrafaktual yang lambat, mahal, atau tidak layak secara etis dijalankan di kelas, dengan data empiris diubah perannya menjadi kalibrasi, validasi, dan kondisi batas. Makalah itu tidak melaporkan validasi empiris apa pun atas semua ini: Agen Perkembangan Siswa hanya ditentukan secara konseptual, dan tinjauan penulis sendiri mengakui bahwa LLM masih melewatkan variabilitas antarindividu dan bahwa memvalidasi simulasi sosial generatif tetap menjadi tantangan yang belum terpecahkan di bidang ini, sehingga klaim bahwa simulasi akan mengubah cara bukti dan replikasi bekerja adalah sebuah usulan, bukan hasil yang telah ditunjukkan.

Pendamping empiris datang dari kelompok yang sama: agen perkembangan siswa memprediksi hasil nonkognitif pascakursus 42 siswa nyata di platform MAIC, mengalahkan garis dasar rata-rata prakursus pada RMSE di kelima dimensi (Jiang & Zhang, 2025). Targetnya adalah perkembangan, bukan perilaku — keadaan agen memberi masukan bagi tindakan berikutnya — dan pembuatan prototipe pada agen dijadikan argumen untuk menjauhkan siswa dari tahap studi yang paling tidak pasti.

Mensimulasikan siswa vs. pemodelan siswa

Pembedaan kuncinya adalah antara merepresentasikan siswa nyata dan menghasilkan siswa sintetis. Pemodelan Pembelajar dan Pengajaran Adaptif adalah praktik membangun representasi komputasional seorang siswa aktual — apa yang mereka ketahui, rasakan, dan butuhkan — sehingga sistem adaptif dapat mempersonalisasi pengajaran untuk siswa itu. Mensimulasikan siswa, sebaliknya, menciptakan siswa fiktif sesuai permintaan, bukan untuk melayani individu nyata melainkan untuk menggantikan kohort sehingga pedagogi dan sistem AI dapat diuji secara offline.

Keduanya saling melengkapi, bukan bersaing. Siswa simulasi berkesetiaan tinggi biasanya mengandung model siswa (keadaan epistemik, himpunan miskonsepsi, profil keterlibatan) dan menarik pada konstruk yang sama yang diformalkan Pemodelan Pembelajar dan Pengajaran Adaptif dan Pelacakan Pengetahuan. Tantangan validitas bersama juga sama pada keduanya: representasi harus setia mencerminkan keadaan sebenarnya siswa, bukan perilaku bawaan sistem. Namun tujuannya berbeda — pemodelan siswa mendiagnosis siswa nyata untuk bertindak terhadapnya; simulasi memfabrikasi siswa untuk menguji atau melatih. Inilah sebabnya penelitian siswa simulasi semakin banyak digunakan untuk mengaudit AI (lihat di bawah) sementara penelitian pemodelan siswa tetap berorientasi pada Pembelajaran Adaptif dan Pembelajaran yang Dipersonalisasi langsung.

Kesetiaan dua sumbu: kecocokan perilaku dan responsivitas bimbingan

StudentSim (Yang et al., 2026) memformalkan masalah validitas sebagai dua persyaratan yang harus berlaku bersama: kesetiaan perilaku (F) — seberapa baik simulator cocok dengan respons siswa itu sendiri — dan responsivitas bimbingan (R) — seberapa andal ia memperbarui ke arah tujuan bimbingan tutor. Tolok ukurnya, StudentSimEval, melemparkan korpus siswa publik (catur, tulisan bahasa Inggris sebagai bahasa kedua, matematika) ke dalam protokol per siswa terstandar di mana simulator mana pun dicocokkan dan diberi skor pada catatan tertahan. Pipeline dua tahap kumpulan-lalu-terspesialisasi (kumpulan pola perilaku bersama plus adaptor per siswa) menghasilkan keluarga simulator yang kuat pada kedua sumbu, mengungguli pelacakan keadaan spesifik domain (lemah pada R) dan role-play LLM hanya-prompt (lemah pada F). Ini memberi bidang ini kosakata dua sumbu yang konkret untuk menilai apakah siswa simulasi benar-benar berguna, bukan sekadar masuk akal — dan, sebagai bukti konsep, StudentSim yang dibekukan digunakan sebagai imbalan dalam lingkar Pembelajaran Penguatan tutor catur menghasilkan tutor yang dinilai ahli lebih akurat, lebih terarah, dan lebih personal daripada yang dilatih dengan imbalan simulator LLM terdepan atau tanpa RL sama sekali.

Simulator siswa mereproduksi tindakan yang dapat diamati tetapi bukan penalaran laten di baliknya. INSIDE menyetel halus model untuk menghasilkan dialog internal sebelum setiap tindakan, mencapai keselarasan tertinggi antara penalaran yang dihasilkan dan suntingan kode nyata (51.8% pada soal yang dikenal, 57.9% pada soal yang belum pernah dilihat) tanpa kehilangan kesetiaan tindakan (Niousha et al., 2026).

Mendeskripsikan, bukan mensimulasikan: ketika satu agen mengalahkan kohort simulasi

Pertanyaan yang berulang adalah apakah mensimulasikan distribusi siswa adalah cara terbaik untuk memprediksi bagaimana siswa nyata akan berkinerja. Wang, Mitchell & Piech (2025) memberikan hasil kontra yang mencolok: untuk mengevaluasi pengalaman belajar daring sebelum siswa terlibat — memprediksi putus kuliah dan penyelesaian serta memberi umpan balik desain — satu agen web "pendeskripsi" yang secara otonom menelusuri pelajaran dan menghasilkan deskripsi kaya tentang pengalaman siswa mengungguli simulasi langsung populasi siswa. Siswa simulasi mereka (agen yang dikondisikan persona dan disampel agar cocok dengan tingkat penyelesaian yang diprediksi) menunjukkan rentang perilaku jauh lebih sempit daripada siswa nyata — di 100 agen pada lima pelajaran uji mereka hanya mereproduksi sekitar 4% jalur yang ditempuh siswa nyata — dan menawarkan sedikit wawasan tentang kesulitan pelajaran, sekaligus jauh lebih mahal secara komputasi. Pipeline tunggal deskripsikan-lalu-prediksi (deskripsi yang dihasilkan agen diumpankan ke Model Bahasa Besar (LLM) untuk memprediksi hasil) mencapai prediksi distribusi putus kuliah terbaik pada kursus CS1 global berskala besar (JSD rata-rata 0.060, mengalahkan semua garis dasar). Ini adalah hasil batas yang produktif bagi bidang ini: mensimulasikan distribusi siswa mungkin tidak perlu — dan bahkan kontraproduktif — ketika tujuannya adalah prediksi hasil atau kritik desain, karena deskripsi pengalaman yang setia membawa lebih banyak sinyal daripada irisan sempit lintasan simulasi. Ini juga menunjukkan bahwa peran simulasi mungkin terbatas pada pertanyaan (misalnya mengaudit perlakuan AI terhadap profil yang beragam, atau melatih guru) di mana mencakup variasi siswa yang sebenarnya lebih penting daripada prediksi hasil agregat.

Model siswa berbasis data autentik dan praktik interaktif

Dua utas 2026 mempertajam nilai praktis simulasi. Pertama, model siswa berbasis data autentik — TeachLM melatih model siswa pada 100.000 jam interaksi tutor–siswa satu-lawan-satu nyata (dengan anonimisasi yang ketat), menghasilkan siswa sintetis yang memungkinkan evaluasi multi-giliran atas perilaku tutor secara cepat, dapat diskalakan, dan dapat direproduksi; ini menjawab autentisitas dan keragaman yang rendah dari simulator siswa yang murni direkayasa prompt. Kedua, simulakra instruksional interaktif — EducaSim menggunakan agen generatif (dengan persona, memori yang berlandaskan kursus, dan orakel ucapan LLM-sebagai-juri) untuk mensimulasikan sesi kelompok kecil bagi guru dalam pelatihan, menambahkan kode yang dapat dijalankan dan interaksi suara plus umpan balik pascasesi terstruktur dan refleksi diri, dan menunjukkan praktik mengajar eksperiensial berbiaya rendah dengan penerimaan positif pada skala kursus daring besar. Keduanya menunjukkan simulasi yang melayani bukan hanya evaluasi tetapi juga persiapan guru secara langsung.

Utas ketiga 2026 menyangkut bagaimana simulator dibangun, bukan untuk apa ia digunakan, dan utas itu bertemu pada satu kesimpulan: prompting menetapkan langit-langit yang dihapus oleh pelatihan. SWIM (Do, Kontak dan Sachan, 2026) merumuskan ulang simulasi menulis siswa sebagai generasi esai yang dikondisikan kemahiran dan membandingkan prompting berlandaskan rubrik, penyetelan halus tersupervisi pada pasangan skor-esai nyata, dan GRPO dengan Imbalan Keselarasan Kemahiran yang diturunkan dari Penskoran Esai Otomatis, dengan memberi skor setiap esai yang dihasilkan terhadap profil sifat targetnya menggunakan Quadratic Weighted Kappa. Prompting memberi kendali terbatas bahkan pada model proprietary yang kuat (QWK sifat rata-rata terbaik 0.577 untuk Claude Sonnet, 0.422 untuk GPT-5.4, mendekati nol untuk prompting model terbuka 7B), ia menyelaraskan sifat berorientasi konten jauh lebih baik daripada bentuk (0.695 versus 0.458), dan ia menghasilkan populasi berkemahiran tinggi yang ideal, dengan skor Overall ternormalisasi rata-rata 0.74 versus 0.58 untuk siswa nyata dan panjang median 304 kata versus 167. Penyetelan halus tersupervisi memindahkan model 7B ke 0.474 ± 0.023 dan GRPO ke 0.618 ± 0.005, keuntungannya bertahan pada dua pemberi skor independen yang tidak pernah menjadi target pelatihan kebijakan, dan model terlatih memulihkan distribusi skor dan panjang manusia tanpa pengawasan panjang apa pun; bentuk berkemahiran rendah yang autentik tetap paling sulit, karena model terlatih memulihkan sintaksis tetapi menulis terlalu sedikit kesalahan ejaan dan tata bahasa sementara prompting mensimulasikan kelemahan terutama melalui korupsi dangkal. Pelajaran yang sama datang dari arah berlawanan dalam Liu et al. (2026), yang menyetel instruksi tiga model kecil untuk menyimpan miskonsepsi aljabar: komposisi data menentukan hasilnya, karena satu miskonsepsi menggeneralisasi berlebihan dan menurunkan penyelesaian yang benar sampai contoh benar dicampurkan, beberapa miskonsepsi dilatih bersama tanpa biaya, dan tidak ada miskonsepsi yang diperoleh dari supervisi hanya-jawaban-akhir pada ukuran data apa pun, sehingga jejak solusi tingkat langkah tetap menjadi persyaratan pengikat.

Membandingkan sembilan metode simulasi terhadap tujuh metrik berbasis referensi pada 382 dialog matematika yang ditahan, prompting tertinggal dari penyetelan halus pada tindak dialog (0.4998 versus 0.6840), ROUGE-L (0.1648 versus 0.3212), dan kemiripan kosinus (0.5460 versus 0.7390) (Scarlatos et al., 2026). Namun metode terbaik yang diuji, optimasi preferensi pada model 8B, hanya sedikit mengalahkan penyetelan halus tersupervisi dan lebih buruk pada kesalahan, dan evaluasi manusia dengan tiga tutor mereproduksi peringkat itu.

Arsitektur dapat menegakkan apa yang tidak dapat dilakukan prompting: simulator neuro-simbolik yang memaksakan struktur pembelajaran regulasi diri melalui pengendali semi-Markov dan pelacakan pengetahuan dengan suntikan cacat mencapai divergensi perilaku 0.31 versus garis dasar 0.53 (Wang et al., 2026). Menyuntikkan kosakata metakognitifnya ke garis dasar tidak pernah melampaui 0.63, menghapus pengendali simbolik mendorong divergensi ke 6.81, dan dalam uji Turing dengan 71 penilai jejaknya tidak dapat dibedakan dari siswa nyata (52.8%, d′ = 0.15).

Mengaudit AI dengan siswa simulasi

Di luar mengevaluasi pedagogi, siswa simulasi berfungsi sebagai rangka uji untuk mengaudit sistem AI itu sendiri — cara terkendali untuk menyelidiki bagaimana AI berperilaku di berbagai profil siswa sebelum menyentuh siswa nyata. López-Pernas et al. (2026) menggambarkan hal ini: mereka menghasilkan 4.500 vinyet siswa sintetis dengan tiga LLM untuk mengaudit apakah model bahasa besar saat ini dapat bertindak sebagai pemberi rekomendasi Analitik Pembelajaran preskriptif, dan menemukan sensitivitas terbatas terhadap kebutuhan siswa serta inkonsistensi tajam antarmodel. Menggunakan kohort simulasi untuk menguji secara stres rekomendasi AI (bukan hanya untuk melatih atau mengevaluasi tutor) adalah peran yang berkembang bagi paradigma ini, terkait erat dengan mengevaluasi AI dalam pendidikan dan dengan Keadilan ketika audit dimaksudkan untuk menyingkap perlakuan yang berbeda antartipe siswa.

Uji validitas yang lebih tajam menanyakan apakah model mereproduksi pilihan manusia sama sekali: dalam gim pembelajaran mandiri yang diadaptasi, lima model terdepan mengeksploitasi satu solusi sementara 175 peserta manusia menjelajah di berbagai tujuan, sehingga model yang menggantikan siswa meninggalkan perilaku yang justru menjadi alasan simulasi itu ada (Molinaro et al. (2026)).

Simulasi juga dapat menguji terlebih dahulu pilihan siswa: Noh et al. (2026) mencocokkan Model Faktor Aditif dan Pelacakan Pengetahuan Bayesian pada dua kumpulan data tutoring nyata dan membiarkan 1.000 siswa simulasi memilih keterampilan di bawah delapan strategi, di mana aturan yang menghindari risiko menghasilkan sekitar tiga puluh kali lipat praktik berlebih dibandingkan yang lain dan kendala tepat-di-bawah-penguasaan memotongnya menjadi 1.8×.

Register audit kedua bersifat metakognitif dan afektif. MEDS (Esposito et al., 2026) adalah kumpulan data 28.000 catatan — 2.000 persona sintetis untuk masing-masing dari 14 model, setiap persona dijalankan baik sebagai persona manusia maupun sebagai asisten garis dasar — yang mencatat akurasi pada 18 soal matematika sekolah menengah bersama keyakinan laporan diri dan skor efikasi diri serta kecemasan matematika yang akan dilaporkan siswa yang digantikannya. Sinyal auditnya adalah celah kalibrasi: keluarga Qwen dan Ministral 3B menyatakan keyakinan di atas 0.90 sementara akurasi mandek di sekitar 0.55, sedangkan Grok 4.1 Fast, DeepSeek Chat, dan beberapa varian Mistral Small kurang percaya diri dan Ministral 14B serta Anita 24B tetap cukup selaras. Jalur yang sama menyingkap kegagalan kesetiaan yang lebih senyap: persona mode manusia menghasilkan distribusi skor yang lebar dan masuk akal, tetapi asisten garis dasar mengembalikan jawaban yang hampir identik, percaya diri, dan rendah kecemasan — potret diri bawaan, bukan milik siswa simulasi. Ini memperluas audit pemberi rekomendasi di atas dengan menyelidiki apa yang diklaim model tentang kompetensi dan afeknya sendiri, dan mempertajam peringatan validitas halaman ini dari arah yang tak terduga: karena persona MEDS dibobot secara konstruksi, bukan disampel dari populasi nyata, para penulisnya menyajikan kumpulan data ini sebagai sumber observasional untuk mengaudit perilaku GenAI yang dikondisikan prompt dan secara eksplisit bukan sebagai pengganti data siswa nyata.

Mensimulasikan dinamika kolaboratif dan sosial

Simulasi juga meluas melampaui siswa individual ke reproduksi dinamika sosial pembelajaran kolaboratif. Agen LLM spesifik peserta — Fang (2026) menyetel halus agen LLaMA 3.2-3B pada data dialog peserta individual untuk merepresentasikan setiap peserta dalam simulasi pemecahan masalah kolaboratif, menggabungkan memori jendela geser dengan embedding memori terringkas untuk mempertahankan giliran bicara lokal dan kesinambungan tematik, serta memilih pembicara dan kode tematik secara probabilistik dari distribusi empiris. Menggunakan Epistemic Network Analysis (ENA), dialog simulasi secara statistik tidak dapat dibedakan dari yang nyata (jarak ENA 0.17, jauh di dalam ambang nol persentil ke-95; p permutasi = 0.65), memvalidasi bahwa agen LLM dapat mereproduksi dinamika giliran bicara dan lintasan kode tematik dari pemecahan masalah kolaboratif nyata.

Karya tentang keterampilan tahan lama pada 2026 membalik arah simulasi yang biasa. Alih-alih mensimulasikan siswa untuk mengaudit sistem, sistem mensimulasikan rekan tim untuk menilai siswa: LLM Eksekutif menghasilkan setiap giliran mitra AI dalam tugas kelompok 30 menit, memegang rubrik penilaian, dan mengarahkan percakapan untuk menciptakan kesempatan munculnya keterampilan target (Globerson et al., 2026). Di 373 percakapan dari 188 peserta, pengarahan yang dipasangkan dengan keterampilan menaikkan bukti yang dapat dinilai menjadi 92.4% untuk manajemen proyek dan 85% untuk resolusi konflik, secara signifikan di atas agen independen tanpa kendala, sementara evaluator AI dikalibrasi terhadap dua penilai manusia yang Kappa antarpenilai mereka sendiri hanya 0.45–0.64 — pengingat berguna bahwa langit-langit simulator ditetapkan oleh kesepakatan yang dapat dicapai manusia atas konstruk tersebut.

Pelatihan terhadap simulator juga dapat berpindah: agen pembelajaran penguatan TutorLoop, yang dilatih secara offline terhadap siswa simulasi, berpindah tanpa perubahan ke tugas belajar nyata yang baru tanpa pelatihan ulang (N = 187), di mana umpan baliknya yang lebih jarang tetapi lebih tepat waktu mengungguli umpan balik yang lebih padat (Xu & Zhang, 2026).

Miskonsepsi Umum

"Siswa LLM cukup baik sebagai proksi." Simulasi mencakup siswa yang paling mudah, dan sedikit yang divalidasi: dua belas guru yang mengajari siswa LLM melaporkan bahasa yang terlalu kompleks, emosi yang hilang, dan penyimpangan lain dari siswa nyata. Proksi memodelkan kasus yang mudah ditangani.
"Siswa simulasi dengan celah pengetahuan berperilaku seperti siswa dengan celah itu." Menekan 16 komponen pengetahuan bertarget pada Mistral-7B menurunkan akurasi dari sekitar 0.75 pada rasio lupa 10% menjadi di bawah 0.5 pada 40%, sementara model dasar bertahan. Degradasinya direkayasa, dan itulah yang menjadikannya manipulasi terkendali, bukan emulasi.
"Stabilitas persona adalah masalah pilihan model." Itu adalah masalah desain interaksi: menyilangkan lima LLM dengan tiga desain prompt dan empat persona intensitas ADHD, perbedaan terancang mengikuti desain prompt, bukan model. Memilih model yang lebih baik tidak memperbaiki persona yang tidak stabil.

Konsep terkait

Pembelajar — Siswa: payung bagi konsep-konsep sisi siswa
Simulasi
Pemodelan Pembelajar dan Pengajaran Adaptif
Penelitian Pendidikan Berbantuan AI — Penelitian Pendidikan Berbantuan AI
Pelacakan Pengetahuan
Diagnosis Kognitif
AI Agensik
Agen Pedagogis
Tutoring Cerdas
Pembelajaran Adaptif
Pembelajaran yang Dipersonalisasi
AI Generatif
Model Bahasa Besar (LLM)
Analitik Pembelajaran
Pengajaran

FAQ terkait

Metadata

Audiensi sasaran	Instructors
Teknologi dan teknik	Diagnosis Kognitif, AI Generatif, Tutoring Cerdas, Pelacakan Pengetahuan, Model Bahasa Besar (LLM), Agen Pedagogis, Simulasi, Pemodelan Pembelajar dan Pengajaran Adaptif
Dasar-dasar AI dalam pendidikan	AI Agensik, Pengajaran

Sumber Riwayat Sunting Obrolan