AIEd база знанийAIEd KB
На этой странице

Читать эту страницу на английском

Концепции

Моделирование учащихся

Создано 2026-10-13

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Моделирование учащихся — использование агентов на базе LLM для моделирования поведения, познания и социальной динамики учащегося в целях образовательных исследований, проектирования и подготовки. Моделируемые учащиеся позволяют исследователям оценивать педагогические подходы, моделировать разнообразные профили учащихся, тестировать образовательный ИИ до внедрения и обучать преподавателей — задачи, которые трудно, медленно или этически ограничено выполнять систематически с реальными учащимися.

Вопросы для размышления

  • Если бы вам нужно было построить ИИ-«учащегося», чтобы потренировать на нём своё преподавание, что сделало бы его убедительным для вас — и почему система, которая всегда даёт правильный ответ, может быть плохой заменой реального учащегося?
  • Страница называет несоответствие между совершенными ответами способного ИИ и несовершенными ответами реального учащегося «парадоксом компетентности». Где вы видели эту напряжённость в своём собственном опыте работы с ИИ, и что, по-вашему, требуется, чтобы смоделированный учащийся был по-настоящему реалистичным?
  • Какие этические и практические причины могут побудить вас предпочесть тестирование системы тьюторства или учебного плана на моделируемых учащегося, а не на реальных — и какие риски для валидности, как вы подозреваете, вносит этот компромисс?
  • Моделируемый учащийся может быть «эпистемически достоверным», не выглядя поверхностно человекоподобным. Прежде чем читать дальше, какое различие вы предполагаете между правдоподобной поверхностью и правдивой моделью того, что учащийся действительно знает?
  • Как бы вы решили, достаточно ли можно доверять находке, полученной с помощью моделируемых учащихся, чтобы изменить то, как вы учите реальных людей?

Введение

Моделируемые учащиеся — это методологический инструмент: агенты, которые заменяют реальных учащихся, чтобы системы тьюторства, учебные планы и стратегии обучения могли оцениваться и итеративно совершенствоваться без набора когорт человеческих студентов. Большие языковые модели сделали эту парадигму гораздо более масштабируемой и лингвистически реалистичной, чем предшествовавшие им моделируемые учащиеся на правилах, одновременно внося новые вызовы валидности.

Опосредованные ИИ приближения заостряют вопрос, о котором заботится страница: кого представляет моделирование и что преподаватель должен заметить. В образовании преподавателей математики текстовые моделируемые работы учащихся и партнёры-чат-боты, используемые в репетиции, расширяют приближения практики, которые уже организуют профессиональную подготовку. Одно исследование с чат-ботом дало четыре различных профиля вопросов, однако самооценки будущих преподавателей не согласовывались с качеством взаимодействия, зафиксированным наблюдателями, что делает автоматизированную обратную связь после репетиции, увеличивающую зондирующие и исследовательские вопросы, полезным, но недостаточным руководством. Моделятор, кандидат и обратную связь нужно читать вместе. То, что моделирование позволяет преподавателю заметить, задаётся также его конструкцией: в трёхнедельной интервенции с уравнением Галич и соавторов (2026) с 17 будущими преподавателями математики кандидаты перемещались между вниманием, интерпретацией и формированием, а не через фиксированную последовательность, но настройка «один на один», текстовая по форме, означала, что формирование схлопывалось в вопросы и промптинг, а конструкция «сначала заблуждение» тянула внимание к обнаружению ошибок, а не к сильным сторонам учащегося. Моделятор выбирает тот срез преподавания, который кандидат получает возможность отрепетировать.

Только контролируемое дообучение слабо обуславливает моделирующую программу заданной способностью, поскольку её цель вознаграждает воспроизведение текста ответа, а не привязку качества ответа к способности; Fernandez et al. (2026) вместо этого согласуют моделирующую программу через прямую оптимизацию предпочтений по парам, образованным из разрывов в способности по IRT между студентами, и на CodeWorkout это образование пар превосходит все базовые модели прямого предсказания сложности, а на масштабе 1B — моделирующую программу SMART по каждой метрике сложности, одновременно производя более реалистичные с точки зрения распределения ответы.

Зачем моделировать учащихся

  • Оценивание педагогики: тестирование подходов к обучению на множестве профилей учащихся контролируемым, воспроизводимым способом.

  • Моделирование разнообразных учащихся: фиксация вариаций в когнитивных уровнях, стилях обучения, предшествующих знаниях и Заблуждения об ИИ, которые трудно собрать в реальной когорте.

  • Тестирование образовательного ИИ: валидация систем тьюторства и Оценивание до живого внедрения и генерация обучающих данных.

  • Обучение преподавателей: предоставление преподавателям возможности практиковать тьюторство и управление аудиторией с моделируемыми, часто несовершенными учащимися.

  • Моделирования охватывают самых простых учащихся, и лишь немногие из них валидированы. Двенадцать преподавателей, тьюторивших LLM-учащихся, сообщили о слишком сложном языке, отсутствии эмоций, неестественной внимательности и скачках в знаниях, а моделирования представляли лишь одну из четырёх реальных квадрантов поведения учащихся — при том что лишь 3 % исследований, моделирующих учащихся, валидируют их после использования (Martynova et al. (2026)).

Ключевой вызов: реалистичное несовершенство

Определяющая трудность моделирования учащихся состоит в том, что LLM обучены быть «полезными ассистентами», производящими правильные, отполированные ответы. Однако реальные учащиеся несовершенны — они совершают характерные ошибки, держатся заблуждений и учатся постепенно. Моделируемый учащийся, отвечающий идеально (или слишком случайно), не является валидной моделью учащегося. Исследования формулируют это как парадокс компетентности: широко способные LLM, которым поручено эмулировать частично знающих учащихся, производят нереалистичные паттерны ошибок и динамику обучения. Nguyen and Cao (2026) задают этому дрейфу направление. Против идей учащихся, встроенных в уроки, взятых из 49 научных уроков, согласованных с NGSS, шесть моделей удерживали большинство идей внутри ожидаемого объёма знаний и примерно две трети — на целевом уровне чтения или ниже, но перешагивали точно там, где учащийся был самым младшим: идеи для начальной и средней школы чаще превышали объём знаний целевого класса и уровень чтения, в то время как корпус в целом тяготел к более широкому рассуждению, более техническому словарю и меньшему числу маркеров неуверенности («может быть», «кажется»), чем идеи уроков. Выбор модели также не одномерен — система, тесно соответствующая идеям уроков, всё же может подавать их выше класса, поэтому исправление обычно носит инструкционный характер, поскольку явный повторный промпт уровня класса возвращал большинство моделей в допустимый диапазон. Решение этой задачи требует ограничения моделирования так, чтобы оно отражало подлинное эпистемическое состояние — что учащийся знает, как структурированы его ошибки и как состояние эволюционирует, — а не полную компетентность модели. Техники включают когнитивные прототипы, основанные на моделях Граф знаний или Трассирование знаний, явные спецификации эпистемического состояния и модели перехода состояний обучения, а не просто ролевую игру, обуславливаемую персоной.

Другой рычаг устраняет знание вместо того, чтобы ограничивать вывод. Подавление 16 целевых компонентов знаний в Mistral-7B снизило точность с около 0.75 при коэффициенте забывания 10 % до ниже 0.5 при 40 %, тогда как базовая модель удерживала около 0.85, и подавленное знание оказалось восстановимым через контролируемое дообучение и диалог с коучем (Song, Guo & Lin, 2026).

Стабильность персоны — это задача проектирования взаимодействия, а не выбора модели: при скрещивании пяти LLM с тремя конструкциями промптов и четырьмя персонами различной интенсивности СДВГ сценарные взаимодействия, привязанные к задаче, устранили оценённое наблюдателями поведенческое дрейф — до 97 % меньше, чем при несценарном диалоге, — и без явных инструкций по персоне базовое представление учащегося перекашивалось в сторону высоких симптомов СДВГ (Gonnermann-Müller, Haase & Leins (2026)).

Противоположный отказ также возникает: в ослеплённом исследовании эксперты-аннотаторы ошибочно классифицировали 164 из 196 (83,7 %) сгенерированных LLM решений на Java как написанные человеком, поэтому ошибки моделирующей программы могут быть функционально неотличимы от аутентичных — хотя согласие с реальными ошибками падало по мере роста сложности задачи (Keramati et al. (2026)).

Обуславливание генерации предсказанной моделью поведения работает без дообучения: не требующий обучения фреймворк строит когнитивный прототип каждого учащегося из Граф знаний и оценивает кандидатов поиска по лучу против него, сообщая об улучшении точности моделирования на 100 % (Wu et al. (2025)). Его качество растёт с когнитивным уровнем учащегося, поэтому более слабые учащиеся остаются более трудным случаем для моделирования.

CogEvolution моделирует когнитивную динамику, а не статичную персону — перцептрон глубины ICAP задаёт величину каждого обновления состояния, а эволюционное обновление остаётся в пределах радиуса Зоны ближайшего развития, — достигая R²LC = 0.92 там, где статичные агенты достигают 0.45, и падая до 0.58 без модуля ICAP (Zhang et al. (2026)).

Достоверность важнее поверхностного реализма

Валидность — центральная проблема: моделируемый учащийся полезен только если его поведение эпистемически достоверно — отражает предполагаемое состояние знаний учащегося, — а не просто лингвистически правдоподобно. Исследования предупреждают об подхалимстве, при котором «моделируемый учащийся» просто соглашается с тьютором, а не проявляет заблуждения, которые он должен был воплощать. Это связано с Калибровка доверия и с более широкой проблемой оценивания того, моделирует ли агент подлинно конструкт или воспроизводит поверхностное поведение.

Отказ количественно охарактеризован: на семи моделях от 4B до 120B параметров моделирующие программы переключались на правильный ответ с почти одинаковыми частотами независимо от обратной связи, поэтому сходство выводов ничего не говорит о стоящем за ним состоянии убеждений, тогда как обучение по метрике Selective Flip Score повышало достоверность до +0.56 (Do, Sonkar & Sachan (2026)).

Связь с базой знаний

Моделирование учащихся находится на пересечении Моделирование, Моделирование учащегося и адаптивное обучение и Трассирование знаний. Это особое использование Генеративный ИИ в образовании (моделирование учащихся, а не тьюторство ими) и применение мультиагентных систем Агентный ИИ. Оно поддерживает Интеллектуальное тьюторство, Адаптивное обучение, Персонализированное обучение и развитие Преподавание, и пересекается с моделированием пациентов для профессиональной подготовки (например, в контекстах Специальное образование и медицинского образования). На уровне парадигмы Zhang, Jiang and Tang (2026) расширяют это за пределы оценивания: их позиционная статья утверждает, что образовательная наука страдает структурным несоответствием между своей теорией и своим аппаратом данных и методов, и предлагает образовательную науку на основе агентов, в которой агенты моделируют учащихся, преподавателей, родителей и сокурсников, тогда как сам аппарат моделирования — а не отдельный агент — служит исследовательским инструментом, генерируя протяжённые во времени траектории развития и контрфактические дизайны, которые медленно, дорого или этически неосуществимо проводить в аудиториях, при этом эмпирические данные переосмысливаются как калибровка, валидация и граничные условия. Статья не сообщает об эмпирической валидации всего этого: Student Development Agents специфицированы только концептуально, и собственный обзор авторов признаёт, что LLMs всё ещё упускают межиндивидуальную вариативность и что валидация генеративного социального моделирования остаётся нерешённым вызовом поля, поэтому утверждение, что моделирование изменило бы то, как работают доказательства и репликация, является предложением, а не продемонстрированным результатом.

Эмпирический компаньон исходит от той же группы: агент развития учащегося предсказывает некогнитивные исходы 42 реальных учащихся после курса на платформе MAIC, превосходя средний исходный базовый уровень по RMSE во всех пяти измерениях (Jiang & Zhang, 2025). Его цель — развитие, а не поведение — состояние агента питает его следующие действия, — и прототипирование на агентах, как утверждается, удерживает учащихся вне самой неопределённой стадии исследования.

Моделирование учащихся в сравнении с моделированием учащегося

Ключевое различие — между представлением реального учащегося и генерацией синтетического учащегося. Моделирование учащегося и адаптивное обучение — это практика построения вычислительного представления фактического студента — что он знает, чувствует и в чём нуждается, — чтобы адаптивные системы могли персонализировать обучение для этого учащегося. Моделирование учащихся, напротив, создаёт вымышленных учащихся по требованию, не для обслуживания реального индивидуума, а чтобы заменить когорту, чтобы педагогика и ИИ-системы могли тестироваться офлайн.

Эти две вещи дополняют, а не конкурируют друг с другом. Высокодостоверный моделируемый учащийся обычно содержит модель учащегося (эпистемическое состояние, набор заблуждений, профиль вовлечения) и опирается на те же конструкты, которые формализуют Моделирование учащегося и адаптивное обучение и Трассирование знаний. Общий вызов валидности одинаков в обоих случаях: представление должно достоверно отражать истинное состояние учащегося, а не поведение системы по умолчанию. Но цель различается — моделирование учащегося диагностирует реального учащегося, чтобы действовать на него; моделирование учащихся фабрикует учащихся, чтобы тестировать или обучать. Именно поэтому исследование моделируемых учащихся всё чаще используется для аудита ИИ (см. ниже), тогда как исследование моделирования учащегося остаётся ориентированным на живые Адаптивное обучение и Персонализированное обучение.

Двухосевая достоверность: поведенческое соответствие и отзывчивость на руководство

StudentSim (Yang et al., 2026) формализует проблему валидности как два требования, которые должны выполняться вместе: поведенческая достоверность (F) — насколько хорошо моделирующая программа соответствует собственным ответам учащегося, — и отзывчивость на руководство (R) — насколько надёжно она обновляется в сторону того, куда ведёт руководство тьютора. Его Бенчмарк StudentSimEval преобразует публичные корпуса учащихся (шахматы, письмо на английском как на втором языке, математика) в стандартизированный протокол по каждому учащемуся, на котором любая моделирующая программа подгоняется и оценивается на отложенных записях. Двухстадийный конвейер «сначала объединение, потом специализация» (общий пул поведенческих паттернов плюс адаптер на каждого учащегося) даёт семейство моделирующих программ, сильных по обеим осям, превосходящее специфичное для домена отслеживание состояния (слабое по R) и ролевую игру LLM только на промптах (слабую по F). Это даёт полю конкретный двухосевой словарь для суждения о том, является ли моделированный учащийся подлинно полезным, а не просто правдоподобным, — и, в качестве доказательства концепции, замороженный StudentSim, использованный как награда в цикле Обучение с подкреплением для тьютора по шахматам, произвёл тьюторов, которых эксперты оценили как более точных, лучше направляющих и более персонализированных, чем обученных с наградой от моделирующей программы на фронтальной LLM или вообще без RL.

Моделирующие программы учащихся воспроизводят наблюдаемые действия, но не лежащее за ними латентное рассуждение. INSIDE дообучает модели генерировать внутренний диалог перед каждым действием, достигая наивысшего согласия между сгенерированным рассуждением и реальными правками кода (51,8 % на знакомых задачах, 57,9 % на невиданных) без потери достоверности действий (Niousha et al., 2026)).

Описание, а не моделирование: когда единственный агент превосходит моделируемую когорту

Повторяющийся вопрос: является ли моделирование распределения учащихся лучшим способом предсказать, как справятся реальные студенты. Wang, Mitchell & Piech (2025) дают поразительный контррезультат: для оценивания онлайн-учебного опыта до вовлечения учащихся — предсказания отсева и завершения и выдачи обратной связи по дизайну — единственный «описывающий» веб-агент, который самостоятельно проходит через урок и производит богатое описание студенческого опыта, превзошёл прямое моделирование популяции учащихся. Их моделируемые учащиеся (агенты, обуславливаемые персоной и отобранные для соответствия предсказанной доле завершения) демонстрировали гораздо меньший поведенческий размах, чем реальные учащиеся — на 100 агентах и пяти тестовых уроках они воспроизводили лишь около 4 % путей, которые проходили реальные студенты, — и давали мало понимания о сложности урока, будучи при этом существенно более дорогостоящими в вычислительном отношении. Конвейер «сначала опиши, потом предскажи» (подача сгенерированных агентом описаний в Большие языковые модели (LLM) для предсказания исходов) добился лучшего предсказания распределения отсева на массовом глобальном курсе CS1 (средний JSD 0.060, превосходящий любой базовый уровень). Это продуктивный граничный результат для поля: моделирование распределения учащихся может быть ненужным — и даже контрпродуктивным — когда целью является предсказание исхода или критика дизайна, поскольку достоверное описание опыта несёт больше сигнала, чем узкий срез смоделированных траекторий. Это также предполагает, что роль моделирования может быть ограничена вопросами (например, аудит того, как ИИ обращается с разнообразными профилями, или обучение преподавателей), где покрытие подлинной вариативности учащихся значимо больше, чем агрегированное предсказание исхода.

Модели учащихся на аутентичных данных и интерактивная практика

Две линии 2026 года заостряют практическую ценность моделирования. Во-первых, модели учащихся на аутентичных данных — TeachLM обучает модель учащегося на 100 000 часах реальных взаимодействий тьютор–учащийся один на один (при строгой анонимизации), производя синтетических учащихся, которые делают возможной быструю, масштабируемую, воспроизводимую многоходовую оценку поведения тьютора; это решает проблему низкой аутентичности и разнообразия чисто промпт-инженерных моделирующих программ учащихся. Во-вторых, интерактивные инструкциональные симулякры — EducaSim использует генеративных агентов (с персонами, привязанными к курсу воспоминаниями и речевым оракулом LLM-как-судья) для моделирования секции малых групп для преподавателей в подготовке, добавляя взаимодействие с исполняемым кодом и голосом плюс структурированную обратную связь и саморефлексию после сессии, и демонстрирует недорогой, с положительным принятием опытный опыт преподавательской практики в масштабе массовых онлайн-курсов. Обе линии указывают на то, что моделирование служит не только оцениванию, но и практической подготовке преподавателей.

Третья линия 2026 года касается того, как строится моделирующая программа, а не того, для чего она используется, и она сходится в одном выводе: промптинг задаёт потолок, который снимает обучение. SWIM (Do, Kontak and Sachan, 2026) переформулирует моделирование письма учащихся как генерацию эссе, обуславливаемую владением, и сравнивает промптинг на основе рубрик, контролируемое дообучение на реальных парах «балл–эссе» и GRPO с наградой Proficiency Alignment Reward, выведенной из Автоматизированное оценивание эссе, оценивая каждое сгенерированное эссе против его целевого профиля признаков с помощью квадратического взвешенного каппы Коэна. Промптинг давал ограниченный контроль даже на сильных проприетарных моделях (лучший средний QWK признаков 0.577 для Claude Sonnet, 0.422 для GPT-5.4, около нуля при промптинге открытой 7B-модели), он гораздо лучше согласовывал признаки, ориентированные на содержание, чем на форму (0.695 против 0.458), и производил идеализированную популяцию высокого владения, со средним нормализованным общим баллом 0.74 против 0.58 у реальных учащихся и медианной длиной 304 слова против 167. Контролируемое дообучение довело 7B-модель до 0.474 ± 0.023, а GRPO — до 0.618 ± 0.005, приобретения сохранялись на двух независимых оценщиках, против которых политика никогда не обучалась, и обученные модели восстанавливали распределения человеческих баллов и длины без какого-либо надзора за длиной; аутентичная форма при низком владении оставалась самой трудной, поскольку обученные модели восстанавливали синтаксис, но допускали слишком мало ошибок орфографии и грамматики, тогда как промптинг моделировал слабость главным образом через поверхностную порчу. Тот же урок приходит с противоположной стороны в работе Liu et al. (2026), которые дообучили три малые модели на инструкциях удерживать алгебраические заблуждения: состав данных решил исход, поскольку одно заблуждение переобобщалось и ухудшало правильное решение, пока в данные не добавлялись правильные примеры, несколько заблуждений обучались совместно без издержек, и ни одно заблуждение не было приобретено при надзоре только по итоговым ответам ни при каком объёме данных, оставляя пошаговые следы решений обязательным требованием.

При сравнении девяти методов моделирования по семи референсным метрикам на 382 отложенных математических диалогах промптинг отставал от дообучения по диалоговым актам (0.4998 против 0.6840), ROUGE-L (0.1648 против 0.3212) и косинусному сходству (0.5460 против 0.7390) (Scarlatos et al., 2026). Однако лучший из протестированных методов — оптимизация предпочтений на 8B-модели — превосходила контролируемое дообучение лишь незначительно и была хуже по ошибкам, а оценка тремя тьюторами-людьми воспроизвела это ранжирование.

Архитектура может обеспечить то, чего не может промптинг: нейро-символическая моделирующая программа, навязывающая структуру саморегулируемого обучения через полу-Марковский контроллер и трассировку знаний с внедрением ошибок, достигла поведенческого расхождения 0.31 против 0.53 у базового уровня (Wang et al., 2026). Внедрение её метакогнитивного словаря в базовые модели никогда не превосходило 0.63, удаление символического контроллера поднимало расхождение до 6.81, а в тесте Тьюринга с 71 оценщиком её следы были неотличимы от следов реальных учащихся (52.8 %, d′ = 0.15).

Аудит ИИ с помощью моделируемых учащихся

Помимо оценивания педагогики моделируемые учащиеся служат тестовой оснасткой для аудита самих ИИ-систем — контролируемым способом исследования того, как ИИ ведёт себя в различных профилях учащихся, прежде чем он коснётся реальных учащихся. López-Pernas et al. (2026) иллюстрируют это: они сгенерировали 4 500 синтетических виньеток учащихся с тремя LLM, чтобы провести аудит того, могут ли текущие большие языковые модели действовать как предписывающие рекомендатели Аналитика обучения, обнаружив ограниченную чувствительность к нуждам учащихся и резкую межмодельную несогласованность. Использование моделируемых когорт для стресс-тестирования рекомендаций ИИ (а не только для обучения или оценивания тьюторов) — растущая роль для этой парадигмы, тесно связанная с оцениванием ИИ в образовании и с Справедливость, когда аудит призван вскрыть неравное обращение с различными типами учащихся.

Моделирование может также предварительно протестировать выбор учащегося: Noh et al. (2026) подгоняют аддитивную факторную модель и байесовскую Трассирование знаний к двум реальным наборам данных тьюторства и позволяют 1 000 моделируемых учащихся выбирать навыки по восьми стратегиям, где правило, избегающее риска, производило примерно в тридцать раз большее переобучение, чем остальные, а ограничение «чуть ниже владения» сокращало его до 1.8×.

Второй регистр аудита — метакогнитивный и аффективный. MEDS (Esposito et al., 2026) — это набор данных из 28 000 записей — 2 000 синтетических персон для каждой из 14 моделей, каждая из которых запускалась и как человеческая персона, и как базовый ассистент, — который фиксирует точность на 18 школьных математических задачах наряду с самоотчётной уверенностью и баллами Самоэффективность и математической тревожности, которые сообщили бы учащиеся, которых он заменяет. Его аудиторский сигнал — разрыв в калибровке: семейство Qwen и Ministral 3B заявляли уверенность выше 0.90 при точности, застрявшей около 0.55, тогда как Grok 4.1 Fast, DeepSeek Chat и несколько вариантов Mistral Small были недостаточно уверенными, а Ministral 14B и Anita 24B оставались разумно согласованными. Те же запуски вскрывают более тихий отказ достоверности: персоны в режиме человека давали широкие, правдоподобные распределения баллов, тогда как базовые ассистенты возвращали почти идентичные, уверенные, с низкой тревожностью ответы — автопортрет по умолчанию, а не смоделированного учащегося. Это расширяет описанный выше аудит рекомендателей, исследуя, что модель заявляет о собственной компетентности и аффекте, и заостряет предупреждение страницы о валидности с неожиданной стороны: поскольку персоны MEDS взвешиваются по конструкции, а не отбираются из реальной популяции, её авторы представляют набор данных как наблюдательный ресурс для аудита обуславливаемого промптами поведения GenAI и явно не как замену реальных студенческих данных.

Моделирование совместной работы и социальной динамики

Моделирование также выходит за пределы индивидуальных учащихся к воспроизведению социальной динамики совместного обучения. Специфичные для участников агенты на базе LLM — Fang (2026) дообучила агентов LLaMA 3.2-3B на диалоговых данных индивидуальных участников, чтобы представлять каждого участника в моделированиях совместного решения задач, сочетая память со скользящим окном с суммированными эмбеддингами памяти для сохранения и локальной смены ролей, и тематической непрерывности, и вероятностно выбирая говорящих и тематические коды из эмпирических распределений. Используя анализ эпистемических сетей (ENA), смоделированные диалоги были статистически неотличимы от реальных (расстояние ENA 0.17, в пределах 95-го процентиля нулевого порога; пермутационный p = 0.65), что подтверждает, что агенты LLM могут воспроизводить и динамику смены ролей, и траектории тематических кодов реального совместного решения задач.

Работа 2026 года по устойчивым навыкам инвертирует обычное направление моделирования. Вместо моделирования учащегося для аудита системы система моделирует партнёров по команде, чтобы оценить учащегося: исполнительная LLM генерирует ходы каждого ИИ-партнёра в 30-минутной групповой задаче, держит оценочную рубрику и направляет разговор так, чтобы создавать поводы для проявления целевого навыка (Globerson et al., 2026)). На 373 разговорах от 188 участников согласованное с навыками направление повышало оцениваемые свидетельства до 92.4 % для управления проектами и 85 % для разрешения конфликтов, значительно выше, чем у неограниченных независимых агентов, при этом ИИ-оценщик калибровался против двух оценщиков-людей, чьё собственное межоценочное каппи было лишь 0.45–0.64 — полезное напоминание о том, что потолок моделирующей программы задаётся согласием, которого могут достичь люди по конструкту.

Обучение на моделирующей программе может также переноситься: агент TutorLoop, обучающийся с подкреплением, обученный офлайн против моделируемого учащегося, перенёсся без изменений на новую реальную учебную задачу без переобучения (N = 187), где его более редкая, но лучше подобранная по времени обратная связь превосходила более плотную (Xu & Zhang, 2026)).

Связанные концепции

Связанные статьи

Связанные FAQ

Метаданные

Целевая аудиторияInstructors
Технологии и методыКогнитивная диагностика, Генеративный ИИ, Интеллектуальное тьюторство, Трассирование знаний, Большие языковые модели (LLM), Педагогический агент, Моделирование, Моделирование учащегося и адаптивное обучение
Основы ИИ в образованииАгентный ИИ, Преподавание
SourceHistoryEditChat

Встроить эту страницу

Скопируйте код ниже, чтобы встроить эту страницу в систему управления обучением или на другой сайт. Во встроенной версии отображается только содержимое страницы — заголовок сайта, навигация и нижний колонтитул скрыты.