Моделирование

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Моделирование — использование смоделированных сред, агентов или сценариев для поддержки обучения через практику и обратную связь в контекстах, которые безопасны, воспроизводимы и часто недоступны иным образом. Моделирования позволяют учащимся действовать, совершать ошибки и видеть последствия без реальных издержек, и они всё чаще работают на основе ИИ и агентного моделирования.

Вопросы для размышления

• Вспомните случай, когда вы выучили что-то, делая это в безопасной среде с низкими ставками — лаборатория, тренировочное упражнение, авиа- или игровой моделирующая программа. Что сделало эту практику эффективной, и что могло бы быть потеряно, если бы моделирование было слишком реалистичным или недостаточно реалистичным?
• Страница утверждает, что моделирования позволяют учащимся совершать ошибки и видеть последствия «без реальных издержек». Что, по-вашему, приобретается — и что может быть потеряно, — когда цена ошибки падает почти до нуля?
• Если ИИ может моделировать пациентов, учащихся или партнёров по разговору для практики, где бы вы провели границу между ценной репетицией и практикой, которая не переносится на реальное взаимодействие с человеком?
• Почему осведомлённость учащегося о пределах моделирования — его достоверности — может значить не меньше, чем то, насколько достоверно оно моделирует реальность?
• Как та же технология моделирования, которая помогает кому-то учиться, может его и ввести в заблуждение, и что вам нужно знать, чтобы отличить один исход от другого?

Введение

Моделирование лежит в основе опытной и Активное обучение педагогик. Оно обеспечивает осознанную практику, продуктивную неудачу и циклы обратной связи, которые строят навык и суждение. ИИ преобразовал моделирование двумя способами: он питает более реалистичные и адаптивные смоделированные среды и генерирует моделируемых учащихся, пациентов или собеседников, которые делают практику масштабируемой. Поведенческие доказательства показывают, что как учащиеся взаимодействуют с моделированием, варьируется систематически, а не единообразно: отслеживая учащихся онлайн, строящих экологические модели в VERA, An, Hammock & Goel (2025) классифицировали вовлечение на Наблюдение (частые запуски и настройка параметров при малом построении моделей), Конструирование (практическое построение с малым моделированием) и Исследование (полные циклы «построение–параметризация–моделирование»), при этом Исследователи производили наиболее сложные и разнообразные модели, а уделяющие основное внимание наблюдению учащиеся в основном копировали существующие, — аргумент в пользу проектирования сред моделирования, подталкивающих учащихся к полноцикловой деятельности.

ИИ и моделирование

• Среды на основе ИИ: адаптивные моделирования настраивают сложность и сценарии под состояние учащегося, связываясь с Адаптивное обучение и коучингом на основе Обучение с подкреплением.

• Моделирования, генерируемые промптами, ставят лабораторию по заказу в пределах досягаемости. Преподаватели могут генерировать работающие в браузере модели нужной курсу темы из переиспользуемого шаблона промптов (ползунки, анимация, зависящие от времени графики), проверяя каждую дважды — сначала технически, затем против известного аналитического решения, — вместо того чтобы принимать ближайшее опубликованное моделирование (Ben-Zion et al., 2025)).

• Автоматизация человеческого контрагента. Chew et al. (2026) заменяют специалистов-людей, исполняющих роли, которые укомплектовывают моделирования управления воздушным движением, автономными LLM сим-пилотами, устраняя узкое место в возможностях обучения; их дообученный речевой конвейер снизил частоту ошибок на словах на авиационной речи с сингапурским акцентом с 107.80 % до 23.45 %, хотя все оценки проводились на уровне компонентов, без запуска на когорте обучающихся.

• Состязательные моделирующие программы как партнёры по обучению. ResidencyRL (Liévin et al., 2026) связывает агента-политику с LLM-моделирующими программами пациентов, построенными вести себя состязательно в конвейере сценариев из 57K случаев; обучение против них снизило доли пропущенных тревожных признаков примерно на треть, а ослеплённые клиницисты предпочитали обученного агента в 87.6 % попарных сравнений.

• Явно кодируйте отсутствующие состояния случаев. Мультиагентная система стандартизированных пациентов разделяет распознавание намерений, генерацию ответов, привязанных к случаю, и оценку после сессии, различая четыре вида отсутствующей информации — клинически отрицательную, неизвестную пациенту, ещё не оценённую и отсутствующую в случае, — поскольку сведение их к «норме» вносит не подтверждённые клинические факты (Gao et al. (2026)).

• Моделируемые агенты: ИИ может моделировать пациентов (для медицинской подготовки), учащихся (для практики преподавателя) или партнёров по разговору, делая значимую межличностную практику доступной и воспроизводимой. В образовании преподавателей Zhuang and Zhang (2025) построили Student GPT, настраиваемого чат-бота ChatGPT, который ролевым образом играл учащегося средней школы, держащего распространённых заблуждений Заблуждения об ИИ в пропорциональном рассуждении, давая будущим преподавателям математики доступную, привязанную к содержанию практику диагностики мышления учащихся — и использовали аффективную, коммуникативную, техническую (ACT) рамку кодирования для систематической оценки сильных сторон ролевой игры моделируемого учащегося (ясность, релевантность, согласованность ошибок) и слабостей аутентичности (преподавательский тон, путаница ролей).

• Сделайте контрфактическую историю полноценным элементом. Контекстуальные мультиагентные агенты LLM SupplyNet генерируют динамику цепочки поставок, возникающую из решений учащегося, а не заданную сценарием, а его ветвящаяся временная шкала позволяет учащимся возвращаться к более ранним выборам без наказания — 13 из 14 участников оценили её высоко за связывание решений с результатами, против 3 для базового уровня (Li et al. (2026)).

• Обоснованная динамика, а не запрошенная персона. Chen et al. (2026) параметризовали динамику раскрытия виртуального пациента из почти 2 000 часов реальных стенограмм психотерапии, затем обновляли уровень каждый ход; на 1 033 ходах с 20 клиницистами его раскрытие росло с эмпатией и исследовательским поведением терапевта, тогда как базовый уровень только на промптах на той же LLM оставался плоским.

• Ролевая игра ставит учащегося в роль. Там, где моделируемые агенты поставляют контрагента, ролевая игра отдаёт эту роль учащемуся. Sanoubari and colleagues (2026) предложили 18 детям в возрасте 9–10 лет посмотреть сцену травли в исполнении социальных роботов, обсудить позицию каждого персонажа, затем отрепетировать защиту, управляя роботизированным аватаром, и сообщили о приобретениях в воспринимаемой Самоэффективность в защите плюс о лучше калиброванных убеждениях о том, действительно ли противостояние хулителю его останавливает. Их рамка — опосредованная роботами прикладная драматургия — сохраняет человека-фасилитатора в роли форум-театра и ограничивает автоматизацию управлением нарративом, что служит полезным напоминанием о том, что требовательной частью ролевой игры является рефлексия, а не техника. Lock, Arteaga and Johnson (2025) помещают ролевую игру рядом с моделированием среди стратегий, на которые опирается поддерживаемое ИИ онлайн-обучение.

• Моделируемые учащиеся: модели поведения учащихся позволяют исследователям и проектировщикам тестировать системы тьюторства и учебные планы до живого внедрения, основывая Моделирование учащегося и адаптивное обучение и Трассирование знаний.

• Доверие и достоверность: ценность моделирования зависит от того, насколько достоверно оно моделирует реальный контекст, — и от осведомлённости учащегося о его пределах, связываясь с Калибровка доверия.

• Человекоподобие — свойство взаимодействия, а не модели. Когда оба бэкенда были отрендерены за одним аватаром, преимущество человекоподобия у текстовой модели исчезло: участники называли коммерческую модель естественной (54 % против 22 %), тогда как эффективность коммуникации была идентичной; голос, задержка и смена ролей переформировали восприятие одного и того же качества диалога (Hasan et al. (2026)).

• GenAI в обучении на основе моделирования. Neto and colleagues (2026) систематически рассматривают GenAI в обучении на основе сценариев, случаев, проблем и моделирования в медицинском образовании, находя положительные исходы для высших когнитивных навыков, но непоследовательные результаты в остальном, при этом гибридное сотрудничество человека и ИИ превосходит полностью автоматизированные подходы. Wenzel, Geiger, and Liening (2026) разрабатывают ИИ-разговорных агентов для адаптивной поддержки в бизнес-играх с моделированием, устраняя распространённый пробел ограниченной формирующей обратной связи и структурированной рефлексии в обучении на основе моделирования.

• «Пробел аутентичности» ограничивает то, что может заменить моделирование ИИ. В клиническом моделировании Jiang et al. (2026) в смешаннометодном систематическом обзоре моделирования сестринского дела на основе ИИ (19 исследований, N = 1 253) находят ИИ эффективным для когнитивных знаний и аффективных исходов, но непоследовательным для сложных психомоторных навыков. Их концепция пробела аутентичности — воспринимаемого учащимся дефицита в эмоциональном резонансе, распознавании невербальных сигналов и тактильных/физических измерениях обследования — объясняет, почему моделирование ИИ лучше всего подходит для высоко структурированных целей (базовая коммуникация, сбор анамнеза) и должно находиться в ступенчатом континууме моделирования, который передаёт продвинутые психомоторные и эмоционально сложные сценарии стандартизированным пациентам-людям и клинической практике. Техническая нестабильность (например, задержки распознавания речи) может также добавлять постороннюю когнитивную нагрузку и тревожность, поэтому достоверность и стабильность сами являются рычагами проектирования. Это перекликается с находкой Neto et al., что гибридные подходы человек–ИИ превосходят полностью автоматизированные.

• Совместно спроектированные преподавателем и ИИ моделирования. Интерактивные моделирования, поддерживающие и концептуальное обучение, и развитие компетентностей, редки в практических доменах, а выдача GenAI часто лишена педагогической валидности. В образовании STEM на базе дронов совместно спроектированные преподавателем и ИИ моделирования, встроенные в иначе идентичный практический учебный план, оценивались с помощью квазиэкспериментального дизайна «предтест–посттест» на 30 учениках средней школы с вопросом о том, даёт ли поддерживаемая моделированием инструкция превосходящие результаты обучения (From simulation to flight: Simulation-assisted drone learning with teacher-AI co-designed scaffolds for secondary students' STEM knowledge and competencies). Отдельно мультиагентные бенчмарки тьюторства, такие как ASTRA, используют моделируемых социально интеллектуальных агентов для изучения сбалансированного по участию сотрудничества во вводном программировании (ASTRA: A synthetic benchmark for trace-based evaluation of socially intelligent multi-agent tutoring).

• Контроль учащегося в моделировании осуществляется, а не предоставляется. Эксперимент 2 × 2 в моделировании стаи (Su, Nair and Nagashima 2026) дал некоторым учащимся ползунки параметров, некоторым — необязательного разговорного агента, а некоторым — и то и другое; каждое условие улучшалось, но ни одна аффорданс не дала надёжного различия после контроля предшествующих знаний (p = 0.849 и p = 0.108). То, что предсказывало прирост, было где и как долго учащиеся манипулировали параметрами: устойчивое использование ползунков в наиболее концептуально сложном уроке было положительно связано с приростом, а то же поведение в более лёгком уроке — отрицательно. Для строителей моделирований вывод состоит в том, что предложение элементов управления — не интервенция; интервенция — помочь учащимся решить, что изменить, и зафиксировать, что изменилось.

• Цифровой двойник — это моделирование со счётом за оборудование, и счёт определяет, кто может принимать участие. Систематический обзор 11 исследований цифровых двойников в высшем образовании по инженерному делу и STEM обнаружил, что каждая реализация выдала работающий прототип с синхронизацией в реальном времени, однако лишь три сообщили о статистически значимом приросте в обучении. Физические установки ограничивали доступ 1–3 одновременно учащимися в пяти исследованиях, а сниженное социальное взаимодействие было наиболее часто упоминаемым педагогическим вызовом, в шести (Pelayo-González et al. (2026)).

Связи

Моделирование связано с Активное обучение, Адаптивное обучение и Педагогический агент. Это механизм опытного и Конструктивизм обучения, усиливаемый способностью ИИ генерировать адаптивные, реалистичные среды практики.

Связанные концепции

• Активное обучение
• Адаптивное обучение
• Педагогический агент
• Обучение с подкреплением
• Моделирование учащегося и адаптивное обучение
• Конструктивизм
• Калибровка доверия
• Обучение на рабочем месте
• Химическое образование — Образование по химии и ИИ: лаборатории, формирующее оценивание, пределы LLM, философия экспериментирования
• Образование в области биологии — Образование по биологии и ИИ: ассистенты лабораторных занятий, ИИ-грамотность в биологии, критическое мышление, специализированные инструменты
• Технологии — Зонтичная категория: технологии и методы ИИ (модели, обучение LLM, робототехника, RAG, агентность)
• Виртуальная и дополненная реальность — модель, а не модальность — иммерсивные среды обычно рендерят моделирование

Связанные статьи

• Exploring learner agency in an AI-supported simulation environment for complex systems education — Контроль параметров и необязательный ИИ-агент в моделировании сложных систем: прирост отслеживал осуществление, а не доступ
• Leveraging AI for Rapid Generation of Physics Simulations in Education: Building Your Own Virtual Lab
• The Empirically Grounded Adaptive Virtual Patient for Psychotherapy Training: Disclosure That Responds to Therapist — Адаптивные виртуальные пациенты для подготовки в психотерапии
• AI-Enabled Serious Games: Integrating Intelligence and Adaptivity in Training Systems — Серьёзные игры с поддержкой ИИ
• ANVIL: Analogies and Videos for Lecturers — ANVIL: аналогии и видео для преподавателей
• ASTRA: A Scalable Next-Generation ATCO Training Simulator with Autonomous Simpilots — ASTRA: моделирующая программа обучения ATCO
• SupplyNet: Supporting Visual Exploratory Learning in Supply Chain via Contextual Multi-Agent Simulation — SupplyNet: визуальное исследовательское обучение
• MedEasy: Designing AI Standardized Patients for Clinical Consultation Training — MedEASY: ИИ-стандартизированные пациенты
• Play-Testing REMind: Evaluating an Educational Robot-Mediated Role-Play Game — Опосредованная роботами ролевая игра для вмешательства свидетелей (прикладная драматургия)
• ResidencyRL: Reinforcement Learning in Simulated Clinical Environments
• Generative AI in Scenario-Based Healthcare Education: A Systematic Review of Applications, Validation Practices, and Pedagogical Integration — Систематический обзор GenAI в образовании здравоохранения на основе сценариев (Neto et al. 2026)
• Designing Conversational Agents for Adaptive Instructional Support in Business Simulation Gaming — Рамка CAIS-GBL для ИИ-разговорных агентов в бизнес-играх с моделированием (Wenzel et al. 2026)
• Modelling Individual Participants as LLM Agents in Collaborative Problem Solving Simulations — Дообученные специфичные для участников агенты LLM, воспроизводящие диалоги совместного решения задач (Fang 2026)
• ASTRA: A synthetic benchmark for trace-based evaluation of socially intelligent multi-agent tutoring — Синтетический бенчмарк ASTRA для мультиагентного тьюторства и сбалансированного по участию сотрудничества
• From simulation to flight: Simulation-assisted drone learning with teacher-AI co-designed scaffolds for secondary students' STEM knowledge and competencies — Обучение с моделированием на базе дронов с совместно спроектированными преподавателем и ИИ опорами
• How Online Learners Engage in Self-Directed Modeling: A Behavioral Analysis
• Integrating ChatGPT in Mathematics Teacher Education: AI-Based Simulation Role-Playing to Support Practice-based Teaching
• AI-Powered Simulation for Nursing Education: Mixed Methods Systematic Review — Моделирование сестринского дела на основе ИИ: смешаннометодный систематический обзор (пробел аутентичности, ступенчатый континуум)
• Scalable AI-based clinical communication training and automated assessment — Масштабируемое обучение клинической коммуникации на основе ИИ и автоматизированное оценивание
• Digital Twins in STEM Education: A Systematic Review — Цифровые двойники в образовании STEM: прототипы все работали, прирост в обучении — в основном нет