AIEd база знанийAIEd KB
На этой странице

Читать эту страницу на английском

Концепции

Моделирование учащегося и адаптивное обучение

Создано 2026-10-13

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Моделирование учащегося и адаптивное обучение — зонтичное понятие для того, как ИИ представляет учащегося (что он знает, что чувствует и в чём нуждается) и как он использует эти представления для адаптации teaching. Семейство охватывает слой моделирования — моделирование студента, Трассирование знаний, Когнитивная диагностика и simulating students — и адаптивные системы, которые потребляют эти модели, — Интеллектуальное тьюторство, Адаптивное обучение и Персонализированное обучение. Общий вопрос: как система знает, что знает учащийся, и чему она должна учить дальше?

Вопросы для размышления

  • Зонтичный вопрос, который ставит эта страница: как система знает, что знает учащийся, и чему она должна учить дальше? Прежде чем продолжить чтение, с чего бы вы вообще начали представление «того, что знает учащийся», в машине?
  • Моделирование учащегося охватывает трассировку знаний (отслеживание знаний во времени), когнитивную диагностику (отображение освоенных навыков) и симуляцию студентов (синтетических учащихся). Чем, по-вашему, хорош каждый подход — и в чём каждый рискует ошибиться?
  • Каждая адаптивная система ИИ зависит от некоторой модели учащегося. Если модель хороша ровно настолько, насколько хороши данные, питающие её, какие данные, по-вашему, системы ИИ фактически имеют о студенте, и какие важные вещи о нём остаются невидимыми?
  • Модель может фиксировать, что студент делает правильно и неправильно, но не почему и не как он себя чувствует. Как модель учащегося могла бы ввести адаптивную систему в заблуждение таким образом, что это вредит, а не помогает студенту?
  • Если бы вы проектировали адаптивного тьютора, что бы вы хотели включить в его модель вас — и что бы вы хотели, чтобы ей было прямо запрещено предполагать?

Введение

Моделирование учащегося — это вычислительное представление учащегося; адаптивное обучение — это то, что системы делают с этим представлением. Каждый адаптивный ИИ в образовании зависит от некоторой модели учащегося — пусть даже облегчённой, — и каждая модель учащегося существует, чтобы обеспечить некоторое обучающее решение. Эта страница является зонтом для этого конвейера: методов моделирования, систем, действующих на основе моделей, и того, как они соотносятся.

Слой моделирования

Эти концепции отвечают на вопрос «что этот учащийся знает, чувствует и в чём нуждается?» — сторона представления в этом семействе.

  • моделирование студента — широкая практика представления характеристик учащегося (знаний, навыков, affective состояний, engagement, предпочтений) в вычислительной форме. Это зонтичный термин внутри этого слоя, охватывающий все способы представления учащегося.
  • Трассирование знаний — конкретная практика моделирования когнитивных знаний во времени путём отслеживания результатов на упражнениях и предсказания будущего освоения. Она формализует временну́ю динамику обучения — когда знания приобретаются, разрушаются и как связаны понятия.
  • Когнитивная диагностика — тонкое Оценивание того, какие конкретные навыки или компоненты знаний освоил учащийся, дающее профиль освоения, поддерживающий адресную коррекцию.
  • simulating students — генерация синтетических учащихся по требованию, а не представление реального, чтобы Педагогики и стратегии преподавания и системы ИИ могли тестироваться или обучаться офлайн.
  • Причинная формальность для моделей учащегося. Mangili et al. (2026) заменяют байесовские сети с шумовыми затворами на структурные причинные модели, построенные на основе экспертов, делая подсказки явными эндогенными переменными, чтобы модель могла спрашивать, что бы студент ответил без той помощи, которую он использовал, — несколько менее предсказательная, но способная на контрфактические рассуждения, которые ассоциативные модели выразить не могут.

Исследование Zhang, Jeffries & Koprinska (2025) показывает, что верное представление не требует самого сложного семейства моделей: облегчённая, изначально интерпретируемая модель студента на основе дерева решений — построенная на основе признаков взаимодействия с содержанием курса, а не богатой телеметрии, — предсказывает прогресс на уровне модулей в крупномасштабных онлайн-курсах programming (точность 85–91%) и различает профили engagement: дезинтегрированных в группе риска, дезинтегрированных, но успешных, и вовлечённых отличников, поддерживая Аналитика обучения раннее предупреждение в масштабе.

Предсказательная модель учащегося может опираться на структуру зачисления, а не на данные трассировки: TRACE кодирует каждый семестр как неупорядоченную корзину курсов и предсказывает набор курсов и оценки вместе, снижая ошибку предсказания оценок до 0,1339 MAE — на 46,4% ниже модели, основанной только на оценках, — на 5 326 студентах и десяти годах (Savala (2026)).

Модели студентов могут строиться и исключительно из поведенческих следов и при этом поддерживать адаптацию. An, Hammock & Goel (2025) вывели три профиля вовлечённости — Наблюдение, Конструирование и Исследование, — из кликстримов 315 онлайн-учащихся, строивших 822 экологические модели в VERA, без каких-либо демографических или контекстуальных данных, и показали, что эти профили предсказывают качество модели (Исследование даёт самые сложные и разнообразные модели, тогда как Наблюдение преобладает в скопированных, а не оригинальных моделях). Такие характеристики на уровне вовлечённости являются крупнозернистыми моделями студента, которые слой adaptive-instruction может потреблять для адресной обратной связи.

Аффективное моделирование студента является дальнейшим измерением: тьютор по математике выводил эмоцию из разговорного текста и выражения лица и отображал агрегированное состояние на стратегии тьюторства, однако мультимодальное слияние достигало лишь 60% точности в сравнении с собственными аннотациями участников, что делает чтение аффекта самым слабым звеном конвейера (Kar et al. (2025)).

Gutterman et al. (2026) обнаружили, что сигнал отсроченного старта, зафиксированный во время занятий математикой, предсказывал результаты по английскому языку, причём хронически откладывающие (более 13 минут) показывали меньший прирост (ELA β = −0,11 SD) даже после контроля prior knowledge и времени на задание, — так что поведенческие модели студента могут переноситься между предметами без переобучения на каждый курс, хотя их пороговые значения должны быть выведены заново.

Слой адаптивного обучения

Эти концепции отвечают на вопрос «чему следует учить дальше?» — сторона применения, потребляющая модели учащегося.

  • Интеллектуальное тьюторство — системы, которые используют модели студента и оценки освоения для выбора задач и предоставления поэтапных указаний, классическое применение моделирования учащегося.
  • Адаптивное обучение — системы, которые регулируют содержание, темп или сложность в ответ на модель учащегося.
  • Персонализированное обучение — более широкая адаптация обучения, содержания и траекторий к индивидуальным характеристикам и предпочтениям учащегося.

Как соотносятся члены семейства

Концепции образуют конвейер, а не конкурентов: моделирование студента является зонтичным представлением; Трассирование знаний и Когнитивная диагностика являются конкретными методами моделирования, которые его наполняют; simulation генерирует учащихся, а не представляет реальных; а Интеллектуальное тьюторство, Адаптивное обучение и Персонализированное обучение являются системами, потребляющими эти модели для адаптации обучения.

Моделирование студента против симуляции студентов — это ключевое различие, которое следует держать в голове. Моделирование студента касается представления реального учащегося — построения модели из данных фактического студента, чтобы адаптивная система могла действовать в отношении этого индивидуума. Симуляция студентов, напротив, генерирует синтетического учащегося по требованию, чтобы он замещал реальных учащихся, позволяя оценивать или обучать педагогику и ИИ офлайн. Эти два понятия тесно связаны, а не взаимозаменяемы: симулированные студенты обычно встраивают модель студента (эпистемическое состояние, набор misconception или профиль вовлечённости) и опираются на те же конструкты, которые формализуют Трассирование знаний и Когнитивная диагностика. Их цели расходятся — моделирование студента обслуживает живую адаптацию, обеспечивая решения о реальном человеке, тогда как Моделирование фабрикует учащихся для тестирования систем (и всё чаще для аудита ИИ, например, López-Pernas et al. (2026)) в отличие от действий в отношении любого реального индивидуума.

Трассировка знаний против моделирования студента — другое частое смешение. Трассировка знаний конкретно моделирует когнитивные знания во времени; моделирование студента является более широкой практикой, охватывающей все аспекты учащегося (аффективное состояние, вовлечённость, предпочтения). Трассировка знаний является типом моделирования студента, сосредоточенным на когнитивно-временно́м измерении. Конструкты трассировки знаний также информируют simulated students — когнитивное состояние симулированного учащегося часто формализуется той же динамикой освоения/разрушения, которую моделирует трассировка знаний, так что симуляция является способом генерировать состояния знаний, которые методы трассировки обычно выводят из данных реальных ответов.

Привязка трассировки к curriculum усиливает модель. Pradeesh et al. (2026) показывают, что модель учащегося обретает верность, когда трассировка привязана к явной структуре учебного плана, а не выучена исключительно из данных: их Outcome-Based Knowledge Tracing (OKT) рассматривает результаты курсов в Outcome-Based Education как понятия знаний, которые следует трассировать, предоставляет связи между понятиями через проверенные экспертами «отображения близости» OBE между результатами курса и программы (явная альтернатива неявному вниманию или передаче сообщений в графах) и использует модуль с расширенной памятью для моделирования того, как достижение одного результата влияет на другие. На реальных данных инженерной программы она превзошла базовые модели DKT, DKVMN, EKT и SimpleKT (89,81% AUC), иллюстрируя, что слой моделирования может использовать собственную структуру учебного плана для более верного представления учащихся.

Интеллектуальное тьюторство против адаптивного/персонализированного обучения находится на стороне применения: интеллектуальное тьюторство — это система выбора задач и поэтапных указаний; адаптивное обучение настраивает содержание и темп; персонализированное обучение — самая широкая адаптация всего учебного опыта. Все три являются «потребителями» слоя моделирования.

Общая задача валидности

Во всём семействе определяющая задача валидности одна и та же: представление учащегося должно верно отражать истинное состояние учащегося, а не предположения по умолчанию системы. Для моделирования студента и Трассирование знаний это означает, что модель должна действительно фиксировать, что знает учащийся (evaluation и measurement validity). Для simulation это означает, что синтетический учащийся должен проявлять реалистичное несовершенство, а не полную компетентность модели или sycophantic согласие. Адаптивные системы, потребляющие порочные модели, наследуют и распространяют эту ошибку.

Модели, выводящие состояние учащегося из игрового процесса, достигали AUC от 0,848 до 0,913, однако лишь два из 55 рассмотренных исследований проверяли их на демографическую предвзятость, и лишь одно исследовало дифференцированные результаты по способностям учащегося (Kaşarcı and Yurt (2026)).

Некоторые намеренные сигналы могут быть вообще не восстановимы из диалога: пилот рамки Learning Context восстанавливал заблуждения на уровне 91,4% и тревожность на уровне 100%, но добросовестность лишь на 68,6%, а знание языка на 60%, так что контекстно-осведомлённая модель должна фиксировать медленно проявляющиеся черты, а не ждать, когда диалог их обнажит (Liu et al. (2026)).

Lin et al. (2026) вскрывают циркулярность в том, как валидируются такие синтетические учащиеся: их агенты EduMirror проводят психометрические опросы постфактум и читают согласие с внутренним ценностным представлением агента как психологическую валидность, но поскольку Surveyor измеряет измерения, уже закодированные в этой системе ценностей, проверка является проверкой согласованности, а не независимой валидацией.

Правильность не всегда является верным сигналом. An, McLaren, and Stamper (2026) показывают, что модель учащегося, выводящая освоение из правильных действий, может искажать истинное состояние учащегося: учащиеся, демонстрирующие обманчивое обобщение, кажутся освоившими материал, однако пропускают критическое ограничение применения, так что адаптивные системы могут преждевременно прекращать практику. Модели учащегося должны оценивать условное понимание — включая то, знает ли учащийся, когда воздержаться от действия, — а не только правильность действия.

Скрытые заблуждения показывают ту же неудачу с другой стороны: Imran and Bulathwela (2026) обнаружили, что дообученный классификатор улавливал 57,4% правильных ответов, полученных через порочные рассуждения, и при распространённости 1,6% даже модель рассуждений с точностью 83,6% оставляла 8 ложных тревог на каждое обнаружение, — так что сигналы освоения, основанные на правильности, являются и неполными, и дорогостоящими в исправлении.

То, как валидируется модель, само по себе является вопросом валидности. Schuetze, Yan, and Carvalho (2025) показывают, что популярные модели учащегося (BKT, BKT-with-Forgetting, AFM), по-видимому, фиксируют человеческое обучение только когда они ретроспективно подогнаны к полному набору данных из нескольких сессий; при временно́й (walk-forward) перекрёстной валидации — предсказании будущей сессии на основе предыдущих, как такие модели фактически развёртываются, — они переоценивают результативность, упускают spacing effect и неверно упорядочивают условия практики. Поскольку модели с учётом забывания и без него действовали примерно одинаково между сессиями, авторы заключают, что забывание часто поглощается в параметры учащегося, а не подлинно представляется. Урок для семейства состоит в том, что верное представление учащегося должно валидироваться так, как оно используется, — и что смешение сиюминутной результативности с долгосрочным удержанием создаёт модели, которые выглядят точными, но искажают учащихся.

Моделирование в эпоху LLM

Последние достижения используют LLMs для более богатого моделирования. Рамка HiLLM-CD framework представляет студентов как деревья владения; multimodal approaches конструируют основанные на доказательствах представления знаний из разнообразных источников данных; LLMs now simulate students with reasoning. LLM позволяют автоматизировать построение моделей из образовательных текстов и student simulation более высокой верности, снижая опору на аннотирование экспертами, — при одновременном обострении упомянутых выше озабоченностей верностью. Сигналы модели учащегося также основывают рассуждения LLM: Reddig, Arora & MacLellan (2025) обнаружили, что подача GPT-4 байесовской оценки навыка Трассирование знаний студента наряду со структурой интерфейса тьютора резко улучшала его диагностику ошибок (идентификация логических ошибок выросла с 40% до 81% на разложении на множители; ~87,8% в целом), тогда как многошаговые задачи и ответы, содержащие несколько ошибок, оставались самыми слабыми случаями, — свидетельство того, что связывание формальной модели учащегося с LLM усиливает, но не гарантирует, обоснованный вывод о реальном студенте. CoLearn (He et al., 2026) показывает, как выглядит устойчивая версия этой связи: освоение и добытые заблуждения хранятся для каждой пары (учащийся, предмет), а не как журналы по сессиям, так что доказательства накапливаются между сессиями, и память записывается функцией наблюдения, оцениваемой LLM, оставаясь при этом инспектируемой для учащегося через полосы освоения и метку, называющую, что каждая сгенерированная задача была выбрана для проверки. Его контрольные условия делают шаг записи явным — при чтении памяти, но без её обновления, доля заданий, направленных на действительно слабый навык, упала с 0,72 до 0,57, — и это сохраняет оговорку данной страницы: хранимоеся освоение является убеждением агента об учащемся, а не измерением его знаний.

Язык может заменить ID-эмбеддинги в качестве представления: PLCD строит схемы понятий и графы процессов упражнений, выведенные из LLM, в качестве априорных знаний, достигая 83,51% точности на XES3G5M, с наибольшими приростами при холодном старте — 4,60 пункта ACC по сравнению с KCD для новых понятий и 4,00 для новых упражнений, — где у моделей на основе ID нет истории (Liu et al. (2026)).

Качество симулятора разделяется на две оси: конвейер «сначала пул, потом специализация», который обучает общие поведенческие паттерны до адаптера на каждого студента, достиг верности поведения 0,51 и отзывчивости на указания 0,91 в шахматах, в сравнении с 0,23 и 0,72 для базовой ролевой модели передового уровня, показывая, что симулятор должен и соответствовать студенту, и быть управляемым (Yang et al. (2026)).

Оценки риска могут быть точными, но необеспеченными: Gheisari and Salarian (2026) достигли 99% точности в предсказании отчисления на основе записей о зачислении и результативности, однако на очищенных записях 1 027 человек из одного института без внешней валидации, без тестирования вмешательства и с аудитами справедливости, названными будущей работой, — оценка поддерживает сортировку, а не приговор о студенте.

Модели учащегося, которая только предсказывает риск, недостаточно для поддержки решений: связывание калиброванной модели риска с целочисленным программированием корректирующих мер над дискретными действиями — валидированное по срокам, бюджету, неизменяемости и доступности, — дало компактные планы вмешательства там, где одна оптимизация допускала неисполнимые (Le, Abel & Laforge (2026)).

Модель-чёрный ящик может быть также дистиллирована в небольшую самообъясняющую модель: двухэтапный конвейер превращает подогнанный оценщик и его постфактум интерпретацию в «подопечного» с параметром 2B, который возвращает оценку вместе с повествованием, аудируемым на верность, а не на беглость (Distilling Black-Box Machine Learning into a Small, Self-Explaining Language Model for Learning Analytics).

Связи с другими концепциями

Моделирование учащегося и адаптивное обучение питают Аналитика обучения (dashboards и вмешательства), Формативное оценивание (основанное на аналитике оценивание) и Обратная связь (то, что система сообщает учащемуся). Оно связано с ИИ в образовании как ключевое направление ИИ для образования.

Связанные концепции

Связанные статьи

Связанные FAQ

Метаданные

Технологии и методыАдаптивное обучение, Когнитивная диагностика, Интеллектуальное тьюторство, Трассирование знаний, Аналитика обучения, Большие языковые модели (LLM), Персонализированное обучение, Моделирование учащихся, Моделирование учащегося и адаптивное обучение
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.