AIEd Hifadhi ya MaarifaAIEd KB
Kwenye ukurasa huu

Soma ukurasa huu kwa Kiingereza

Madhana

Kutengeneza Wanafunzi Bandia

Imeundwa 2026-10-13

Tafsiri ya kiotomatiki ya ukurasa huu wa Kiingereza, ambayo haijakaguliwa na mzungumzaji mzawa.

Kutengeneza wanafunzi bandia — kutumia mawakala yanayotegemea LLM kuunda mfano wa tabia ya mwanafunzi, ufikiri, na mienendo ya kijamii kwa utafiti wa kielimu, ubuni, na mafunzo. Wanafunzi bandia huwaruhusu watafiti kutathmini mbinu za kufundisha, kuunda mfano wa mifumo mbalimbali ya wanafunzi, kujaribu AI ya kielimu kabla ya kutumika, na kuwafundisha walimu — kazi ambazo ni ngumu, za polepole, au zilizozuiwa kimaadili kufanya kwa mpangilio na wanafunzi halisi.

Maswali ya Kutafakari

  • Kama ungelazimika kujenga 'mwanafunzi' wa AI ili kufanya mazoezi ya kufundisha kwako, nini kingekufanya uamini nayo — na kwa nini mfumo ambao daima hutoa jibu sahihi unaweza kweli kuwa mbadala dhaifu wa mwanafunzi halisi?
  • Ukurasa unaita kutolingana kati ya majibu kamili ya AI yenye uwezo na yasiyo kamili ya mwanafunzi halisi 'paradoksi ya uwezo.' Umewahi kuona msongo huu wapi katika uzoefu wako na AI, na unaona inachukua nini kufanya mwanafunzi bandia awe wa kweli kwa njia halisi?
  • Ni sababu zipi za kimaadili na za vitendo zinaweza kukufanya upende kujaribu mfumo wa mafunzo au mtaala kwa wanafunzi bandia badala ya halisi — na ni hatari zipi za uhalali unadhani biashara hiyo inaleta?
  • Mwanafunzi bandia anaweza kuwa 'mwenye uaminifu wa maarifa' bila kuonekana mwanadamu kwa umbo. Kabla ya kusoma, unatazamia tofauti gani kati ya uso unaoaminika na mfano wa kweli wa kile ambacho mwanafunzi anajua kweli?
  • Ungeamua vipi kama ugunduzi uliotolewa na wanafunzi bandia unafaa kuaminika vya kutosha kubadilisha jinsi unavyowafundisha watu halisi?

Utangulizi

Wanafunzi bandia ni zana ya mbinu: mawakala wanaosimamia nafasi ya wanafunzi halisi ili mifumo ya mafunzo, mitaala, na mikakati ya kufundisha iweze kutathminiwa na kuboreshwa bila kuajiti vikundi vya wanafunzi wa binadamu. Mifano mikubwa ya lugha imefanya mfano huu uweze kupanuka zaidi na kuwa wa kweli kwa lugha zaidi ya wanafunzi bandia waliotangulia waliotegemea kanuni, huku ikileta changamoto mpya za uhalali.

Ukaribu unaoendeshwa na AI unaboresha swali ambalo ukurasa unajali: ni nani anayewakilishwa na uigaji, na nini mwalimu anatarajiwa kugundua. Katika elimu ya walimu wa hisabati, kazi za wanafunzi zilizotengwa kwa maandishi na washirika wa chatbot zinazotumika katika mazoezi huongeza ukaribu wa mazoezi ambao tayari unaandaa mafunzo ya kitaalamu. Utafiti mmoja wa chatbot ulizalisha mifumo minne tofauti ya kuuliza maswali, lakini tathmini binafsi za walimu wanaojiandaa hazikulingana na ubora wa mwingiliano ambao watazamaji walirekodi, na hivyo kufanya maoni yanayotolewa kiotomatiki baada ya mazoezi ambayo yaliongeza maswali ya kuchunguza na kuchunguza zaidi yawe ya mwongozo lakini yasiyosadifu. Kifaa cha kuiga, mgombea, na maoni vyote vinabidi visomwe pamoja. Kile ambacho uigaji humruhusu mwalimu kugundua pia huwekwa na ubuni wake: katika uingiliaji wa Galiç et al. (2026) wa wiki tatu wa ishara ya usawa na walimu 17 wa hisabati wanaojiandaa, wagombea walihamia kati ya kushiriki, kutafsiri na kuunda badala ya kupitia mlolongo uliowekwa, lakini mpangilio wa moja-kwa-moja, wa maandishi ulimaanisha kuunda kulipungua kuwa kuuliza maswali na kutoa ilani, na ubuni unaoweka dhana potofu kwanza ulivuta umakini kuelekea kugundua makosa badala ya nguvu za mwanafunzi. Kifaa cha kuiga huchagua kipande cha kufundisha ambacho mgombea hupata nafasi ya kufanya mazoezi.

Kuboresha kwa usimamizi peke yake huweka hali dhaifu ya kifaa cha kuiga kwa uwezo unaotakiwa, kwa sababu lengo lake linazawadia kurudia maandishi ya majibu badala ya kufunga ubora wa majibu kwa uwezo; Fernandez et al. (2026) badala yake wanaunganisha kifaa cha kuiga kupitia uboreshaji wa moja kwa moja wa mapendeleo juu ya jozi zilizoundwa kutoka mapengo ya uwezo wa IRT ya wanafunzi, na katika CodeWorkout jozi hiyo inashinda misingi yote ya moja kwa moja ya kutabiri ugumu na, katika kiwango cha 1B, kifaa cha kuiga cha SMART katika kila kipimo cha ugumu huku ikizalisha majibu yenye uhalali zaidi wa usambazaji.

Kwa nini kutengeneza wanafunzi bandia

  • Kutathmini mbinu za kufundisha: kujaribu mbinu za kufundisha katika mifumo mingi ya wanafunzi kwa njia iliyodhibitiwa na inayoweza kurudiwa.

  • Kuunda mfano wa wanafunzi mbalimbali: kunasa mabadiliko katika viwango vya ufikiri, mitindo ya kujifunza, maarifa ya awali, na Dhana Potofu Kuhusu AI ambayo ni ngumu kukusanya katika kikundi halisi.

  • Kujaribu AI ya kielimu: kuthibitisha mifumo ya mafunzo na Tathmini kabla ya kutumika moja kwa moja, na kuzalisha data ya mafunzo.

  • Mafunzo ya walimu: kuwapa walimu nafasi ya kufanya mazoezi ya mafunzo na usimamizi wa darasa na wanafunzi bandia, mara nyingi wasio kamili.

  • Uigaji unafunika wanafunzi rahisi zaidi, na wachache ni waliothibitishwa. Walimu 12 waliofundisha wanafunzi wa LLM waliripoti lugha ngumu zaidi ya kiwango, hisia zilizokosekana, umakini usio wa asili, na kuruka kwa maarifa, na uigaji uliwakilisha moja tu ya robo nne za tabia halisi ya wanafunzi — wakati asilimia 3 tu ya masudio yanayoiga wanafunzi yanawathibitisha baada ya matumizi (Martynova et al. (2026)).

Changamoto kuu: ukosefu wa ukamilifu unaoaminika

Ugumu unaofafanua uigaji wa wanafunzi ni kwamba LLM zimefunzwa kuwa "wasaidizi wenye ufaafu" wanaozalisha majibu sahihi na yaliyosuguliwa. Lakini wanafunzi halisi hawakamilifu — wanafanya makosa ya kawaida, wanashikilia dhana potofu, na hujifunza hatua kwa hatua. Mwanafunzi bandia anayejibu kikamilifu (au bila mpangilio sana) si mfano halali wa mwanafunzi. Utafiti unaweka hili kama paradoksi ya uwezo: LLM zenye uwezo mkubwa zinapoomwa kuiga wanafunzi wenye maarifa ya sehemu huzalisha mifumo ya makosa na mienendo ya kujifunza yasiyo ya kweli. Nguyen and Cao (2026) wanampa mwenendo huo mwelekeo. Dhidi ya mawazo ya wanafunzi yaliyojengeka katika masomo 49 ya sayansi yanayolingana na NGSS, mifano sita iliweka mawazo mengi ndani ya wigo unaotarajiwa wa maarifa na takribani theluthi mbili katika au chini ya kiwango lengwa cha kusoma, lakini ilipita hasa pale mwanafunzi alikuwa mdogo zaidi: mawazo ya shule ya msingi na ya kati yalipita mara nyingi wigo la maarifa la darasa lililolengwa na kiwango cha kusoma, huku mkusanyiko kwa ujumla ukielekea kuelekea kufikiri pana zaidi, msamiati wa kiufundi zaidi na alama za kutosha chache ("labda," "inaonekana") kuliko mawazo ya masomo. Uchaguzi wa mfano si wa kipimo kimoja pia — mfumo unaolingana na mawazo ya masomo kwa karibu unaweza bado kuziweka juu ya darasa, hivyo marekebisho kwa kawaida ni ya kielimu, kwani ombi jipya la kiwango cha darasa lililosemwa wazi liliwapandisha mifano mingi kurudi katika wigo. Kushughulikia hili kunahitaji kuzuia uigaji ili uakisi hali halisi ya maarifa — kile ambacho mwanafunzi anajua, jinsi makosa yanavyopangwa, na jinsi hali inavyoendelea — badala ya uwezo kamili wa mfano. Mbinu zinajumuisha mifano ya msingi ya kifikra iliyowekwa katika mifano ya Grafu ya Maarifa au Ufuatiliaji wa Maarifa, viainisho wazi wa hali ya maarifa, na mifano ya mpito wa hali ya kujifunza badala ya kuigiza kazi rahisi kulingana na mtu.

Kifaa tofauti kinaondoa maarifa badala ya kuzuia matokeo. Kuzuia vipengele 16 vya maarifa vilivyoombwa katika Mistral-7B kulipunguza usahihi kutoka takribani 0.75 katika uwiano wa kusahau wa 10% hadi chini ya 0.5 katika 40% huku mfano wa msingi ukishika karibu 0.85, na maarifa yaliyozuiliwa yalithibitishwa kuwa yanaweza kurejeshwa kupitia kujifunza upya kwa usimamizi na mazungumzo yanayoongozwa na mkufunzi (Song, Guo & Lin, 2026).

Utulivu wa mtu ni tatizo la ubuni wa mwingiliano, si la uchaguzi wa mfano: kuvuka LLM tano na miundo mitatu ya ilani na watu wanne wenye kiwango cha ADHD, mwingiliano ulioandaliwa kwa kazi uliondoa mwenendo wa tabia uliopimwa na watazamaji — hadi 97% chini ya mazungumzo yasiyoandaliwa — na bila maelezo wazi ya mtu, uwakilishi wa msingi wa mwanafunzi ulipendelea dalili za juu za ADHD (Gonnermann-Müller, Haase & Leins (2026)).

Kushindwa kinyume pia hutokea: katika utafiti uliofichwa, waainishaji wataalam waliainisha makosa mabano 164 ya 196 (83.7%) ya Java zilizozalishwa na LLM kama zilizoandikwa na binadamu, hivyo makosa ya kifaa cha kuiga yanaweza kutofautishwa kwa kazi na yale halisi — ingawa ulinganifu na makosa halisi ulipungua kadiri ugumu wa tatizo ulivyopanda (Keramati et al., 2026).

Kuweka hali ya uzalishaji kwa mfano wa tabia uliotabiriwa hufanya kazi bila kuboresha kwa njia maalum: mfumo usiohitaji mafunzo unajenga mfano wa msingi wa kifikra wa kila mwanafunzi kutoka Grafu ya Maarifa na hupima wagombea wa utafutaji wa beam dhidi yake, na kuripoti uboreshaji wa 100% katika usahihi wa uigaji (Wu et al. (2025)). Ubora wake hupanda na kiwango cha kifikra cha mwanafunzi, hivyo wanafunzi dhaifu wanabaki kuwa kesi ngumu zaidi ya kuiga.

CogEvolution huunda mfano wa mienendo ya kifikra badala ya mtu tuli — perceptroni ya kina ya ICAP huweka kiwango cha kila sasisho la hali na sasisho la mageuko hubaki ndani ya mzunguko wa Eneo la Maendeleo ya Karibu — ikifika R²LC = 0.92 ambapo mawakala tuli hufika 0.45 na kushuka hadi 0.58 bila moduli ya ICAP (Zhang et al. (2026)).

Uaminifu badala ya uhalisi wa uso

Uhalali ni wasiwasi wa kati: mwanafunzi bandia anafaa tu kama tabia yake ina uaminifu wa maarifa — ikionyesha hali ya maarifa iliyokusudiwa ya mwanafunzi — si inayoeleweka kwa lugha tu. Utafiti unaonya juu ya kubembeleza, ambapo "mwanafunzi bandia" anakubali tu na mwalimu badala ya kuonyesha dhana potofu alizokusudiwa kuwakilisha. Hii inaungana na Urekebishaji wa Uaminifu na tatizo pana zaidi la kutathmini kama wakala anaunda mfano halisi wa kipengele badala ya kurudia tabia ya uso.

Kushindwa hupimwa: katika mifano saba kutoka vigezo 4B hadi 120B, vifaa vya kuiga vilibadilika hadi jibu sahihi kwa viwango karibu sawa bila kujali maoni, hivyo kufanana kwa matokeo hakusemi chochote kuhusu hali ya imani iliyokuwa nyuma yake, huku mafunzo dhidi ya Alama ya Kubadilisha ya Uteuzi yakiinua uaminifu hadi +0.56 (Do, Sonkar & Sachan (2026)).

Uhusiano na hifadhi ya maarifa

Kutengeneza wanafunzi bandia kunaangukia katika makutano ya Uigaji, Uundaji wa Mifano ya Wanafunzi na Mafunzo Yanayobadilika, na Ufuatiliaji wa Maarifa. Ni matumizi tofauti ya Akili Bandia ya Kizazi katika elimu (kuunda mfano wa wanafunzi badala ya kuwafundisha) na matumizi ya mifumo ya mawakala wengi ya Akili Bandia Inayojitegemea. Inasaidia Ufafanuzi wa Akili Bandia, Kujifunza Kufaa, Kujifunza kwa Ubinifu Binafsi, na maendeleo ya Kufundisha, na inajirudia na uigaji wa wagonjwa kwa mafunzo ya kitaalamu (mfano, miktadha ya Elimu Maalum na elimu ya matibabu). Katika ngazi ya mfumo, Zhang, Jiang na Tang (2026) wanaipanua hii zaidi ya tathmini: karatasi yao ya msimamo inadai kuwa sayansi ya kielimu inateseka kutokulingana kwa muundo kati ya nadharia yake na data yake na vifaa vya mbinu, na inapendekeza sayansi ya kielimu inayotegemea mawakala, ambamo mawakala huunda mfano wa wanafunzi, walimu, wazazi na marika huku vifaa vya uigaji yenyewe — si wakala mmoja — vikitumika kama chombo cha utafiti, na kuzalisha mienendo ya maendeleo ya muda mrefu na miundo ya kinyume ambayo ni ya polepole, ya gharama kubwa au isiyowezekana kimaadili kufanya madarasani, na data ya kielimu ikibadilishwa kuwa urekebishaji, uthibitishaji na masharti ya mipaka. Karatasi hiyo hairipoti uthibitishaji wowote wa kielimu wa yote hii: Mawakala wa Maendeleo ya Mwanafunzi vinaainishwa kwa dhana tu, na mapitio yao wenyewe yanakubali kuwa LLM bado hukosa mabadiliko ya kati ya watu binafsi na kuwa kuthibitisha uigaji wa kijamii unaozalisha unabaki kuwa changamoto isiyotatuliwa ya uwanja, hivyo madai kuwa uigaji ungebadilisha jinsi ushahidi na urudiaji unavyofanya kazi ni pendekezo badala ya matokeo yaliyoonyeshwa.

Mwenzi wa kielimu kutoka kikundi kile kile huja: wakala wa maendeleo ya mwanafunzi anatabiri matokeo yasiyo ya kifikra ya baada ya kozi ya wanafunzi 42 halisi kwenye jukwaa la MAIC, akishinda msingi wa wastani wa kabla ya kozi kwenye RMSE katika vipimo vyote vitano (Jiang & Zhang, 2025). Lengo lake ni maendeleo badala ya tabia — hali ya wakala huleta hatua zake za baadaye — na kufanya mifano juu ya mawakala kunadaiwa kuwaweka wanafunzi nje ya hatua ya kutokuwa na uhakika zaidi ya utafiti.

Kutengeneza wanafunzi bandia dhidi ya kuunda mfano wa mwanafunzi

Tofauti kuu ni kati ya kuwakilisha mwanafunzi halisi na kuzalisha mwanafunzi bandia. Uundaji wa Mifano ya Wanafunzi na Mafunzo Yanayobadilika ni mazoezi ya kujenga uwakilishi wa kikokotuzi wa mwanafunzi halisi — wanachojua, wanachohisi, na wanachohitaji — ili mifumo inayobadilika yaweze kubinafsisha mafunzo kwa yule mwanafunzi. Kutengeneza wanafunzi bandia, kinyume chake, hutengeneza wanafunzi wa kubuni pale wanapoombwa, si kumtumikia mtu halisi bali kuchukua nafasi ya kikundi ili mbinu za kufundisha na mifumo ya AI ziweze kujaribiwa nje ya mtandao.

Hizi mbili ni za kukamiliana badala ya kushindana. Mwanafunzi bandia mwenye uaminifu wa juu kwa kawaida anajumuisha mfano wa mwanafunzi (hali ya maarifa, seti ya dhana potofu, wasifu wa ushirikiano) na hutegemea usanifu ule ule ambao Uundaji wa Mifano ya Wanafunzi na Mafunzo Yanayobadilika na Ufuatiliaji wa Maarifa hufafanua. Changamoto ya pamoja ya uhalali ni sawa katika zote mbili: uwakilishi unabidi uakisi kwa uaminifu hali halisi ya mwanafunzi badala ya tabia chaguomsingi ya mfumo. Lakini lengo linatofautiana — kuunda mfano wa mwanafunzi hugundua mwanafunzi halisi ili kuchukua hatua kwake; uigaji hutengeneza wanafunzi ili kujaribu au kufundisha. Hii ni kwa nini utafiti wa wanafunzi bandia unazidi kutumika kukagua AI (angalia chini) huku utafiti wa kuunda mfano wa mwanafunzi ukibaki unaelekea kwenye Kujifunza Kufaa na Kujifunza kwa Ubinifu Binafsi za moja kwa moja.

Uaminifu wa mhimili mbili: kulingana kwa tabia na kuitikia mwongozo

StudentSim (Yang et al., 2026) hufafanua tatizo la uhalali kama mahitaji mawili ambayo lazima yashikane pamoja: uaminifu wa tabia (F) — jinsi kifaa cha kuiga kinavyolingana na majibu ya mwanafunzi mwenyewe — na kuitikia mwongozo (R) — jinsi kinavyosasisha kwa uaminifu kuelekea mahali ambapo mwongozo wa mwalimu unaongoza. Kigezo cha Kupima yake, StudentSimEval, hubadilisha maktaba za umma za wanafunzi (chesi, uandishi wa Kiingereza kama lugha ya pili, hisabati) kuwa itifaki ya kiwango cha kila mwanafunzi ambayo juu yake kifaa chochote cha kuiga kinafaa na kupimwa kwenye rekodi zilizowekwa kando. Mfumo wa hatua mbili wa kuchanganya kisha kubobea (hifadhi ya pamoja ya mifumo ya tabia pamoja na kifaa cha kurekebisha cha kila mwanafunzi) huzalisha familia ya vifaa vya kuiga yenye nguvu katika mhimili zote mbili, ikishinda ufuatiliaji wa hali maalum wa kikoa (dhaifu kwenye R) na kuigiza kazi kwa ilani ya LLM pekee (dhaifu kwenye F). Hii hupa uwanja msamiati halisi, wa mhimili mbili wa kuhukumu kama mwanafunzi bandia ana faida kweli badala ya kuwa wa kueleweka tu — na, kama uthibitisho wa dhana, StudentSim iliyogandishwa iliyotumiwa kama zawadi katika mzunguko wa Kujifunza kwa Kuimarisha wa mwalimu wa chesi ilizalisha walimu ambao wataalam waliwapangia kuwa sahihi zaidi, wenye mwongozo bora, na wenye kubinafsisha zaidi kuliko wale waliofunzwa na zawadi ya kifaa cha kuiga cha LLM ya kiwango cha juu au bila RL kabisa.

Vifaa vya kuiga wanafunzi hurudia vitendo vinavyoonekana lakini si kufikiri kwa siri kilicho nyuma yao. INSIDE huboresha mifano ili kuzalisha mazungumzo ya ndani kabla ya kila tendo, ikifika ulinganifu wa juu zaidi kati ya kufikiri kilichozalishwa na marekebisho halisi ya kodi (51.8% kwenye matatizo ya kawaida, 57.9% kwenye yale yasiyoonekana) bila kupoteza uaminifu wa tendo (Niousha et al., 2026)).

Kuelezea, si kuiga: wakala mmoja anaposhinda kikundi cha wanafunzi bandia

Swali linalojirudia ni kama kuiga usambazaji wa wanafunzi ni njia bora ya kutabiri jinsi wanafunzi halisi watakavyofaa. Wang, Mitchell & Piech (2025) wanatoa matokeo ya kushangaza ya kupinga: kwa kutathmini uzoefu wa kujifunza wa mtandaoni kabla ya wanafunzi kushiriki — kutabiri kuacha na kukamilisha na kutoa maoni ya ubuni — wakala mmoja wa "kuelezea" wa wavuti anayetembea kwa uhuru somo na kuzalisha maelezo tajiri ya uzoefu wa mwanafunzi alishinda kuiga moja kwa moja idadi ya wanafunzi. Wanafunzi wao bandia (mawakala waliowekwa kulingana na mtu na waliochaguliwa ili kulingana na kiwango cha kukamilisha kilichotabiriwa) walionyesha wigo mdogo sana wa tabia kuliko wanafunzi halisi — katika mawakala 100 juu ya masomo matano ya mtihani walirudia tu takribani asilimia 4 ya njia ambazo wanafunzi halisi walipata — na walitoa ufahamu mdogo kuhusu ugumu wa somo, huku wakiwa na gharama kubwa zaidi ya kikokotuzi. Mfumo mmoja wa kuelezea-kisha-kutabiri (maelelezo yaliyozalishwa na wakala na kuelimishwa kwa Mifano Mikubwa ya Lugha (LLM) ili kutabiri matokeo) ulipata utabiri bora zaidi wa usambazaji wa kuacha katika kozi kubwa ya ulimwengu ya CS1 (JSD ya wastani 0.060, ikishinda kila msingi). Hii ni matokeo yenye tija ya mipaka kwa uwanja: kuiga usambazaji wa wanafunzi kunaweza kuwa si lazima — na hata kudhuru — lengo likiwa ni utabiri wa matokeo au ukosoaji wa ubuni, kwa sababu maelezo ya uaminifu ya uzoefu hubeba ishara nyingi zaidi kuliko kipande chembamba ya mienendo iliyoigwa. Pia inapendekeza kuwa jukumu la uigaji linaweza kupunguzwa kwa maswali (mfano, kukagua namna AI inavyowatendea mifumo mbalimbali, au kuwafundisha walimu) ambapo kufunika mabadiliko halisi ya wanafunzi ni muhimu zaidi kuliko utabiri wa jumla ya matokeo.

Mifano ya wanafunzi yenye data halisi na mazoezi ya mwingiliano

Mizunguko miwili ya 2026 inaboresha thamani ya vitendo ya uigaji. Kwanza, mifano ya wanafunzi yenye data halisi — TeachLM hufundisha mfano wa mwanafunzi kwenye saa 100,000 za mwingiliano halisi wa moja-kwa-moja kati ya mkufunzi na mwanafunzi (pamoja na ufichaji thabiti wa utambulisho), na kuzalisha wanafunzi bandia wanaowezesha tathmini ya hatua nyingi yenye haraka, inayoweza kupanuka na inayoweza kurudiwa ya tabia ya mkufunzi; hii inashughulikia uhalali mdogo na upungufu wa mifumo mbalimbali ya wanafunzi bandia waliotengwa kwa uhandisi wa ilani pekee. Pili, sanamu za mafunzo za mwingiliano — EducaSim hutumia mawakala wanaozalisha (wenye watu, kumbukumbu zilizowekwa kwenye kozi, na kito cha usemi cha LLM-kama-mwamuzi) ili kuiga sehemu ndogo ya kikundi kwa walimu wanaojiandaa, na kuongeza mwingiliano wa kodi inayoweza kuendeshwa na sauti pamoja na maoni yaliyopangwa ya baada ya kipindi na tafakari ya mwenyewe, na kuonyesha mazoezi ya kufundisha ya uzoefu yenye gharama ndogo na kupokelewa chanya katika kiwango cha kozi kubwa za mtandaoni. Zote mbili zinaelekeza uigaji unaotumika si kwa tathmini tu bali pia kwa maandalizi ya vitendo ya walimu.

Mzunguko wa tatu wa 2026 unahusu jinsi kifaa cha kuiga kinavyojengwa badala ya kinachotumika, na unaungana kwenye hitimisho moja: kutoa ilani huweka kikomo ambacho mafunzo yanaondoa. SWIM (Do, Kontak na Sachan, 2026) hubadilisha uigaji wa uandishi wa mwanafunzi kuwa uzalishaji wa insha uliowekwa kulingana na ustadi na kulinganisha ilani iliyowekwa kwenye rubriki, kuboresha kwa usimamizi juu ya jozi halisi za alama-insha, na GRPO pamoja na Zawadi ya Ulinganifu wa Ustadi inayotokana na Kupima Insha kwa Kiotomatiki (AES), na kupima kila insha iliyozalishwa dhidi ya wasifu wake wa sifa lililolengwa kwa Quadratic Weighted Kappa. Kutoa ilani kulitoa udhibiti mdogo hata kwa mifano mikubwa ya wamiliki (wastani bora wa QWK wa sifa 0.577 kwa Claude Sonnet, 0.422 kwa GPT-5.4, karibu sifuri kwa kutoa ilani kwa mfano wazi wa 7B), kulilinganisha sifa zinazoelekea maudhui vizuri zaidi kuliko umbo (0.695 dhidi ya 0.458), na kulizalisha idadi ya wanafunzi wenye ustadi wa juu unaoainishwa, na alama ya jumla ya Overall iliyowasilishwa kwa wastani ya 0.74 dhidi ya 0.58 ya wanafunzi halisi na urefu wa kati wa maneno 304 dhidi ya 167. Kuboresha kwa usimamizi kulisogeza mfano wa 7B hadi 0.474 ± 0.023 na GRPO hadi 0.618 ± 0.005, mafanikio hayo yalishikilia kwa wapimaji wawili huru ambao sera haikuwahi kufundishwa dhidi yao, na mifano iliyofunzwa ilirejesha usambazaji wa alama na urefu wa binadamu bila udhibiti wowote wa urefu; umbo halisi wa ustadi wa chini ulibaki ngumu zaidi, kwani mifano iliyofunzwa ilirejesha sarufi lakini iliandika makosa ya tahajia na sarufi machache mno huku kutoa ilani kukiiga udhaifu hasa kupitia uharibifu wa uso. Somo lile lile linatoka kutoka upande mwingine katika Liu et al. (2026), walio boresha mifano madogo matatu ili kushikilia dhana potofu za aljebra: mpangilio wa data ndiyo uliamua matokeo, kwa sababu dhana potofu moja ilienea sana na kudhoofisha utatuzi sahihi hadi mifano sahihi ilipochanganywa ndani, dhana potofu kadhaa zilifunzwa pamoja bila gharama, na hakuna dhana potofu iliyopatikana kutoka usimamizi wa jibu la mwisho pekee katika kiwango chochote cha data, huku ikiyaacha alama za suluhisho za hatua ndogo kuwa mahitaji yanayoamua.

Kupima mbinu tisa za uigaji dhidi ya vipimo saba vinavyotegemea rejea kwenye mazungumzo 382 ya hesabu yaliyowekwa kando, kutoa ilani kilikuwa nyuma ya kuboresha kwa njia maalum katika matendo ya mazungumzo (0.4998 dhidi ya 0.6840), ROUGE-L (0.1648 dhidi ya 0.3212) na ufanano wa cosine (0.5460 dhidi ya 0.7390) (Scarlatos et al., 2026). Hata hivyo, mbinu bora zaidi iliyojaribiwa, uboreshaji wa mapendeleo kwenye mfano wa 8B, ilishinda kuboresha kwa usimamizi kwa kiasi kidogo tu na ilikuwa mbaya zaidi kwenye makosa, na tathmini ya wanadamu ya wakufunzi watatu ilirudia mpangilio huo.

Muundo unaweza kutekeleza kile ambacho kutoa ilani hakiwezi: kifaa cha kuiga cha neuro-simboliki kinachotoa muundo wa kujifunza kwa kujidhibiti kupitia kidhibiti cha semi-Markov na ufuatiliaji wa maarifa ulioingizwa na dosari kilifika tofauti ya tabia ya 0.31 dhidi ya 0.53 ya msingi (Wang et al., 2026)). Kuingiza msamiati wake wa metaji kwenye misingi hakufanikiwa kupita 0.63, kuondoa kidhibiti cha kisimbli kulipunguza tofauti hadi 6.81, na katika jaribio la Turing la watazamaji 71 alama zake zilikuwa hazitofautishani na za wanafunzi halisi (52.8%, d′ = 0.15).

Kukagua AI kwa wanafunzi bandia

Zaidi ya kutathmini mbinu za kufundisha, wanafunzi bandia hutumika kama mfumo wa mtihani wa kukagua mifumo ya AI yenyewe — njia iliyodhibitiwa ya kuchunguza jinsi AI inavyojitenda katika mifumo mbalimbali ya wanafunzi kabla ya kuwagusa wanafunzi halisi. López-Pernas et al. (2026) wanaonyesha hili: walizalisha mifano 4,500 ya wanafunzi bandia yenye maelezo na LLM tatu ili kukagua kama mifano mikubwa ya lugha ya sasa yanaweza kutenda kama wapendekeza wa agizo wa Takwimu za Kujifunza, na wakagundua uwezo mdogo wa kuhisi hitaji la mwanafunzi na kutokulingana makubwa kati ya mifano. Kutumia vikundi vya wanafunzi bandia kupima mzunguko wa mapendekezo ya AI (badala ya kuwafundisha au kuwathibitisha wakufunzi tu) ni jukumu linaloongezeka la mfumo huu, linalohusiana karibu na kutathmini AI katika elimu na Usawa wakati ukaguzi unakusudiwa kufichua matendeleo tofauti kati ya aina za wanafunzi.

Uigaji unaweza pia kujaribu mapema chaguo za mwanafunzi: Noh et al. (2026) walifaa Mfano wa Vipengele vya Kuongeza na Ufuatiliaji wa Maarifa ya Bayesian kwenye seti mbili halisi za data za mafunzo na wakawaachia wanafunzi 1,000 bandia kuchagua ujuzi chini ya mikakati minane, ambapo kanuni ya kuepuka hatari ilizalisha takribani mara thelathini ya mazoezi ya ziada ya wengine na kizuizi cha chini kidogo ya ustadi kilikipunguza hadi 1.8×.

Sajili ya pili ya ukaguzi ni ya metaji na ya kihisia. MEDS (Esposito et al., 2026) ni seti ya data ya rekodi 28,000 — watu 2,000 bandia kwa kila moja ya mifano 14 ya LLM, kila mmoja akiendeshwa kama mtu wa binadamu na kama msaidizi wa msingi — inayorekodi usahihi kwenye matatizo 18 ya hesabu ya shule ya upili pamoja na ujasiri uliyojitangaza na alama za Uwezo Binafsi na hofu ya hesabu ambazo wanafunzi anaowasimilia wangetangaza. Isara yake ya ukaguzi ni pengo la urekebishaji: familia ya Qwen na Ministral 3B vilidai ujasiri juu ya 0.90 huku usahihi ukisimama karibu 0.55, huku Grok 4.1 Fast, DeepSeek Chat na aina kadhaa za Mistral Small zikiwa na ujasiri mdogo na Ministral 14B na Anita 24B zikibaki zimeelekezwa vizuri. Mijendeshwa ile ile inafichua kushindwa kwa utulivu zaidi: watu wa binadamu walizalisha usambazaji pana na unaoeleweka wa alama, lakini wasaidizi wa msingi walirudia majibu yanayofanana, yenye ujasiri na yenye hofu ndogo — picha binafsi chaguomsingi badala ya ya mwanafunzi bandia. Hii inapanua ukaguzi wa wapendekeza hapo juu kwa kuchunguza kile ambacho mfano unadai kuhusu uwezo wake na hisia zake, na inaboresha onyo la uhalali la ukurasa kutoka upande usiotarajiwa: kwa sababu watu wa MEDS hupimwa kwa uundaji badala ya kuchaguliwa kutoka idadi halisi ya watu, waandishi wake wanatoa seti ya data kama rasilimali ya uchunguzi ya kukagua tabia ya GenAI iliyowekwa kulingana na ilani na waziwazi si kama mbadala wa data halisi ya mwanafunzi.

Kuiga mienendo ya ushirikiano na ya kijamii

Uigaji pia unapanuka zaidi ya wanafunzi binafsi hadi kurudia mienendo ya kijamii ya kujifunza kwa ushirikiano. Mawakala wa LLM mahususi wa washiriki — Fang (2026) aliboresha mawakala wa LLaMA 3.2-3B kwenye data ya mazungumzo ya washiriki binafsi ili kuwakilisha kila mshiriki katika uigaji wa utatuzi wa matatizo wa ushirikiano, akichanganya kumbukumbu ya dirisha linalosogea na embeddings za kumbukumbu zilizohitimishwa ili kuhifadhi mabadilishano ya ndani ya zamu na mwendelezo wa mandhari, na kuteua wenye kusema na kodi za mandhari kwa uwezekano kutoka usambazaji wa kielimu. Kwa kutumia Uchanganuzi wa Mtandao wa Maarifa (ENA), mazungumzo yaliyoigwa hayakutofautishwa kihisabati na yale halisi (umbali wa ENA 0.17, ndani kabisa ya kizingiti cha null cha asilimia 95; permutation p = 0.65), na kuthibitisha kuwa mawakala wa LLM wanaweza kurudia mienendo ya zamu na mienendo ya kodi za mandhari ya utatuzi wa matatizo wa ushirikiano wa kweli.

Kazi ya 2026 ya ujuzi wa kudumu inabadilisha mwelekeo wa kawaida wa uigaji. Badala ya kuiga mwanafunzi ili kukagua mfumo, mfumo huiga wanachama wa timu ili kumtathmini mwanafunzi: LLM ya Utendaji huzalisha zamu za kila mshirika wa AI katika kazi ya kikundi ya dakika 30, inashikilia rubriki ya upimaji, na inaelekeza mazungumzo kutengeneza fursa za ujuzi lengwa kuonekana (Globerson et al., 2026)). Katika mazungumzo 373 kutoka washiriki 188, kuelekeza kulingana na ujuzi kuliongeza ushahidi unaoweza kupimwa hadi 92.4% kwa usimamizi wa miradi na 85% kwa utatuzi wa migogoro, juu zaidi kwa kiasi chenye umuhimu ya mawakala huru wasio na vikwazo, huku mtathmini wa AI akiwa umerekebishwa dhidi ya wapimaji wawili wa binadamu ambao wao wenyewe wana Kappa ya kati ya wapimaji ya 0.45–0.64 — ukumbusho muhimu kuwa kikomo cha kifaa cha kuiga huwekwa na makubaliano ambayo binadamu wanaweza kuyafikia kuhusu kipengele.

Mafunzo dhidi ya kifaa cha kuiga yanaweza pia kusafiri: wakala wa kujifunza kwa kuimarisha wa TutorLoop, aliyefunzwa nje ya mtandao dhidi ya mwanafunzi bandia, alihamishwa bila kubadilishwa kwenye kazi mpya halisi ya kujifunza bila kufunzwa upya (N = 187), ambapo maoni yake machache lakini yenye muda bora yalishinda maoni mengi zaidi (Xu & Zhang, 2026)).

Dhana Zilizounganishwa

Makala Zilizounganishwa

FAQ Zilizounganishwa

Metadata

Hadhira inayokusudiwaInstructors
Teknolojia na MbinuUtambuzi wa Kiakili, Akili Bandia ya Kizazi, Ufafanuzi wa Akili Bandia, Ufuatiliaji wa Maarifa, Mifano Mikubwa ya Lugha (LLM), Mwakala wa Kibunifu, Uigaji, Uundaji wa Mifano ya Wanafunzi na Mafunzo Yanayobadilika
Misingi ya Akili Bandia katika ElimuAkili Bandia Inayojitegemea, Kufundisha
SourceHistoryEditChat

Pachika ukurasa huu

Nakili msimbo ulio hapa chini ili kupachika ukurasa huu katika mfumo wa usimamizi wa kujifunza au tovuti nyingine. Toleo lililopachikwa linaonyesha maudhui ya ukurasa tu — linaficha kichwa cha tovuti, urambazaji, na kijachini.